[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

说明书

本发明提供了一种基于一致性损失函数的半监督医学图像分割方法，属于神经网络技术领域，使用基于频域和多粒度相似度一致性约束来训练分割网络，通过利用有限标注样本和大量无标注样本来对医学图像进行高效地分割。根据频域和区域多粒度一致性约束，可以为无标注数据提供相应的监督信号，进而模型可以同时利用有标注和无标注数据训练模型，其中，频域一致性利用离散余弦变换将图像变换到频域；多尺度区域一致性可以利用区域一致性信息，可以为模型提供丰富的区域语义信息。本发明可减少全监督深度学习分割模型对标注数据的需求，从而减少90%标注成本，可以使得模型在有限标注样本的指导学习下利用大量无标注数据。

技术领域

本发明属于神经网络技术领域，特别涉及一种基于一致性损失函数的半监督医学图像分割方法。

背景技术

深度卷积神经网络作为一种深度学习模型，在图像分类、目标检测和目标分割等许多计算机视觉任务上都取得了最先进的性能。在许多实际应用程序中，收集足够的带注释的数据并不总是可行的，特别是对于基于像素的任务。因此，完全监督的设置在一定程度上阻碍了深度模型在许多临床应用中的部署。在临床实践中，有大量的未标记医学图像，如果能有效利用这些图像，深度模型对大规模标记数据的依赖就能得到解决。虽然已经有半监督分割算法来解决这些问题，这些研究显示了在不同任务中利用标记和未标记数据的良好性能。如申请公布号为CN114332135A的中国发明专利公开了一种基于双模型交互学习的半监督医学图像分割方法及装置，该方法在有效学习标签数据知识时引入交叉熵和DICE的监督约束。又如申请公布号为CN115359029A的中国发明专利公开了通过一种基于异构交叉伪监督网络的半监督医学图像分割方法，将HCPS网络模型中Unet与Swin-Unet组合进行交叉伪监督学习，提升网络的训练效率和分割效果。但仍然有以下两个问题需要考虑：第一，目前的方法主要集中在RGB域，而忽略了频域。仅利用RGB区域的感知能力识别潜在病变是一项极具挑战性的任务。因此，考虑频域信息可以为模型提供一个额外的视角来探索隐藏在频率空间中的丰富信息。其次，以往的方法大多注重像素级的一致性，缺乏区域级的语义一致性。因此，只关注像素级特征的方法最终会导致次优结果。针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本发明针对现有技术中存在的技术问题，提供一种基于一致性损失函数的半监督医学图像分割方法，可减少全监督深度学习分割模型对标注数据的需求，从而减少90%标注成本，可以使得模型在有限标注样本的指导学习下利用大量无标注数据。

本发明采用的技术方案是：一种基于一致性损失函数的半监督医学图像分割方法，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；

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；

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；