【技术实现步骤摘要】
本专利技术属于医学图像处理领域，具体涉及一种基于单循环正则化的半监督医学图像分割方法。
技术介绍
1、在现代医学诊断过程中医学图像起着越来越重要的作用，医护人员在进行诊断和治疗时医学图像能够反映人体内部结构，反映有关病变和损伤的详细情况，帮助医生进行进一步的疾病的诊断和分析。现有的研究表明，利用大量的有标注数据及现有的图像分割算法就可以获得良好的分割效果；但在医学图像处理领域，往往获取大量有标注医学图像数据非常昂贵且耗时，所以只使用少量有标签数据与大量无标签数据的半监督医学图像分割具有重要的实际意义和应用价值，它通过提取无标签图像中的信息降低了对人工标记数据的需求量，并且这些信息还可以提高模型的泛化能力和准确性。同时，还可以结合其他技术如数据增强、迁移学习等来进一步提高模型的性能。半监督医学图像分割在医学图像处理领域具有广泛的应用前景，可以应用于疾病诊断、手术导航、医学研究等多个方面。
2、目前主流的半监督医学图像分割主要采用的是利用深度学习模型以及伪标签、一致性学习、迁移学习等方法来学习无标签图像的特征，同时需要避免模型的错误预测所带来的干扰，通过半监督医学图像分割方法来可进一步提高模型在只有少量有标签图像的情况下的泛化能力和准确性。
技术实现思路
1、针对现有技术存在的不足，本专利技术提出了一种基于单循环正则化的半监督医学图像分割方法，该方法包括：获取待预测的医学图像，并将其输入到训练好的医学图像分割模型中，得到医学图像分割结果；
2、医学图像分割模型的
3、s1：获取医学图像数据集并对其进行预处理，得到预处理好的医学图像；其中，医学图像包括有标签图像和无标签图像；
4、s2：采用并行的多个子网络对有标签图像进行学习，每个子网络输出各自的图像分割结果；计算医学图像分割模型的有监督损失；
5、s3：采用单循环一致性正则化使得各子网络之间共享学习到的信息，计算医学图像分割模型的正则化损失；
6、s4：根据每个子网络输出的图像分割结果，采用伪标签竞争机制选择各子网络的伪标签；
7、s5：各子网络使用伪标签对无标签图像进行学习，计算医学图像分割模型的无监督损失；
8、s6：根据有监督损失、正则化损失和无监督损失计算模型总损失；根据模型总损失调整模型参数，得到训练好的医学图像分割模型。
9、进一步的，对医学图像进行预处理的过程包括：
10、将有标签图像和其标签分别调整大小至256×256×3与256×256×1；
11、将无标签图像调整大小至256×256×3；
12、随机从亮度调节、对比度调节、高斯模糊、随机裁剪中选择一种图像增强方式对所有医学图像进行处理，得到预处理好的医学图像。
13、优选的，计算医学图像分割模型的有监督损失的公式为：
14、
15、其中，lsup表示医学图像分割模型的有监督损失，表示子网络i的有监督损失，α表示第一权重系数，ldice表示dice损失，lce表示交叉熵损失，fi(x)表示子网络i对输入图像x的图像分割结果，y表示输入图像x的标签，n表示子网络数量。
16、优选的，计算医学图像分割模型的正则化损失的公式为：
17、
18、其中，lcon表示医学图像分割模型的正则化损失，表示子网络i的正则化损失，α表示第一权重系数，ldice表示dice损失，lce表示交叉熵损失，fi(x)表示子网络i对输入图像x的图像分割结果，fi(x)表示子网络i对输入图像x的图像分割结果，n表示子网络数量。
19、优选的，选择各子网络的伪标签的过程包括：将当前最好子网络输出的图像分割结果作为其余子网络的伪标签，将次优子网络输出的图像分割结果作为最好的子网络的伪标签；其中，有监督损失越小，子网络越好。
20、优选的，计算医学图像分割模型的无监督损失的过程包括：
21、计算除最好子网络外的其余子网络的无监督损失之和
