[发明专利]一种基于不确定性的半监督OCT图像视网膜分割方法

权利要求书

1.一种基于不确定性的半监督OCT图像视网膜分割方法，其特征在于包括以下步骤：

S1、将OCT图像数据集划分为训练集和测试集；

训练集和测试集图像，通过裁剪、调整比例以及统一数据尺寸进行数据预处理，然后将训练集输入模型进行训练；

S2、对于有标签数据，通过第一网络得到的特征图，经过提取得到注意力图，然后再次送入第一网络和第二网络中进行训练；

S21、将有标签数据输入第一网络和第二网络，然后与对应的标签用Dice函数计算第一监督损失；

S22、选取经过第一网络四次下采样之后得到的特征图，采用降维操作生成多个注意力图，然后随机选取一个注意力图；

S23、在步骤S22选取的注意力图上，随机生成多个正方形的黑色遮挡区域，并叠加在原图上，得到增强后的图片；

S24、将增强后的图片输入到第一网络和第二网络，然后与对应的标签利用Dice函数计算第二监督损失；

综合第一监督损失和第二监督损失，得到总的有监督损失函数；

S3、对于无标签数据，采用第一网络和第二网络的交叉监督，并辅以不确定性指导；

S31、将无标签数据输入第一网络和第二网络，得到图像分割概率图，然后基于阈值对图像分割概率图进行二值化，得到对应的图像分割掩码；

S32、第一网络和第二网络开启dropout功能，随机前向预测多次，得到多个图像分割概率图；

计算平均概率图，然后使用信息熵计算公式，计算对应的不确定性图；

S33、不确定性图结合MSE函数，指导第二网络的图像分割掩码与第一网络的图像分割概率图、第一网络的图像分割掩码与第二网络的图像分割概率图，计算得到加权不确定性损失；

S4、通过第一网络得到多尺度的特征与不确定性图，一同送入不确定性修复模块，得到修复后的伪标签再去监督第一网络的输出，计算加权不确定性修复损失；

S41、第一网络的解码器阶段，每个阶段经过反卷积网络上采样到与下一阶段相同维度后拼接，得到多尺度特征图；

S42、将第一网络的不确定性图与多尺度特征图输入不确定性修复模块，得到边界更清晰的修复后的伪标签；

S43、使用Dice函数计算伪标签，监督经步骤S31得到的分割概率图，并计算得到加权不确定性修复损失；

S5、每轮迭代之后在测试集上测试结果，得到分割后的OCT图像，测试指标为Dice系数，当前Dice系数高于上一轮迭代的结果时，保存模型参数；

所述第一网络为U-net网络模型，第二网络为Swin-Unet网络模型。

2.根据权利要求1所述一种基于不确定性的半监督OCT图像视网膜分割方法，其特征在于：步骤S1所述训练集由10%的有标签图像和90%无标签图像组成。

3.根据权利要求1所述一种基于不确定性的半监督OCT图像视网膜分割方法，其特征在于：步骤S4所述不确定性修复模块是由三层相同结构的卷积层和池化层，以及只有卷积层的第四层组成；

卷积层是由3x3卷积核构成，池化层是由3x3的核构成，并且采用残差结构，除第一层外每层的输入为前一层的输出和输入拼接，每层的输入通过一层3x3卷积层经过归一化层和Relu激活函数提取图像特征，再通过3x3的最大池化层对图像进行压缩，经过多次反复操作之后得到边界更清晰的图像分割掩码。

4.根据权利要求1所述一种基于不确定性的半监督OCT图像视网膜分割方法，其特征在于：步骤S22按照每个注意力图自身的均值，与所有注意力图自身均值之和的比值，作为抽样概率，选取出一个注意力图。

5.根据权利要求1所述一种基于不确定性的半监督OCT图像视网膜分割方法，其特征在于：步骤S32随机前向预测多次，每次都随机对输入数据加入随机噪声。