[发明专利]基于半监督学习的强泛化眼底图像分割方法

权利要求书

1.一种基于半监督学习的强泛化眼底图像分割方法，其特征在于，包括以下步骤：

步骤S1，对预热数据集的预热图像进行预处理，该预热数据集包含有与所述预热图像对应的标签，即包含有有标签数据；

步骤S2，将所述有标签数据分别输入两个结构相同的预热用网络模型进行同步预热训练；

步骤S3，将预热训练后的所述预热用网络模型的编码器提取出，作为两个结构相同的分割主网络模型的编码器；

步骤S4，对训练数据集的训练图像进行预处理并进行图像扰动，所述训练图像为未标记数据；

步骤S5，将所述训练图像以及对应的扰动后的所述训练图像分别输入两个所述分割主网络模型，进行分割一致性的训练，当两个所述分割主网络模型的分割结果的差异小于预定的差异阈值时，得到训练完成的所述分割主网络模型。

2.根据权利要求1所述的基于半监督学习的强泛化眼底图像分割方法，其特征在于：

其中，步骤S5包括以下子步骤：

步骤S5-1，将多个所述训练图像分为N个批次；

步骤S5-2，将第k批次的所述训练图像依次输入其中一个所述分割主网络模型进行迭代训练，得到对应的分割掩码图、分割边界图以及熵图；

步骤S5-3，将第k批次的所述训练图像依次输入另一个所述分割主网络模型进行迭代训练，得到对应的所述分割掩码图、所述分割边界图以及所述熵图；

步骤S5-4，对两个所述分割主网络模型的所述分割边界图求损失误差，得到第一损失；

步骤S5-5，对两个所述分割主网络模型的所述熵图求损失误差，得到第二损失；

步骤S5-6，计算所述第一损失和所述第二损失的加权和，作为总损失误差；

步骤S5-7，将所述总损失误差进行反向传播，从而更新两个所述分割主网络模型的模型参数；

步骤S5-8，判断各层的所述模型参数是否均已收敛，当判断为是时得到训练后的所述分割主网络模型，当判断为否时，设定k＝k+1，并重复步骤S5-2至步骤S5-7。

3.根据权利要求2所述的基于半监督学习的强泛化眼底图像分割方法，其特征在于：

其中，步骤S5-2中，对一个所述分割主网络模型进行一次所述迭代训练的过程包括以下步骤：

步骤S5-2-1，通过所述分割主网络模型的编码器对所述训练图像进行下采样，得到特征图；

步骤S5-2-2，基于所述特征图，通过所述分割主网络模型的解码器得到边缘粗糙的所述分割掩码图以及对应的所述熵图；

步骤S5-2-3，通过所述分割主网络模型的分割放大模块对边缘粗糙的所述分割掩码图的边缘进行放大，并在放大的空间维度上对所述分割掩码图的边缘进行细化，得到所述分割掩码图以及对应的所述熵图。

4.根据权利要求2所述的基于半监督学习的强泛化眼底图像分割方法，其特征在于：

其中，步骤S5还包括：

步骤S5-9，用验证数据集对训练后的所述眼底图像分割模型进行验证，并判断分割准确率是否达到预定的准确率阈值，当判断为是时得到训练完成的所述分割主网络模型，当判断为否时重复步骤S5-1至步骤S5-8。

5.根据权利要求4所述的基于半监督学习的强泛化眼底图像分割方法，其特征在于：

其中，所述分割准确率用Dice指标来衡量，

所述准确率阈值为85％。

6.根据权利要求1所述的基于半监督学习的强泛化眼底图像分割方法，其特征在于：

其中，所述分割主网络模型包括依次设置的输入层、卷积层、最大池化层、残差模块C1、残差模块C2、残差模块C3、残差模块C4、平均池化层、边界上采样模块、分割掩码上采样模块以及熵图获取模块，所述熵图获取模块用于根据分割掩码图得到熵图。