【技术实现步骤摘要】
本专利技术涉及医学图像分割，具体而言，涉及一种超声图像分割模型训练方法、超声图像分割方法、电子设备及存储介质。
技术介绍
1、甲状腺结节是指甲状腺内出现的实体或囊性病变，临床上相当常见。超声检查是检测甲状腺结节的主要手段，因其无创性、操作简便和高灵敏度而被广泛应用，通过超声检查获取超声图像，再采用自动化分割技术对超声图像进行分割。
2、现有的分割技术采用基于监督学习的算法，但是，监督学习高度依赖大量标注数据的支持，这些标注数据通常需要由经验丰富的临床医生进行手动标注，既耗时又费力。
3、因此，现有技术采用了半监督学习的方法来解决上述问题，半监督学习方法包括基于一致性学习的方法以及基于伪标签生成的方法。基于一致性学习的方法是约束同一超声图像在不同扰动下的预测一致性。此方法通常采用两个不同权重的模型实现训练框架。
4、然而，由于超声图像目标与背景之间的相似度较高，以及目标的边界不清晰等特点。在像素级别执行一致性约束的方法通常会产生较差的分割轮廓以及背景误分割的问题，无法充分捕捉到微小但关键的结构差异。
技术实现思路
1、有鉴于此，本专利技术实施例的目的在于，提供一种超声图像分割模型训练方法、超声图像分割方法、电子设备及存储介质以至少部分地改善上述问题。
2、为了实现上述目的，本专利技术实施例采用的技术方案如下：
3、第一方面，本专利技术实施例提供了一种超声图像分割模型训练方法，所述方法包括：
4、获取有标注原始超声
5、对所述有标注原始超声图像进行强扰动，得到多张有标注强扰动图像；对所述无标注原始超声图像分别进行强扰动和弱扰动，得到多张无标注强扰动图像以及多张无标注弱扰动图像；
6、将各所述有标注强扰动图像以及各所述无标注强扰动图像分别输入学生分割网络，分别得到多个对应的有标注学生预测结果以及多个对应的无标注学生预测结果；将各所述无标注弱扰动图像输入教师分割网络，得到多个对应的无标注教师预测结果；
7、根据各所述有标注学生预测结果、各所述真实标注、各所述无标注学生预测结果以及各所述无标注教师预测结果，计算出像素级监督损失信息以及像素级一致性损失信息；
8、根据各所述有标注学生预测结果、所述真实标注、各所述无标注学生预测结果、各所述无标注教师预测结果、所述有标注原始超声图像以及所述无标注原始超声图像，计算出感知级监督损失信息以及感知级一致性损失信息；
9、根据所述像素级监督损失信息、所述像素级一致性损失信息、所述感知级监督损失信息以及所述感知级一致性损失信息，计算得到总损失信息；
10、根据所述总损失信息对所述学生分割网络的参数进行迭代优化，根据更新后的学生分割网络的参数对所述教师分割网络进行迭代优化，并将优化后的教师分割网络作为超声图像分割模型。
11、可选地，所述根据各所述有标注学生预测结果、所述真实标注、各所述无标注学生预测结果、各所述无标注教师预测结果、所述有标注原始超声图像以及所述无标注原始超声图像，计算出感知级监督损失信息以及感知级一致性损失信息，包括：
12、将所述有标注原始超声图像分别与所述有标注学生预测结果和所述真实标注进行矩阵相乘，分别得到有标注学生掩码图像以及有标注真实掩码图像；
13、将所述无标注原始超声图像分别与所述无标注学生预测结果和所述无标注教师预测结果进行矩阵相乘，得到无标注学生掩码图像以及无标注教师掩码图像；
14、将所述有标注学生掩码图像以及所述有标注真实掩码图像分别输入第一特征提取器，计算出感知级监督损失信息；
15、将所述无标注学生掩码图像以及所述无标注教师掩码图像分别输入第二特征提取器，计算出感知级一致性损失信息。
16、可选地，所述第一特征提取器包括多层第一卷积层，所述将所述有标注学生掩码图像以及所述有标注真实掩码图像分别输入第一特征提取器，计算出感知级监督损失信息，包括：
17、将所述有标注学生掩码图像以及所述有标注真实掩码图像分别输入第一特征提取器，经过每层所述第一卷积层，计算出每层所述第一卷积层的子感知信息；所述子感知信息的计算公式为：
18、φi(i)＝relu(wi*relu(wi-1*…relu(w1*i+b1)…+bi-1)+bi)
19、其中，i为所述有标注学生掩码图像或所述有标注真实掩码图像，wi为第i层所述第一卷积层的卷积核，bi为第i层所述第一卷积层的偏置，*为卷积操作；
20、根据各所述子感知信息，计算出所述感知级监督损失信息；所述感知级监督损失信息的计算公式为：
21、
22、其中，igs为所述有标注学生掩码图像，φi(igs)为所述有标注学生掩码图像对应的每层所述第一卷积层的子感知信息，igt为所述有标注真实掩码图像，φi(igt)为所述有标注真实掩码图像对应的每层所述第一卷积层的子感知信息。
