[发明专利]基于增强伪标签机制的肺气管树的半监督分割方法及系统

权利要求书

1.一种基于增强伪标签机制的肺气管树的半监督分割方法，其特征在于，包括：

步骤S1：获取肺部医学影像，包括气管树标签图像，基于气管树标签图像以及气管树标签，通过半监督学习算法得到气管树伪标签图像；

步骤S2：使用增强网络优化气管树伪标签图像，得到中间预测伪标签图像；

步骤S3：使用最大连通域算法处理中间预测伪标签图像，得到第一特征伪标签图像，并对第一特征伪标签图像进行后期处理；

步骤S4：根据处理后的第一特征伪标签图像和气管树标签图像提取得到第二特征分支图像，基于第二特征分支图像及第二特征标签，通过半监督学习算法得到第二特征伪标签图像；

步骤S5：将中间预测伪标签图像、第一特征伪标签图像和第二特征伪标签图像进行合成，生成增强型伪标签图像。

2.根据权利要求1所述的基于增强伪标签机制的肺气管树的半监督分割方法，其特征在于，所述第一特征为主支气管，所述第二特征为毛细气管。

3.根据权利要求1所述的基于增强伪标签机制的肺气管树的半监督分割方法，其特征在于，使用增强网络并基于气管树标签图像对所述气管树伪标签图像进行优化，得到中间预测伪标签图像。

4.根据权利要求1所述的基于增强伪标签机制的肺气管树的半监督分割方法，其特征在于，对所述第一特征伪标签图像的后期处理包括：同时使用区域重建和连接残破气管的算法进行图像合成。

5.根据权利要求3所述的基于增强伪标签机制的肺气管树的半监督分割方法，其特征在于，所述区域重建算法为以图像中现有的气管结构为基础寻找周边与现气管特征相似的立体像素进行合成处理；

所述连接残破气管的算法为以图像中现有的气管结构为基础基于预测概率寻找相邻近似点进行整合。

6.根据权利要求1所述的基于增强伪标签机制的肺气管树的半监督分割方法，其特征在于，所述半监督学习算法采用mean teacher、UAMT或ICT中的任意一种。

7.根据权利要求1所述的基于增强伪标签机制的肺气管树的半监督分割方法，其特征在于，所述第二特征分支图像由第一特征伪标签图像和气管树标签图像进行空间域相减生成。

8.根据权利要求1所述的基于增强伪标签机制的肺气管树的半监督分割方法，其特征在于，所述第二特征分支图像采用下列公式提取：

ys＝max(ygt-ym*，0)，其中ys为第二特征分支图像，ygt是气管树标签图像，ym*是第一特征伪标签图像。

9.根据权利要求1所述的基于增强伪标签机制的肺气管树的半监督分割方法，其特征在于，所述增强型伪标签图像采用下列公式生成：

yref＝min(ys^hat+POST(ym*)+yf,1)，其中ys^hat是第二特征伪标签图像，POST(ym*)是后期处理过的第一特征伪标签图像，yf是中间预测伪标签图像。

10.一种基于增强伪标签机制的肺气管树的半监督分割方法，其特征在于，包括：

模块M1：获取肺部医学影像，包括气管树标签图像，基于气管树标签图像以及气管树标签，通过半监督学习算法得到气管树伪标签图像；

模块M2：使用增强网络优化气管树伪标签图像，得到中间预测伪标签图像；

模块M3：使用最大连通域算法处理中间预测伪标签图像，得到第一特征伪标签图像，并对第一特征伪标签图像进行后期处理；

模块M4：根据处理后的第一特征伪标签图像和气管树标签图像提取得到第二特征分支图像，基于第二特征分支图像及第二特征标签，通过半监督学习算法得到第二特征伪标签图像；

模块M5：将中间预测伪标签图像、第一特征伪标签图像和第二特征伪标签图像进行合成，生成增强型伪标签图像。