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：苏州大学

摘要：本发明涉及一种半监督医学图像分割方法，包括：通过输入数据对学生模型和教师模型训练，计算学生模型的监督损失和教师模型的确定性图；通过确定性图获得权重图，根据权重图计算教师模型监督学生模型的概率图；通过学生模型的监督损失、学生模型的预测概率图和教师模型监督学生模型的概率图计算一致性损失，获得优化的学生模型；通过学生模型的参数和教师模型的参数，更新教师模型；本发明实现了使用加权集成策略提高教师模型预测质量，促使学生模型可以从可靠的知识中学习；使用空间注意力机制增强分割网络特征表示能力，产生高质量的分割结果。

主权项：1.一种半监督医学图像分割方法，其特征在于，包括：将带有空间注意力机制的三维分割网络分别融合到学生模型和教师模型；通过输入数据对学生模型和教师模型训练，计算所述学生模型的监督损失和所述教师模型的确定性图；通过所述确定性图获得权重图，根据权重图计算所述教师模型监督所述学生模型的概率图；通过所述学生模型的监督损失、学生模型的预测概率图和所述教师模型监督学生模型的概率图计算一致性损失，获得优化的学生模型；通过所述学生模型的参数和所述教师模型的参数，更新所述教师模型；所述带有空间注意力机制的三维分割网络包括：编码器；所述编码器由多个下采样阶段组成，第一阶段通过第一卷积提取特征；将所述第一阶段的所述特征通过所述空间注意力机制自主学习不同空间位置的重要程度，获得特征图；将所述特征图通过第二卷积对所述特征图进行下采样；除所述第一阶段的其余阶段通过所述第一卷积提取特征，获得其余特征图；将所述其余特征图通过所述第二卷积对所述其余特征图进行下采样；解码器；所述解码器由多个上采样阶段组成，通过跳跃连接与所述编码器的相应维度的所述特征图融合；所述解码器通过线性插值对所述特征图进行逐步上采样，将所述编码器提取的所述特征恢复到输入维度；所述通过输入数据对学生模型和教师模型训练，计算所述学生模型的监督损失和所述教师模型的确定性图，包括：所述数据包括有标记数据和无标记数据；将所述有标记数据和所述无标记数据输入所述学生模型进行训练，通过所述有标记数据的标签和所述学生模型对输入的医学图像的预测概率图计算监督损失；通过将有标记数据和无标记数据输入所述教师模型进行训练，并通过Dropout随机失活随机前向传播多次，获得所述教师模型的分割结果；通过所述分割结果和预测熵计算不确定性图；通过所述不确定性图计算所述确定性图；所述有标记数据，如下式所示： 所述无标记数据，如下式所示： 所述计算监督损失，如下式所示： 所述分割结果，如下式所示： 所述不确定性图，如下式所示： 所述确定性图，如下式所示：Cij＝ln2-Uij式中：Cij为第i个医学图像第j次传播的确定性图；In2为每个体素的不确定性的最大值；Uij为教师模型对于图像Xi传播第j次预测的不确定性图；DL为有标记数据；Xi为输入的第i个医学图像；Yi为第i个医学图像对应的标签；A为有标记的数据的总数；DU为无标记数据；B为无标记图像的总数；为监督损失；为交叉熵损失；骰子损失；为学生模型对于Xi的预测概率图；为教师模型c类别第i个医学图像第j次传播的分割结果；T为传播次数；Uij为教师模型对于图像Xi预测的每一个不确定性图；通过所述确定性图获得权重图，具体为通过所述确定性图在传播次数的维度进行softmax获得权重图。

全文数据：

权利要求：

百度查询： 苏州大学 一种半监督医学图像分割方法