1.一种半监督医学图像分割方法,其特征在于,包括:将带有空间注意力机制的三维分割网络分别融合到学生模型和教师模型;
通过输入数据对学生模型和教师模型训练,计算所述学生模型的监督损失和所述教师模型的确定性图;
通过所述确定性图获得权重图,根据权重图计算所述教师模型监督所述学生模型的概率图;
通过所述学生模型的监督损失、学生模型的预测概率图和所述教师模型监督学生模型的概率图计算一致性损失,获得优化的学生模型;
通过所述学生模型的参数和所述教师模型的参数,更新所述教师模型;
所述带有空间注意力机制的三维分割网络包括:编码器;
所述编码器由多个下采样阶段组成,第一阶段通过第一卷积提取特征;
将所述第一阶段的所述特征通过所述空间注意力机制自主学习不同空间位置的重要程度,获得特征图;
将所述特征图通过第二卷积对所述特征图进行下采样;
除所述第一阶段的其余阶段通过所述第一卷积提取特征,获得其余特征图;
将所述其余特征图通过所述第二卷积对所述其余特征图进行下采样;
解码器;
所述解码器由多个上采样阶段组成,通过跳跃连接与所述编码器的相应维度的所述特征图融合;
所述解码器通过线性插值对所述特征图进行逐步上采样,将所述编码器提取的所述特征恢复到输入维度;
所述通过输入数据对学生模型和教师模型训练,计算所述学生模型的监督损失和所述教师模型的确定性图,包括:所述数据包括有标记数据和无标记数据;
将所述有标记数据和所述无标记数据输入所述学生模型进行训练,通过所述有标记数据的标签和所述学生模型对输入的医学图像的预测概率图计算监督损失;
通过将有标记数据和无标记数据输入所述教师模型进行训练,并通过Dropout(随机失活)随机前向传播多次,获得所述教师模型的分割结果;
通过所述分割结果和预测熵计算不确定性图;
通过所述不确定性图计算所述确定性图;
所述有标记数据,如下式所示:
所述无标记数据,如下式所示:
所述计算监督损失,如下式所示:所述分割结果,如下式所示:
所述不确定性图,如下式所示:
所述确定性图,如下式所示:
C
式中:C
通过所述确定性图获得权重图,具体为通过所述确定性图在传播次数的维度进行softmax获得权重图。
2.如权利要求1所述的方法,其特征在于,所述通过所述确定性图获得权重图,根据权重图计算所述教师模型监督所述学生模型的概率图,包括:通过所述权重图和分割结果确定所述教师模型监督所述学生模型的概率图。
3.如权利要求1所述的一种方法,其特征在于,所述通过所述学生模型的参数和所述教师模型的参数,更新所述教师模型,包括:通过对所述学生模型的参数、所述教师模型的参数和EMA(指数移动平均)算法,更新后的所述教师模型。
4.如权利要求2所述的方法,其特征在于,所述权重图,如下式所示:所述教师模型监督学生模型的概率图,如下式所示:式中:W
5.如权利要求1所述的一种方法,其特征在于,所述一致性损失,如下式所示:所述优化的学生模型,如下式所示:式中:
6.如权利要求3所述的一种方法,其特征在于,所述更新后的所述教师模型,如下式所示:θ′
式中:θ