本技術(shù)涉及圖像分割領(lǐng)域，特別是涉及一種基于半監(jiān)督的醫(yī)學(xué)圖像分割方法、設(shè)備、介質(zhì)及產(chǎn)品。

背景技術(shù)：

1、圖像分割是計算機(jī)視覺領(lǐng)域經(jīng)典任務(wù)之一，近年來圖像分割在醫(yī)學(xué)圖像中的應(yīng)用成為了研究熱點(diǎn)。醫(yī)學(xué)圖像分割是將醫(yī)學(xué)圖像中的結(jié)構(gòu)或組織分離成不同的區(qū)域或?qū)ο?，從而進(jìn)行準(zhǔn)確的臨床分析和診斷。例如，肺部ct圖像中的病灶分割可以獲得病灶的形狀、大小、位置信息，為醫(yī)師診斷提供必要的數(shù)據(jù)支持。對血管進(jìn)行分割可以在介入手術(shù)或外科手術(shù)前幫助確定血管分布，為手術(shù)規(guī)劃提供重要信息。左心房圖像的分割可以定量分析尺寸和形態(tài)，檢測心臟中的異常結(jié)構(gòu)，評估心臟功能。

2、隨著神經(jīng)網(wǎng)絡(luò)快速發(fā)展，許多基于深度學(xué)習(xí)的方法被用于醫(yī)學(xué)圖像分割。然而，這些方法通常依賴大量標(biāo)注數(shù)據(jù)進(jìn)行訓(xùn)練。但不同于自然圖像，醫(yī)學(xué)圖像的標(biāo)注需要大量工作和專業(yè)知識，導(dǎo)致獲取醫(yī)學(xué)圖像的準(zhǔn)確標(biāo)簽極其困難。最近，半監(jiān)督學(xué)習(xí)通過利用有限的標(biāo)注數(shù)據(jù)作為監(jiān)督信號并進(jìn)一步挖掘大量未標(biāo)注數(shù)據(jù)中的潛在信息，為醫(yī)學(xué)圖像分割提供了新的思路。

3、現(xiàn)有的半監(jiān)督醫(yī)學(xué)圖像分割方法通?；趥螛?biāo)簽生成、一致性正則化和對比學(xué)習(xí)。偽標(biāo)簽生成的工作原理是模型先利用有限的標(biāo)注數(shù)據(jù)進(jìn)行訓(xùn)練，然后為未標(biāo)注的數(shù)據(jù)產(chǎn)生偽標(biāo)簽進(jìn)行自監(jiān)督訓(xùn)練。但這種方法可能會因?yàn)槟Ｐ蛿M合能力不足生成不準(zhǔn)確的偽標(biāo)簽，導(dǎo)致訓(xùn)練過程中錯誤積累，影響分割精度。為了解決這一問題，許多模型引入了不確定性估計，嘗試剔除偽標(biāo)簽中置信度較低的部分，提高監(jiān)督信號的質(zhì)量。一致性正則化是基于平滑性假設(shè)，即位于稠密數(shù)據(jù)區(qū)域的兩個距離很近的樣例的類標(biāo)簽相似，也就是說，當(dāng)兩個樣例被稠密數(shù)據(jù)區(qū)域中的邊連接時，它們在很大的概率下有相同的類標(biāo)簽。例如經(jīng)典的mean?teacher模型就是利用一致性正則化約束學(xué)術(shù)模型的輸出和帶有擾動的教師模型的輸出保持一致從而訓(xùn)練網(wǎng)絡(luò)。對比學(xué)習(xí)是通過比較不同樣本之間的相似性和差異性來進(jìn)行訓(xùn)練?，F(xiàn)有技術(shù)中利用對比損失和交叉熵?fù)p失進(jìn)行聯(lián)合訓(xùn)練，協(xié)同校準(zhǔn)模型輸出。盡管以上方法在半監(jiān)督分割領(lǐng)域取得了積極的成果，但仍然存在兩個關(guān)鍵問題：(1)在使用一致性正則化方法的模型中，大多只關(guān)注了圖像層面的一致性，也就是只對模型的輸出進(jìn)行一致性約束，忽略了特征層面約束的作用。(2)典型的對比學(xué)習(xí)在區(qū)分未標(biāo)注圖像中單個像素的正例和負(fù)例較為困難，且利用圖像正負(fù)例計算對比損失時會消耗大量計算資源。