23、可选地，所述第二特征提取器包括多层第二卷积层，所述将所述无标注学生掩码图像以及所述无标注教师掩码图像分别输入第二特征提取器，计算出感知级一致性损失信息，包括：
24、将所述无标注学生掩码图像以及所述无标注教师掩码图像分别输入第二特征提取器，经过每层所述第二卷积层，得到多个第一学生特征图以及多个第一教师特征图；
25、对各所述第一学生特征图以及各所述第一教师特征图上采样进行特征对齐，得到多个空间尺寸一致的第二学生特征图以及第二教师特征图；
26、将各所述第二学生特征图以及各所述第二教师特征图分别进行特征融合，分别得到第三学生特征图以及第三教师特征图；
27、根据所述第三学生特征图以及所述第三教师特征图，计算出感知级一致性损失信息；所述感知级一致性损失信息的计算公式为：
28、l2＝∥φ(is)-φ(it)∥2
29、其中，is为所述第三学生特征图，it为所述第三教师特征图，φ公式表达为：
30、φ(i)＝conv(u(l1(i)),u(l2(l1(i))),...,u(ln(ln-1(...l1(i)...))))
31、其中，i为输入的图像，u为上采样操作，conv为1×1的卷积操作，ln为第n层所述第二卷积层。
32、可选地，所述根据各所述有标注学生预测结果、各所述真实标注、各所述无标注学生预测结果以及各所述无标注教师预测结果，计算出像素级监督损失信息以及像素级一致性损失信息，包括：
33、根据所述有标注学生预测结果以及所述真实标注，计算得到像素级监督损失信息；所述像素级监督损失信息包括交叉熵损失以及dice损失；
34、根据所述无标注学生预测结果以及所述无标注教师预测结果，计算得到像素级一致性损失信息；所述像素级一致性损失信息包括均方误差损失。
35、可选地，所本文档来自技高网...
【技术保护点】
1.一种超声图像分割模型训练方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述根据各所述有标注学生预测结果、所述真实标注、各所述无标注学生预测结果、各所述无标注教师预测结果、所述有标注原始超声图像以及所述无标注原始超声图像，计算出感知级监督损失信息以及感知级一致性损失信息，包括：
3.根据权利要求2所述的方法，其特征在于，所述第一特征提取器包括多层第一卷积层，所述将所述有标注学生掩码图像以及所述有标注真实掩码图像分别输入第一特征提取器，计算出感知级监督损失信息，包括：
4.根据权利要求2所述的方法，其特征在于，所述第二特征提取器包括多层第二卷积层，所述将所述无标注学生掩码图像以及所述无标注教师掩码图像分别输入第二特征提取器，计算出感知级一致性损失信息，包括：
5.根据权利要求1所述的方法，其特征在于，所述根据各所述有标注学生预测结果、各所述真实标注、各所述无标注学生预测结果以及各所述无标注教师预测结果，计算出像素级监督损失信息以及像素级一致性损失信息，包括：
6.根据权利要求1所述的方法，其
7.根据权利要求1所述的方法，其特征在于，所述强扰动包括瑞利噪声以及CutOut；所述弱扰动包括旋转、平移、缩放以及裁剪。
8.一种超声图像分割方法，其特征在于，所述方法包括：
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至7任一项和/或如权利要求8所述的方法。
10.一种存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求1至7任一项和/或如权利要求8所述的方法。
...【技术特征摘要】
1.一种超声图像分割模型训练方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述根据各所述有标注学生预测结果、所述真实标注、各所述无标注学生预测结果、各所述无标注教师预测结果、所述有标注原始超声图像以及所述无标注原始超声图像，计算出感知级监督损失信息以及感知级一致性损失信息，包括：
3.根据权利要求2所述的方法，其特征在于，所述第一特征提取器包括多层第一卷积层，所述将所述有标注学生掩码图像以及所述有标注真实掩码图像分别输入第一特征提取器，计算出感知级监督损失信息，包括：
4.根据权利要求2所述的方法，其特征在于，所述第二特征提取器包括多层第二卷积层，所述将所述无标注学生掩码图像以及所述无标注教师掩码图像分别输入第二特征提取器，计算出感知级一致性损失信息，包括：
5.根据权利要求1所述的方法，其特征在于，所述根据各所述有标注...
【专利技术属性】
技术研发人员：石一磊，胡敬良，牟立超，侯雨，陈咏虹，
申请(专利权)人：脉得智能科技无锡有限公司，
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。