【技术实现步骤摘要】
本专利技术属于图像分割，具体涉及一种基于平均教师的半监督胚胎图像细胞碎片分割方法。
技术介绍
1、随着深度学习半监督技术的不断发展，深度学习半监督技术已大量应用于医学图像分割，并取得诸多技术成果。具体可分为两类：
2、1)基于伪标签的半监督图像分割。xiao等人提出了一种空间自注意力网络用于半监督少样本学习，在模型中添加了一个信任模块，从模型输出中重新评估伪标签，并设置一个阈值来选择高置信度值。yao等人提出了一种置信度感知的交叉伪监督网络，提高了来自未知分布的未标记图像的伪标签质量。shi等人提出了一种保守激进网络，通过调节模型对前景与背景的敏感程度，训练对前景与背景的敏感程度不同的两个模型，实现对伪标签进行细化。zahng等人通过一个误差分割网络和主分割网络对未标记数据的分割结果进行校正，提出了一种双纠错方法来寻找高质量的伪标签并促进有效的自我训练，并采用误差预测网络对伪标签进行细化。
3、2)基于无监督正则化的半监督图像分割。ke等人使用交叉伪监督架构，通过使用具有相同结构但初始化不同的两个分割网络进一步执行网络扰动，并强制扰动网络的预测之间的一致性。french等人使用均值教师架构将随机增广的未标记图像被送入两个结构相同的网络，一个是学生网络一个是教师网络，学生网络权重通过梯度下降更新，教师网络的权重依靠学生网络的权重通过滑动指数平均的方法进行更新，并将学生网络预测的预测结果与教师网络预测的预测结果对齐。wang等人将多任务学习注入均值教师架构，其中包含分割任务、重建任务和sdf预测任务，从而使模
4、现有的基于无监督正则化的半监督图像分割技术主要存在以下问题：首先，这些技术大多依赖于图像的强增强与弱增强来产生图像间的差异，达到无监督正则化的效果，但这种方法在灰度图像如胚胎图像分割上的效果通常较差，主要是因为这些图像的色彩不鲜明且纹理不清晰。其次，虽然许多研究采用均值教师模型来改进半监督医学图像分割，强调教师模型与学生模型输出的一致性以提升性能，但教师模型的准确性至关重要，直接影响学生模型的学习效果。此外，虽然采用不确定性度量能够提升模型准确性，但现有方法在计算不确定性时通常采用简单平均，忽略了不同结果间的特殊性。
技术实现思路
1、为了解决上述技术问题，本专利技术提供一种基于平均教师的半监督胚胎图像细胞碎片分割方法。
2、本专利技术解决上述技术问题的技术方案是：一种基于平均教师的半监督胚胎图像细胞碎片分割方法，包括以下步骤：
3、步骤s1，收集带有胚胎碎片的胚胎图像数据集，包括像素级标注图像，图像级标注图像，无标注图像；
4、步骤s2，选择or-net分类网络作为图像分类模型f,使用带有图像级标签的数据集对模型f进行监督训练，得到分类概率，且进一步结合对应图像标签以计算出监督型分类损失；
5、步骤s3，将分类模型f输出的浅层特征图f与对应权重w生成cam:
6、cam＝bn(conv(f,w)；
7、步骤s4，利用步骤s3生成的类激活映射图进行形状重建、归一化操作生成距离映射图v；
8、步骤s5，构建包括学生模型和教师模型的半监督图像分割网络；
9、步骤s6，使用带有像素级标签的数据集对学生模型ds进行监督训练，得到像素分类概率图，且进一步结合对应图像标签以计算出监督型分割损失；
10、步骤s7，在教师模型中应用蒙特卡罗dropout，利用dropout计算模型输出的不确定性，生成不确定性图；
11、步骤s8，将无标签数据集输入学生模型上生成像素预测概率图，结合步骤s4所生成的距离映射图v通过公式计算距离损失：
12、
13、u为无标注图像，其中v为距离映射图,取值范围为(0,1)，ps为学生模型生成像素预测概率图，取值范围为(0,1)，表示点乘；
14、将无标签数据集输入学生模型上生成像素预测概率图，结合步骤s7生成的教师模型最终预测结果pend通过公式计算一致性损失：
15、
16、其中n表示无标签图像数量；
17、将距离损失，一致性损失，结合步骤s6生成的监督型分割损失进行加权求和，作为模型的总损失函数，用于训练学生模型ds，来更新学生模型ds的权重θs，总损失函数l的公式如下：
18、ltotal＝ls+λ1(lcsl+ald)；
19、其中ls表示监督损失，lcsl表示一致性损失，ld表示距离损失，λ1为控制一致性损失与距离权重的超参数，本文使用时间相关的高斯预热函数(41)来控制监督损失和无监督损失之间的平衡，a为控制距离损失权重的超参数。
20、步骤s9，更新教师模型权重，教师模型dt的权重θt通过学生模型ds的权重θs使用指数移动平均(ema)的方法进行更新，如下所示
