[发明专利]一种基于半监督学习的医学图像分割方法

说明书

本发明公开了一种半监督学习医学图像分割方法：步骤一：预训练；首先针对第一原始医学图像对精修复网络进行预训练；得到训练好的精修复网络；步骤二(微调)：将训练好的精修复网络中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；利用分割数据集对分割网络进行训练，得到训练好的分割网络；步骤三：利用训练好的分割网络作为教师模型进行自训练得到训练好的学生模型；步骤四：将待分割图像输入训练好的学生模型得到分割结果。本发明的方法利用容易获取的、大量的原始数据，解决了用于训练深度学习分割模型的标注数据不足导致分割准确性低的技术问题。

技术领域

本发明属于医学图像分割技术领域，涉及一种基于半监督学习的医学图像分割方法。

背景技术

本发明涉及到医学图像分割和半监督学习算法两个部分：

1)医学图像分割

近期对医学图像分割的研究主要集中在分割模型的改进上，CS-Net、CE-Net、MDACN等都注重于设计多尺度信息融合模块来提升医学图像分割性能。但是医学数据集不足的问题仍然制约着模型能力的进一步提升，在此背景下利用无标签数据的图像分割方法尚未提出。

CS-Net是通用的统一曲线结构分割网络，适用于不同的医学成像方式：光学相干断层扫描血管造影(OCT-A)，彩色眼底图像和角膜共聚焦显微图像(CCM)。该网络在编码器和解码器中加入了自我注意机制，取代了基于U-net的卷积神经网络。利用空间注意力和通道注意力两种类型的注意力模块，进一步自适应地将局部特征与其全局依赖关系相结合。

CE-Net是一种上下文编码器网络，可以捕获更多的高级信息，并为二维医学图像分割保留空间信息。CE-Net主要包含三个主要组件：特征编码器模块、上下文提取器和特征解码器模块。上下文提取模块由新提出的密集空洞卷积(DAC)块和剩余多核池(RMP)块组成。

MDACN是一种新的多鉴别器对抗卷积网络，其中生成器和两个鉴别器都强调多尺度特征表示。该生成器是一个U型的全卷积网络，具有多尺度拆分和拼接块，两种鉴别器具有不同的有效接收域，对不同尺度的特征敏感。

2)半监督学习算法

在现实医学场景中，无标签的数据相对易于获取，而有标签的数据收集起来通常很困难，标注也耗时和耗力。在这种情况下，半监督学习更适用于真实场景中的应用，近来也已成为深度学习领域热门的新方向，该方法只需要少量有带标签的样本和大量无标签的样本作为训练数据。

Mean Teacher是一种平均模型权重的方法，而不是平均预测标签权重。另外，Mean Teacher提高了测试的准确性，并使训练比时态集成更少的标签。

Uncertainty-Aware Self-Ensembling是一种新的不确定感知的半监督框架，用于从 3D MR图像中分割左心房。该方法可以通过鼓励在不同扰动下对相同输入的一致预测来有效地利用未标记数据。具体来说，该框架由学生模型和教师模型组成，学生模型通过最小化教师模型的分割损失和一致性损失来学习教师模型。本方法设计了一种新的不确定性感知方案，使学生模型能够利用不确定性信息逐步学习有意义的、可靠的目标。

Cross Pseudo Supervision是一种新的一致性正则化方法，称为交叉伪监督。该方法对相同的输入图像采用不同的初始化扰动，使两个分割网络具有一致性。由一个扰动分割网络输出的伪一热标签图，用标准的交叉熵损失监督另一个分割网络，反之亦然。