[发明专利]基于半监督一致性学习的3D冠状动脉图像分割方法

权利要求书

1.一种基于半监督一致性学习的3D冠状动脉图像分割方法，其特征在于，所述方法包括：

步骤1，采集原始3D心脏CT图像数据，并对采集到的原始3D心脏CT图像数据进行预处理，采用随机旋转、对比度增强和随机裁剪方式对数据进行扩充增强；

步骤2，引入一致性学习，构建两个阶段半监督训练方式的3D冠状动脉分割模型；

步骤3，将待分割的3D心脏CT图像输入到第一阶段的3D冠状动脉分割模型中进行预测得到伪标签特征图，并将所述伪标签特征图输入第二阶段的3D冠状动脉分割模型，得到分割结果。

2.根据权利要求1所述的方法，其特征在于，所述3D心脏CT图像数据包括训练数据集和测试数据集，所述训练数据集由N+M个训练样本组成，即有N个标签数据和M个无标签数据，标签数据集表示为无标签数据集表示为其中，代表3D心脏CT输入图像，yⁱ∈{0,1}^H×W×D代表真实标签，H、W和D分别代表3D心脏CT输入图像的高度、宽度和厚度；取20％的标签数据和80％的无标签数据用于3D冠状动脉分割模型训练。

3.根据权利要求1所述的方法，其特征在于，所述3D冠状动脉分割模型的每个阶段均包含一组教师-学生模型。

4.根据权利要求1所述的方法，其特征在于，所述伪标签特征图的表达式为：

zⁱ＝f(xⁱ；θ₁,η)

式中，zⁱ代表伪标签具有与3D心脏CT输入图像相同大小的空间特征，f(·)代表神经网络，xⁱ代表3D心脏CT输入图像，θ₁代表第一阶段3D ResUNet模型的权重，η代表对3D心脏CT输入图像进行的正则化和干扰。

5.根据权利要求1所述的方法，其特征在于，所述分割结果的表达式为：

式中，代表分割结果具有与3D心脏CT输入图像相同大小的空间特征，f(·)代表神经网络，zⁱ代表伪标签特征图，θ₂代表第二阶段模型的权重，ξ代表对伪标签加入的噪声。

6.根据权利要求3所述的方法，其特征在于，所述第一阶段的3D冠状动脉分割模型的半监督训练过程采用一个学生模型和两个教师模型的一致性学习方式，通过添加扰动加强模型在预测过程和中间特征提取过程中的一致性，对于同一个无标签数据通过在扰动过程中随机扩充图像，使得模型在前向传播中获得两个不同的预测结果，并在增强图像的预测之间加入一致性约束；所述第二阶段的3D冠状动脉分割模型的半监督训练过程采用伪标签的训练方式并引入注意力机制。

7.根据权利要求3所述的方法，其特征在于，所述教师-学生模型训练总的损失函数表达式如下：

l_total(.)＝l_sup(.)+λl_con(.)

式中，l_total(.)代表教师-学生模型训练总的损失函数，l_sup(.)代表冠状动脉分割预测图与真实标签之间的监督损失，l_con(.)代表无监督一致性损失，λ代表斜坡加权系数，用于控制监督损失和无监督损失之间的权衡，确保总的损失函数开始时以监督损失为主导，避免模型在训练过程中退化，其中

所述斜坡加权系数的具体表达式如下：

式中，λ代表斜坡加权系数，t代表模型当前的迭代次数，t_max代表模型的最大迭代次数。