[发明专利]基于半监督学习的强泛化眼底图像分割方法

说明书

本发明提供一种基于半监督学习的强泛化眼底图像分割方法，首先用有标签的数对分割主网络进行预热训练，进一步，采用无监督的方法让两个分割主网络进行分割后的互相对照，因为两个分割网络是在没有相互通讯的情况下分别对原始眼底图片和扰动后的图片进行分割，但是原始图片和扰动后的图片具有结构上的一致性。因此，以这样的一致性的准则作为约束，每次对两个分割主网络的边界图和熵图求损失误差，不断迭代直到两者分割结果的差异小于规定的迭代条件时，这两个分割著网络的结构达到近似一致。通过这样的迭代训练，能够有效地提高模型对眼底图像感兴趣的分割区域的识别效果，从而获得了对眼底图像感兴趣区域分割的高精度分割模型。

技术领域

本发明属于计算机视觉技术领域以及医疗影像技术领域，具体涉及一种基于半监督学习的强泛化眼底图像分割方法。

背景技术

许多全身性疾病如高血压病、糖尿病等均会发生眼底病变，因此眼底图像是一种重要诊断资料。视网膜眼底图像的结构变异是某些疾病的重要指标之一，对于临床诊断至关重要。比如通过视杯(OC)和视盘(OD)的比例，可以检测青光眼疾病；对微动脉瘤(MA)、出血点(HE)、软渗出(SE)、硬渗出(EX)的分割可以对糖尿病视网膜病变和黄斑水肿进行分级识别。

近年来，随着深度学习的蓬勃发展，尤其是卷积神经网络在模式分类上的优异表现，使得越来越多的图像分类和分割任务能够实现高效自动化。深度学习方法在医学图像分类和分割方面取得了显著的成功，当测试数据集与训练数据集具有相同的分布时，深卷积神经网络显著提高了眼底图像分割的性能。

然而，目前的病灶分割面临着两个重大的挑战。其一是对数据领域知识的依赖性较强，仅仅对图像质量较好的主视野眼底图像具有较强的识别能力。在临床实践中，由于外界各种原因，例如不同的扫描仪供应商和图像质量，医学图像往往表现出外观的变化。这些分布差异可能导致深层网络在训练数据集上过度拟合，并且在未见的测试数据集上缺乏泛化能力。其二是这些高精度检测结果依赖于精细的高质量像素级标签，在医学图像分析中，为数据获得高质量的标签既费力又昂贵，因为准确地标注医学图像需要临床医生的专业知识。

发明内容

本发明是为解决上述问题而进行的，目的在于提供一种无需人工标注就能够对眼底图像完成感兴趣区域自动分割方法，本发明采用了如下技术方案：

本发明提供了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。

本发明提供的基于半监督学习的强泛化眼底图像分割方法，还可以具有这样的技术特征，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；