[发明专利]一种基于模型框架的半监督学习方法及装置

说明书

本发明涉及一种基于模型框架的半监督学习方法及装置。该方法及装置包括：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；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；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；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。本发明结合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。

技术领域

本发明涉及医学图像分割领域，具体而言，涉及一种基于模型框架的半监督学习方法及装置。

背景技术

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。

Lequan Yu等人于2019年在MICCAI会议上发表文章“Uncertainty-aware Self-ensembling Model for Semi-supervised 3D Left Atrium Segmentation”。该方法结合Mean-Teacher模型和蒙特卡洛模拟提出了一种基于不确定性的半监督学习框架。学生模型通过利用教师模型的不确定性信息，逐渐从有意义和可靠的目标中学习。除了生成目标输出，教师模型还通过Monte Carlo Dropout估计每个目标预测的不确定性。在估计不确定性的指导下，计算一致性损失时过滤掉不可靠的预测，只保留可靠的预测(低不确定性)。因此，学生模型得到了优化，得到了更可靠的监督，并反过来鼓励教师模型生成更高质量的目标。

Ting Chen等人于2020在ICML发表文章“SimCLR:A Simple Framework forContrastive Learning of Visual Representations”。该文章提出了一种新的自监督对比学习方法，SimCLR学习框架主要由四个部件组成，包括随机数据增强模块、特征编码模块、特征投影模块、对比损失模块。其核心思想是最大化同一数据示例的不同增强视图之间的一致性来学习表示。

综上，现有技术存在如下技术缺陷：

1.医学图像数据标注困难，费时费力；

2.人工标注数据依赖于专家经验知识，且不同专家存在差异；

3.由于大部分算法基于少数部位设计，算法鲁棒性差。

发明内容

本发明实施例提供了一种基于模型框架的半监督学习方法及装置，以最终获得更精确的医学图像分割结果。

根据本发明的一实施例，提供了一种基于模型框架的半监督学习方法，包括以下步骤：

S101: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；