4、綜上所述，目前的醫(yī)學(xué)圖像分割方法存在分割精度低和效率低的問題。

技術(shù)實(shí)現(xiàn)思路

1、本技術(shù)的目的是提供一種基于半監(jiān)督的醫(yī)學(xué)圖像分割方法、設(shè)備、介質(zhì)及產(chǎn)品，以提高醫(yī)學(xué)圖像的分割精度和分割效率。

2、為實(shí)現(xiàn)上述目的，本技術(shù)提供了如下方案：

3、第一方面，本技術(shù)提供了一種基于半監(jiān)督的醫(yī)學(xué)圖像分割方法，包括：

4、獲取待分割目標(biāo)醫(yī)學(xué)圖像；

5、根據(jù)所述待分割目標(biāo)醫(yī)學(xué)圖像，利用圖像分割模型，確定待分割目標(biāo)醫(yī)學(xué)圖像的分割結(jié)果；其中，所述圖像分割模型是利用訓(xùn)練數(shù)據(jù)集，結(jié)合相互一致性正則化、動態(tài)圖結(jié)構(gòu)一致性正則化和自對比學(xué)習(xí)，對圖卷積網(wǎng)絡(luò)進(jìn)行訓(xùn)練得到的；所述訓(xùn)練數(shù)據(jù)集包括有標(biāo)簽訓(xùn)練數(shù)據(jù)子集和無標(biāo)簽訓(xùn)練數(shù)據(jù)子集；所述有標(biāo)簽訓(xùn)練數(shù)據(jù)子集包括n張有標(biāo)簽原始圖像和對應(yīng)的標(biāo)簽；所述無標(biāo)簽訓(xùn)練數(shù)據(jù)子集包括m張無標(biāo)簽原始圖像；n<<m；所述圖卷積網(wǎng)絡(luò)包括一個編碼器和n個解碼器。

6、可選地，利用訓(xùn)練數(shù)據(jù)集，結(jié)合相互一致性正則化、動態(tài)圖結(jié)構(gòu)一致性正則化和自對比學(xué)習(xí)，對圖卷積網(wǎng)絡(luò)進(jìn)行訓(xùn)練，具體包括：

7、將有標(biāo)簽原始圖像輸入至當(dāng)前圖卷積網(wǎng)絡(luò)，得到第一概率圖；

8、將無標(biāo)簽原始圖像輸入至當(dāng)前圖卷積網(wǎng)絡(luò)，得到第二概率圖；

9、根據(jù)第一概率圖、第二概率圖以及對應(yīng)邊標(biāo)簽，利用總損失函數(shù)，確定總損失函數(shù)值；總損失函數(shù)是根據(jù)監(jiān)督損失函數(shù)、相互一致性正則化損失函數(shù)、動態(tài)圖結(jié)構(gòu)一致性正則化損失函數(shù)和自對比學(xué)習(xí)損失函數(shù)確定的；所述監(jiān)督損失函數(shù)由交叉熵?fù)p失和dice損失構(gòu)成；自對比學(xué)習(xí)損失函數(shù)是根據(jù)圖像級對比損失函數(shù)和像素級對比損失函數(shù)確定的；

10、判斷是否達(dá)到最大迭代次數(shù)；

11、若是，則將最小總損失函數(shù)值對應(yīng)的圖卷積網(wǎng)絡(luò)作為圖像分割模型；

12、若否，則根據(jù)總損失函數(shù)值調(diào)節(jié)當(dāng)前圖卷積網(wǎng)絡(luò)的網(wǎng)絡(luò)參數(shù)，并返回“將有標(biāo)簽原始圖像輸入至當(dāng)前圖卷積網(wǎng)絡(luò)，得到第一概率圖”。

13、可選地，根據(jù)第一概率圖、第二概率圖以及對應(yīng)邊標(biāo)簽，利用總損失函數(shù)，確定總損失函數(shù)值，具體包括：

14、根據(jù)第一概率圖和對應(yīng)的標(biāo)簽，利用監(jiān)督損失函數(shù)，確定監(jiān)督損失值；

15、根據(jù)第二概率圖，結(jié)合銳化函數(shù)，利用相互一致性正則化，確定相互一致性損失值；

16、對相鄰編碼器的最高層輸出的特征圖進(jìn)行動態(tài)圖結(jié)構(gòu)一致性正則化，確定特征級圖結(jié)構(gòu)一致性損失值；

17、根據(jù)第一概率圖進(jìn)行圖像級對比學(xué)習(xí)，確定圖像級對比損失值；

18、根據(jù)第二概率圖進(jìn)行像素級對比學(xué)習(xí)，確定像素級對比損失值；

19、根據(jù)監(jiān)督損失值、相互一致性損失值、特征級圖結(jié)構(gòu)一致性損失值、圖像級對比損失值和像素級對比損失值，利用總損失函數(shù)，確定總損失函數(shù)值。

