一种基于模型框架的半监督学习方法及装置
成果类型:: 发明专利
发布时间: 2023-09-08 12:12:47
左心房结构是临床医生诊断和治疗心房颤动的重要信息,心房颤动是最常见的心率紊乱。医学图像分割是各种医学图像应用的基础,如确定癌症分期、制定治疗计划、放射组学分析以及制定个性化医疗服务等等。在分割任务中,肿瘤靶区勾画是治疗癌症的关键一步,其目的是最大限度将放射剂集中在靶区内,让周围的正常组织和器官尽可能减少甚至免受伤害。然而人工勾画肿瘤靶区是一个费时费力的过程,而且人工标注的精度在很大程度上依赖于肿瘤学家的经验知识,不同医生之间的差异导致他们对于同一肿瘤的标注也可能不同。有监督三维医学图像分割方法已经取得了很大的成功,但它们依赖于大量的带标注数据,这极大限制了有监督方法的应用范围。半监督分割方法通过使用大量无标记数据和少量有标记数据解决了这一问题。目前,最成功的半监督学习方法是基于一致性学习,最小化从未标记数据的扰动视图中获得的模型响应之间的距离。此外,对比学习已被证明是一种有效的无监督学习方法。因此,研究和开发一种基于对比学习的医学图像半监督分割方法,在保证分割精度的ton更是,尽可能减少对标注数据的依赖,这对于医疗诊断领域具有重要的科学意义和应用前景。
根据本发明的另一实施例,提供了一种基于模型框架的半监督学习装置,包括:
框架设置单元,用于设置网络整体框架,网络整体框架包含学生模型、教师模型、投影器网络以及输出层网络;
投影特征表示获取单元,用于将医学图像输入至学生模型、教师模型,将学生模型、教师模型的输出经过投影器网络得到投影特征表示;
最终分割结果获取单元,用于将投影特征表示输入至输出层网络,得到学生模型、教师模型的最终分割结果;
网络损失函数设计单元,用于设计网络损失函数,使用网络损失函数对网络整体框架进行训练。
一种存储介质,存储介质存储有能够实现上述任意一项基于模型框架的半监督学习方法的程序文件。
一种处理器,处理器用于运行程序,其中,程序运行时执行上述任意一项的基于模型框架的半监督学习方法。
本发明实施例中的基于模型框架的半监督学习方法及装置,考虑自监督学习、对比学习方法,设计了一个半监督学习框架,结合Mean-Teacher模型将对比学习作为损失函数添加到教师-学生模型之中,进一步增加一致性学习的准确性,进而提高分割准确性能,本发明最终获得更精确的分割结果。
技术合作
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。