1.一种基于对比学习的半监督卷积神经网络的医学图像分割方法,其特征在于:包括以下步骤:
S1、输入医学图像数据,医学图像数据包括含有标签的图像数据和不含标签的图像数据,对医学图像数据进行预处理,提取正负样本,划分数据集,得到训练集数据、验证集数据和测试集数据;
S2、构建对比学习卷积神经网络分割模型,通过U‑Net的收缩路径得到正负样本以及原始图像的特征,再通过负样本的对比,计算出不均衡对比损失,将不均衡对比损失加入二值交叉损失函数中,得到总损失函数,进行梯度下降,经过迭代训练,得到训练模型;
S3、构建基于对比学习的半监督医学图像分割网络模型,将经S2所获得的训练模型不含标签的图像数据进行分割,生成伪标签图像,对伪标签图像进行连通区域消除和空洞填补的处理,再将处理后的伪标签图像和其对应的原始图像一起放入训练模型中进行训练,得到新的训练模型;
S4、将经S3所获得的训练模型对测试集数据进行预测,得到最后的分割预测图像。
2.根据权利要求1所述的基于对比学习的半监督卷积神经网络的医学图像分割方法,其特征在于:所述步骤S1具体包括以下步骤:S11、输入和读取数据集合;
S12、对图像按照比例分为训练集、验证集和测试集数据,其中训练集数据由含标签的图像数据和不含标签的图像数据组成;
S13、以标签图像将前景作为正样本,背景作为负样本,通过标签与原图像对比,确定负样本的区域与正样本的区域,并将目标与背景分开,对训练集中含有标签的图像数据提取正负样本,并输出图像。
3.根据权利要求2所述的基于对比学习的半监督卷积神经网络的医学图像分割方法,其特征在于:所述步骤S12中训练集、验证集和测试集数据的数量比例为6:2:2,其中所述训练集中有标签的图像数据和不含标签的图像数据数量比为1:2。
4.根据权利要求1所述的基于对比学习的半监督卷积神经网络的医学图像分割方法,其特征在于,所述步骤S2具体包括以下步骤:S21、根据标签找到医学图像的正负样本,再经过对比学习方法,通过将负样本特征与待分割图像的特征进行对比,寻找两幅图像间的差异性,计算两张特征图的同一个位置的元素的距离,计算原图像与负样本的不均衡对比损失函数 ,其公式如下所示其中, 代表了负样本图像与原始图像之间的距离,其中 代表负样本矩阵,代表负样本在经过特诊提取之后的特征矩阵, 代表原图像矩阵, 代表原图像经过特征提取后的特征矩阵,参数 是不均衡对比损失的归一化参数;
S22、再通过计算预测图像与标签之间的二值交叉熵 进行权重相加获得不均衡对比损失函数 ,公式如下所示 其中二值交叉熵中的 代表预测数据的概率, 是该数据的标签, 表示权重参数,取值为0< ≤1。
5.根据权利要求4所述的基于对比学习的半监督卷积神经网络的医学图像分割方法,其特征在于:所述步骤S2中,对比学习负样本图像通过U‑Net结构的下行结构的收缩网络路径得到负样本特征图,特征图收缩网络包括自上而下分层设置且结构相同的四层下采样卷积层和池化层,卷积层是由3*3卷积核构成的,池化层是由2*2的核构成的,在输入端由原始图像和正负样本图像构成,通过两层3*3卷积层经过ReLU激活函数对图像进行特征提取,再通过2*2的池化层对特征图像进行压缩,抽象特征,如此步骤重复多次,得到最后压缩的负样本特征图,同时采集原始图像以及正负样本的特征图,将得到的原始图像的特征图和负样本的特征图计算不均衡对比损失函数。
6.根据权利要求1所述的基于对比学习的半监督卷积神经网络的医学图像分割方法,其特征在于,所述步骤S3具体包括以下步骤:S31、将训练集数据分为m批,并初始化卷积核权重和偏值;
S32、分批次将未被训练的训练集数据输入构建好的基于对比学习的卷积神经网络分割模型;
S33、在完成训练后,对不含标签的训练集图像进行预测,得到伪标签,之后通过非连通域消除与空洞填补的方法对伪标签进行后处理,得到更加精准的伪标签图像;
S34、将经S33步骤后获得的伪标签图像进行预处理,提取正负样本;
S35、将经S34得到的伪标签图像数据和其对应的原始图像一起放入训练模型进行训练,得到新的训练模型。
7.根据权利要求6所述的基于对比学习的半监督卷积神经网络的医学图像分割方法,其特征在于,所述步骤S33中通过非连通域消除与空洞填补的方法对伪标签进行后处理具体包括以下步骤:
S331、读取图像数据;
S332、搜索图像连通区域轮廓;
S333、比较连通区域大小;
S334、 保留面积最大的连通区域内像素值不变,其余像素赋值为背景像素;
S335、找到背景像素点作为起始点;
S336、将起始点所在的非最大连通区域赋值为背景像素;
S337、其余区域默认为前景,填充前景像素;
S338、输出图像。