[发明专利]一种基于半监督学习的肺支气管分割方法

权利要求书

1.一种基于半监督学习的肺支气管分割方法，其特征在于，包括以下步骤：

步骤1、收集肺部CT图像数据集，对部分数据集进行标注，得到部分标注的训练数据集；

步骤2、构建学生教师模型，学生模型和教师模型为两个结构相同的分割模型，教师模型参数通过学生模型训练参数指数平移平均法更新；教师模型估计每个目标预测的不确定性，学生模型通过利用教师模型的不确定性信息，从有意义和可靠的目标中学习；无标签数据集加入不同随机扰动后分别加入学生模型和教师模型进行一致性训练并得到一致性损失；

步骤3、将有标签的数据集加入随机扰动后输入学生模型进行有监督训练，并计算交叉熵损失，将计算所得交叉熵损失作为有监督损失；

步骤4、将学生模型的输出结果输入置信网络，无标签数据输入学生模型的分割结果和有标签数据的分割结果对置信网络进行训练，并得到置信损失；

步骤5、总损失为所述步骤2所得一致性损失，所述步骤3所得交叉熵损失及所述步骤4所得置信损失分别乘权重系数后的和，在训练总损失收敛时得到训练好的模型。

2.如权利要求1所述的基于半监督学习的肺支气管分割方法，其特征在于，所述步骤1，对数据集做数据预处理：首先将原始数据集及标签进行裁剪，保留肺支气管所在区域；然后对数据集做数据增强。

3.如权利要求1所述的基于半监督学习的肺支气管分割方法，其特征在于，所述分割模型包括3DU-Net，V-Net，nnU-Net。

4.如权利要求1所述的基于半监督学习的肺支气管分割方法，其特征在于，所述步骤2，教师模型通过计算输入中的每个体素的预测熵作为近似不确定性的度量。

5.如权利要求1所述的基于半监督学习的肺支气管分割方法，其特征在于，所述步骤2，得到教师模型对每个体素点预测的不确定性，筛选后，学生模型向不确定度低的体素点进行学习。

6.如权利要求1所述的基于半监督学习的肺支气管分割方法，其特征在于，所述随机扰动为对数据集加入高斯随机噪声。

7.如权利要求1所述的基于半监督学习的肺支气管分割方法，其特征在于，所述置信网络包括输入层，隐藏层，输出层。

8.如权利要求7所述的基于半监督学习的肺支气管分割方法，其特征在于，所述输入层接收学生网络输出的分割结果。

9.如权利要求7所述的基于半监督学习的肺支气管分割方法，其特征在于，所述隐藏层包括卷积层，激活函数和池化层，卷积层通过卷积操作来提取输入数据的特征，并通过激活函数和池化层来进一步提取和压缩特征。

10.如权利要求7所述的基于半监督学习的肺支气管分割方法，其特征在于，所述输出层接收从隐藏层重构的数据，并输出模型的预测结果。