22、
23、计算最好子网络的无监督损失
24、
25、其中，其中，β表示第二权重系数，ldice表示dice损失，lmse表示均方误差损失，fi(x)表示子网络i对输入图像x的图像分割结果，表示子网络b1对输入图像x的图像分割结果，b1表示最好子网络的标号，表示子网络b2对输入图像x的图像分割结果，b2表示次优子网络的标号；
26、根据和计算医学图像分割模型的无监督损失。
27、进一步的，计算医学图像分割模型的无监督损失的公式为：
28、
29、其中，lunsup表示医学图像分割模型的无监督损失，σ表示sigmoid函数，
30、表示子网络b1的有监督损失，表示子网络b2的有监督损失。
31、优选的，计算模型总损失的公式为：
32、l＝lsup+λj(lcon+lunsup)
33、
34、其中，l表示模型总损失，lsup表示医学图像分割模型的有监督损失，lcon表示医学图像分割模型的正则化损失，lunsup表示医学图像分割模型的无监督损失，λj表示第j轮次训练时的第三权重，epoch表示总训练轮次。
35、本专利技术的有益效果为：本专利技术通过采用多个子网络集成方式的同时使用设计的单循环一致性正则化模块进行特征提取和信息融合，进一步提升模型性能；本专利技术设计的竞争式伪标签生成机制可以在更进一步从无标签图像中提取信息的同时避免由于长期学习单一子网络输出产生的错误对最终结果所造成的影响；本专利技术可以更好的从无标签图像中提取相关知识，并避免噪声所带来的影响，提升图像分割的准确性。
本文档来自技高网...【技术保护点】
1.一种基于单循环正则化的半监督医学图像分割方法，其特征在于，包括：获取待预测的医学图像，并将其输入到训练好的医学图像分割模型中，得到医学图像分割结果；
2.根据权利要求1所述的一种基于单循环正则化的半监督医学图像分割方法，其特征在于，对医学图像进行预处理的过程包括：
3.根据权利要求1所述的一种基于单循环正则化的半监督医学图像分割方法，其特征在于，计算医学图像分割模型的有监督损失的公式为：
4.根据权利要求1所述的一种基于单循环正则化的半监督医学图像分割方法，其特征在于，计算医学图像分割模型的正则化损失的公式为：
5.根据权利要求1所述的一种基于单循环正则化的半监督医学图像分割方法，其特征在于，选择各子网络的伪标签的过程包括：将当前最好子网络输出的图像分割结果作为其余子网络的伪标签，将次优子网络输出的图像分割结果作为最好的子网络的伪标签；其中，有监督损失越小，子网络越好。
6.根据权利要求1所述的一种基于单循环正则化的半监督医学图像分割方法，其特征在于，计算医学图像分割模型的无监督损失的过程包括：
7.根据
8.根据权利要求1所述的一种基于单循环正则化的半监督医学图像分割方法，其特征在于，计算模型总损失的公式为：
...【技术特征摘要】
1.一种基于单循环正则化的半监督医学图像分割方法，其特征在于，包括：获取待预测的医学图像，并将其输入到训练好的医学图像分割模型中，得到医学图像分割结果；
2.根据权利要求1所述的一种基于单循环正则化的半监督医学图像分割方法，其特征在于，对医学图像进行预处理的过程包括：
3.根据权利要求1所述的一种基于单循环正则化的半监督医学图像分割方法，其特征在于，计算医学图像分割模型的有监督损失的公式为：
4.根据权利要求1所述的一种基于单循环正则化的半监督医学图像分割方法，其特征在于，计算医学图像分割模型的正则化损失的公式为：
5.根据权利要求1所述的一种基于单循环正则化的...
【专利技术属性】
技术研发人员：孙开伟，江操正，邹运生，田蜜，
申请(专利权)人：重庆邮电大学，
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。