[发明专利]一种基于一致性损失函数的半监督医学图像分割方法

权利要求书

1.一种基于一致性损失函数的半监督医学图像分割方法，其特征在于，包括以下步骤：

步骤1：预处理医学图像数据集，划分为训练集和测试集；其中，训练集中包含有标注图像和无标注图像；对训练集进行数据增强；

步骤2：初始化学生网络和教师网络的权值；学生网络和教师网络采用相同的网络结构，均包括一个UNet分支、一个频域分支和一个多粒度区域相似度分支，UNet分支由Encoder模块和Decoder模块组成，频域分支为FEM模块，多粒度区域相似度分支为MRSM模块，Encoder模块分别与Decoder模块、FEM模块连接，Decoder模块与MRSM模块连接；

FEM模块将输入的RGB特征通过离散余弦变换DCT变换到频域，然后将高频和低频分离，再增加位置编码并采用Transformer结构分别对频域中的高频和低频信息进行建模，然后拼接，最后经过Transformer结构后输出；

MRSM模块将输入的尺寸为的特征经过池化操作得到不同粒度的区域特征，其尺寸为，分别经过展开操作，变为二维矩阵后，进行相似度计算，输出得到的相似度矩阵，其大小；

步骤3：从训练集中随机挑选有标注图像和无标注图像，输入学生网络和教师网络，前向传播；

步骤4：计算前向传播损失，损失函数如下：

，

其中，是监督损失，是频域一致性损失，是多粒度区域相似度一致性损失，是预测结果损失，是系数；

有标注图像输入学生网络，计算前向传播的损失；无标注图像同时输入学生网络和教师网络，计算前向传播的损失、和；

通过交叉熵损失计算，和通过平方差损失实现；

=-y log p，其中，p是学生网络UNet分支的预测结果，y是学生网络UNet分支的标注结果；

，其中，是无标注图像， 是无标签数据，是教师网络频域分支的预测结果，是学生网络频域分支的预测结果；

，其中，分别是教师网络和学生网络的多粒度区域相似度分支的输出结果，G是不同粒度的总数；

，其中，分别是教师网络和学生网络的UNet分支的预测结果；

步骤5：对步骤3中挑选的有标注图像和无标注图像中的每一个样本，计算各自的梯度信息；

步骤6：损失层的梯度反向传播，更新学生网络的权值；再根据学生网络的权值更新教师网络的权值；

步骤7：如果学生网络未收敛，或者是未达到最大迭代次数，返回步骤3；否则学生网络训练结束；

步骤8：利用学生网络对测试集上的无标注图像进行分割，根据分割结果，计算分割指标。

2.如权利要求1所述的一种基于一致性损失函数的半监督医学图像分割方法，其特征在于，步骤1中，对训练集进行数据增强采用随机裁剪、随机旋转的方式；训练集中的图像大小是512´512像素。

3.如权利要求1所述的一种基于一致性损失函数的半监督医学图像分割方法，其特征在于，步骤1中，训练集中，有标注图像的数量占10%，无标注图像的数量占90%。

4.如权利要求1所述的一种基于一致性损失函数的半监督医学图像分割方法，其特征在于，步骤3中，从训练集中随机挑选的有标注图像和无标注图像的数量相等。

5.如权利要求1所述的一种基于一致性损失函数的半监督医学图像分割方法，其特征在于，步骤6中，，

其中，是t时刻教师网络的权重，是t-1时刻教师网络的权重，是系数，是t时刻学生网络的权重。