21、
22、表示当前时刻学生模型的网络参数，表示当前时刻教师模型的网络参数，表示上一时刻教师模型的网络参数。α是ema衰减控制更新率的系数；
23、步骤s10，重复步骤s6-s9，直至学生模型收敛；
24、步骤s11，将医院胚胎图像输入学生模型生成胚胎碎片的分割结果。
25、进一步的，所述步骤s2具体步骤为：将有标记的胚胎图像x输入到分类模型f中进行训练，并结合对应图像标签y通过公式计算监督型分类损失：
26、lc＝l(f(x,w),y)；
27、其中l(.)是一个标准的监督学习损失函数，w是分类模型权重。
28、进一步的，所述步骤s3中将生成的cam进行细化处理，通过事先设定的背景和目标阈值来进行像素划分，低于设定的背景阈值的像素点值设为0，目标类阈值设为255，对同一个胚胎内的若干张图像所生成的类别激活映射图使用取交集的操作将多张类别激活映射图进行融合成一张类别激活映射图；
29、
30、n表示同一患者相邻时间内胚胎图像的数量。
31、4.根据权利要求1所述的基于平均教师的半监督胚胎图像细胞碎片分割方法，其特征在于，所述步骤s4具体为使用公式对类激活映射图进行重建生成符号距离图c；
32、
33、其中，p和q是类激活图中的两个不同像素，||p-q||2表示p和q之间的欧几里得距离，s表示目标轮廓，sin，sex并分别表示内部区域和外部区域；
34、对上一步的结果使用公式进行归一化：
35、
36、其中，o是符号距离图中的一个像素，omax，omin代表有符号距离图上的最大和最小像素值，σ是一个超参数。
37、进一步的，所述步骤s6中对于有标记的胚胎图像x输入到学生模型ds中进行训练，并结合对应图像标签y通过公式计算监督型分类损失：
38、ls＝l(ds(x,θs),y)；
39、其中l(.)是一个标准的本文档来自技高网...
【技术保护点】
1.一种基于平均教师的半监督胚胎图像细胞碎片分割方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于平均教师的半监督胚胎图像细胞碎片分割方法，其特征在于，所述步骤S2具体步骤为：将有标记的胚胎图像X输入到分类模型F中进行训练，并结合对应图像标签Y通过公式计算监督型分类损失：
3.根据权利要求1所述的基于平均教师的半监督胚胎图像细胞碎片分割方法，其特征在于，所述步骤S3中将生成的CAM进行细化处理，通过事先设定的背景和目标阈值来进行像素划分，低于设定的背景阈值的像素点值设为0，目标类阈值设为255，对同一个胚胎内的若干张图像所生成的类别激活映射图使用取交集的操作将多张类别激活映射图进行融合成一张类别激活映射图；
4.根据权利要求1所述的基于平均教师的半监督胚胎图像细胞碎片分割方法，其特征在于，所述步骤S4具体为使用公式对类激活映射图进行重建生成符号距离图C；
5.根据权利要求1所述的基于平均教师的半监督胚胎图像细胞碎片分割方法，其特征在于，所述步骤S6中对于有标记的胚胎图像x输入到学生模型DS中进行训练，并结合对应图像标签y
6.根据权利要求1所述的基于平均教师的半监督胚胎图像细胞碎片分割方法，其特征在于，所述步骤S7具体步骤为，将无标签数据集输入到教授模型Dt中，使用蒙特卡罗Dropout进行K次前向传播，每次前向传播都会得到一个不同的分割结果。这样，对于每个像素位置，就有K个不同的预测结果其中θt为教师模型权重；
...【技术特征摘要】
1.一种基于平均教师的半监督胚胎图像细胞碎片分割方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于平均教师的半监督胚胎图像细胞碎片分割方法，其特征在于，所述步骤s2具体步骤为：将有标记的胚胎图像x输入到分类模型f中进行训练，并结合对应图像标签y通过公式计算监督型分类损失：
3.根据权利要求1所述的基于平均教师的半监督胚胎图像细胞碎片分割方法，其特征在于，所述步骤s3中将生成的cam进行细化处理，通过事先设定的背景和目标阈值来进行像素划分，低于设定的背景阈值的像素点值设为0，目标类阈值设为255，对同一个胚胎内的若干张图像所生成的类别激活映射图使用取交集的操作将多张类别激活映射图进行融合成一张类别激活映射图；
4...
【专利技术属性】
技术研发人员：汤红忠，罗海凡，黄向红，左振宇，张子坤，
申请(专利权)人：湘潭大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。