[发明专利]一种基于半监督学习的医学图像分割方法

权利要求书

1.一种基于半监督学习的医学图像分割方法，其特征在于，包括如下步骤：

步骤一：预训练；包括如下子步骤：

步骤1：将第一原始医学图像集作为修复数据集，将修复数据集中的每一幅图像进行随机遮盖并输入粗修复网络进行训练，得到粗修复特征图；

步骤2：将步骤1得到的粗修复特征图输入精修复网络的编码器，经精修复网络训练后，得到精修复特征图以及训练好的精修复网络；

步骤3：将精修复特征图与步骤1中对修复数据集中图像随机遮盖的位置数据一起输入判别器，得到判别器的输出结果。

步骤4：将判别器的输出结果反向输入精修复网络，得到训练好的精修复网络；

步骤二：微调：将步骤一得到的训练好的精修复网络中的编码器与随机初始化的解码器结合，得到分割网络；对第二原始医学图像集经过人工标注得到分割数据集；将分割数据集输入分割网络，输出分割结果，并将分割结果与分割数据集中的标注一起反向输入分割网络训练，得到训练好的分割网络；

步骤三：采用半监督学习算法进行自训练：将步骤二得到的训练好的分割网络作为教师模型，采用教师模型对步骤一中的第一原始医学图像集生成伪标签，并将伪标签与分割数据集结合得到新的训练集；以随机初始化的分割网络作为学生模型，将新的训练集进行数据增强并输入学生模型进行训练，得到训练好的学生模型。

步骤四：将待分割的医学图像输入到步骤三训练好的学生模型，得到图像分割结果。

2.如权利要求1所述的基于半监督学习的医学图像分割方法，其特征在于，所述步骤一中，所述粗修复网络采用门控卷积。

3.如权利要求1所述的基于半监督学习的医学图像分割方法，其特征在于，所述步骤一中，所述精修复网络使用深度学习分割网络。

4.如权利要求1所述的基于半监督学习的医学图像分割方法，其特征在于，所述步骤二中，训练分割网络时，取Dice损失与二维交叉熵损失的加权和L＝αl_dice+(1-α)l_BCE作为最终损失函数，其中α＝0.5。

5.如权利要求1所述的基于半监督学习的医学图像分割方法，其特征在于，所述步骤三中，所述学生模型采用深度学习分割网络。

6.如权利要求1所述的基于半监督学习的医学图像分割方法，其特征在于，所述步骤三中，所述半监督学习算法采用ST++算法、Mean Teacher或Noisy Student。