本技术公开了基于2+1校正模式的多扰动一致性医学图像分割方法,包括以下步骤:S1、构建图像分割模型;S2、得到两个不同增强的图像;S3、将不同增强的图像输入到图像分割模型中,得到6个分割结果;S4、将6个分割结果分别输入到学生差异指导纠正学习模块中,得到差异损失和错误损失;S5、将学生网络的分割结果输入到自适应双向位移模块中,得到4个新样本;S6、再将4个新样本分别输入到不同的学生网络中,进行dice损失计算;S7、将所有损失求和得到总损失;S8、利用总损失的随机梯度下降训练出能正确分割医学图像的学生模型A。本发明能解决利用单个扰动只能处理有限的情况的问题,可以达到在使用多个扰动下依然能保证一致性学习的质量。
背景技术
现有技术中,半监督医学图像分割方法较全监督医学图像分割方法降低了大量成本和人力,因此半监督分割的高准确性是研究这一领域的研究者所追求的。随着研究的深入,在半监督医学图像分割领域提出了许多新框架和方法,如双向复制粘贴(BCP)和相互纠正框架(MCF),这些方法通过整合半监督学习和一致性正则化,显著提升了现有分割模型的性能。近段时间,学生教师模型搭配一致性学习在半监督医学图像分割领域热度很高,教师模型生成的伪标签可以作为学生模型输出的监督信号,其核心策略是强制模型在不同的扰动下产生一致的预测。
对于上述半监督医学图像分割方法,仍存在一些不足:
(1)基于平均教师模型的半监督图像分割方法虽然有效的利用了大量的未标记图像,但是会受到错误伪标签的影响,导致分割错误。
(2)基于一致性的半监督分割方法要么只关注于利用特定的单个扰动而只能处理有限的情况,要么同时使用多个扰动却很难保证一致性学习的质量。
实现思路