买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：合肥工业大学

摘要：本发明公开了一种基于数据增强和聚焦线性注意力的半监督医学图像分割方法，包括：1对包含标记数据集和无标记数据集的医学图像数据集进行数据增强；2构建基于改进的SwinTransformer网络的学生模型和教师模型；3将增强标记数据集与强增强无标签数据集分别划分成图像补丁后，输入学生模型进行处理，将弱增强无标签数据集划分图像补丁后，输入教师模型进行处理；4对增强标记数据集的预测结果作监督约束，并对强增强无标记数据集与弱增强无标记数据集的预测结果作一致性约束，得到更新的学生模型；5根据更新的学生模型完成对测试医学图像的分割预测。本发明能在医学图像分割掩码缺失的场景下，提高医学图像分割性能。

主权项：1.一种基于数据增强和聚焦线性注意力的半监督医学图像分割方法，其特征在于，是按照如下步骤进行：步骤1：对包含标记数据集和无标记数据集的医学图像数据集进行数据增强：步骤1.1：给定医学图像数据集记作，其中，与分别表示所述医学图像数据集中标记数据集与无标记数据集，和分别表示所述标记数据集与无标记数据集的图像个数，和分别表示所述标记数据集中的第个标记图像样本与对应的真实分割掩码，、，表示所述无标记数据集中的第个无标记图像样本，，其中，、分别表示图像样本的长度和宽度；步骤1.2：对所述标记数据集中的每个图像样本分别以一定概率进行空间增强，得到增强标记数据集，其中，、分别表示所述增强标记数据集中第i个增强标记图像样本与对应的真实分割掩码；对所述无标记数据集中的每个图像样本分别以一定概率进行空间增强，得到弱增强无标记数据集，其中，表示所述弱增强无标记数据集中的第j个弱增强无标记图像样本；在所述无标记数据集中的每个图像样本以一定概率生成若干个随机大小的窗口，并对所有窗口进行像素点的随机交换，得到局部增强的无标记数据集，将所述局部增强的无标记数据集中的每个图像样本以一定概率生成若干个不同尺度的窗口，并将所有不同尺度的窗口融合成一个复杂形状的单窗口，再以一定概率保留复杂形状的单窗口内的图像区域，单窗口外的图像区域填充为零；在所述无标记数据集中的每个图像样本上未生成窗口的其他图像区域进行保留，而生成窗口的图像区域填充为零，从而得到强增强无标记数据集，其中，表示所述强增强无标记数据集中的第j个强增强无标记图像样本；步骤1.3：将所述无标记数据集均分为和，利用插值将中的第f个无标记图像样本和中的第g个无标记图像样本合并成一个无标记混合图像，其中，α是超参数，从而得到混合增强无标记数据集={}；步骤2：构建结构相同但参数不同的学生模型和教师模型，所述学生模型和教师模型均基于改进的SwinTransformer网络，并包括：改进的编码器、瓶颈层和改进的解码器；步骤3：将、和分别划分成图像补丁后，输入学生模型中处理，相应得到、和的预测分割掩码；步骤3.1：根据SwinTransformer网络的移动窗口机制，将所述增强有标记数据集中的第i个图像样本均匀分割为维度为的p个图像补丁，并利用卷积对所有图像补丁进行线性嵌入操作，得到维度是的线性嵌入后的p个图像补丁；步骤3.2：将的线性嵌入后的p个图像补丁输入学生模型中，并依次经过改进的编码器、瓶颈层和改进的解码器进行处理，得到第i个样本的预测分割掩码；步骤3.3：按照步骤3.1至步骤3.2的过程分别和进行处理，相应得到的预测分割掩码和的预测分割掩码；步骤4：按照步骤3.1的过程将、和划分图像补丁后，输入教师模型中，并按照步骤3.2的过程进行处理，相应得到、和的预测分割掩码，其中，的预测分割掩码为，和分割掩码分别为和；步骤5：以的预测分割掩码作为监督约束，并以、、、和的预测分割掩码作为一致性约束，对学生模型进行更新，从而得到更新后的学生模型；步骤6：利用更新后的学生模型完成对测试医学图像的分割预测。

全文数据：

权利要求：

百度查询： 合肥工业大学 基于数据增强和聚焦线性注意力的半监督医学图像分割方法