20、可選地，動態(tài)圖結(jié)構(gòu)一致性正則化損失函數(shù)為：

21、

22、其中，為特征級圖結(jié)構(gòu)一致性損失值；fi為第i個解碼器進(jìn)行動態(tài)圖結(jié)構(gòu)一致性正則化后的特征圖；fj為第j個解碼器進(jìn)行動態(tài)圖結(jié)構(gòu)一致性正則化后的特征圖；n為解碼器個數(shù)。

23、可選地，自對比學(xué)習(xí)損失函數(shù)為：

24、

25、其中，為自對比學(xué)習(xí)損失值；為圖像級對比損失值；為像素級對比損失值。

26、可選地，圖像級對比損失函數(shù)為：

27、

28、其中，q為第一投影特征圖；ki為第i個第二投影特征圖；τ為可調(diào)節(jié)的溫度系數(shù)；m為負(fù)例k的總數(shù)。

29、可選地，像素級對比損失函數(shù)為：

30、

31、其中，sim()為余弦相似度函數(shù)；qe為第三投影特征圖中的像素；為第四投影特征圖中的正樣本；τ為可調(diào)節(jié)的溫度系數(shù)；為第四投影特征圖中的負(fù)樣本。

32、第二方面，本技術(shù)提供了一種計算機(jī)設(shè)備，包括：存儲器、處理器以存儲在存儲器上并可在處理器上運(yùn)行的計算機(jī)程序，所述處理器執(zhí)行所述計算機(jī)程序以實(shí)現(xiàn)上述中任一項(xiàng)所述的基于半監(jiān)督的醫(yī)學(xué)圖像分割方法。

33、第三方面，本技術(shù)提供了一種計算機(jī)可讀存儲介質(zhì)，其上存儲有計算機(jī)程序，該計算機(jī)程序被處理器執(zhí)行時實(shí)現(xiàn)上述中任一項(xiàng)所述的基于半監(jiān)督的醫(yī)學(xué)圖像分割方法。

34、第四方面，本技術(shù)提供了一種計算機(jī)程序產(chǎn)品，包括計算機(jī)程序，該計算機(jī)程序被處理器執(zhí)行時實(shí)現(xiàn)上述中任一項(xiàng)所述的基于半監(jiān)督的醫(yī)學(xué)圖像分割方法。

35、根據(jù)本技術(shù)提供的具體實(shí)施例，本技術(shù)公開了以下技術(shù)效果：

36、本技術(shù)提供了一種基于半監(jiān)督的醫(yī)學(xué)圖像分割方法、設(shè)備、介質(zhì)及產(chǎn)品，獲取待分割目標(biāo)醫(yī)學(xué)圖像。根據(jù)待分割目標(biāo)醫(yī)學(xué)圖像，利用圖像分割模型，確定待分割目標(biāo)醫(yī)學(xué)圖像的分割結(jié)果；其中，圖像分割模型是利用訓(xùn)練數(shù)據(jù)集，結(jié)合相互一致性正則化、動態(tài)圖結(jié)構(gòu)一致性正則化和自對比學(xué)習(xí)，對圖卷積網(wǎng)絡(luò)進(jìn)行訓(xùn)練得到的；訓(xùn)練數(shù)據(jù)集包括有標(biāo)簽訓(xùn)練數(shù)據(jù)子集和無標(biāo)簽訓(xùn)練數(shù)據(jù)子集；有標(biāo)簽訓(xùn)練數(shù)據(jù)子集包括n張有標(biāo)簽原始圖像和對應(yīng)的標(biāo)簽；無標(biāo)簽訓(xùn)練數(shù)據(jù)子集包括m張無標(biāo)簽原始圖像；n<<m；圖卷積網(wǎng)絡(luò)包括一個編碼器和n個解碼器。本技術(shù)提高了醫(yī)學(xué)圖像的分割精度和分割效率。