买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：合肥工业大学

摘要：本发明公开了一种基于频域感知的一致性正则化半监督医学图像分割方法，包括：1.在医学标记数据集上训练模型；2.针对医学无标记数据集利用弱增强得到弱增强图像，并利用强增强分别得到低频强增强图像与高频强增强图像；3.利用模型编码层分别得到弱编码特征、低频编码特征与高频编码特征；4.将低频编码特征与高频编码特征进行融合得到融合编码特征，采用均方误差函数对弱编码特征与融合编码特征进行损失计算，更新模型；5.将弱编码特征与融合编码特征输入模型解码层，分别得到弱解码特征与融合解码特征，采用交叉熵函数进行损失计算，更新模型；6.利用最终模型完成对测试医学图像数据集的分割预测。本发明解决了标记严重不足的医学图像分割问题。

主权项：1.一种基于频域感知的一致性正则化半监督的医学图像分割方法，其特征在于，是按照如下步骤进行：步骤1：在医学图像标记数据集上训练U-Net网络模型，得到训练后的医学图像分割模型：步骤1.1：对给定的一组医学图像标记数据集进行预处理后，得到预处理后的医学图像标记数据集并划分等份，记作：，其中，表示所述医学图像标记数据集中的第k个标记子集，并有，其中，分别表示第k个标记子集中的第个样本，表示第个样本的医学图像，为医学图像的通道数，为医学图像的高，为医学图像的宽，表示第个样本的真实分割标签，且，其中，表示中第h行第r列像素点的类别；，，N表示标记子集中的样本数；步骤1.2：将输入U-Net网络中进行处理，得到第k个预测标签集合，从而利用式1构建第k个第一交叉熵损失： 1式1中，表示的预测标签；步骤1.3：利用反向传播对所述U-Net网络进行训练，并计算第一交叉熵损失以更新U-Net网络的参数，得到训练后的医学图像分割模型；步骤2：针对医学图像无标记数据集中的每个图像，利用弱数据增强策略得到弱增强图像，并利用强数据增强策略分别得到低频强增强图像与高频强增强图像：步骤2.1：对给定的一组医学图像无标记数据集进行预处理后，得到预处理后的医学图像无标记数据集并划分等份，记作：，，表示中的第q个无标记子集，并有，其中，表示中第g个无标记医学图像，，表示无标记子集中的样本数；步骤2.2：通过弱数据增强策略、低频强数据增强策略与高频强数据增强策略分别对进行处理，相应得到第g个弱增强图像、第g个低频强增强图像与第g个高频强增强图像；步骤3：利用训练后的医学图像分割模型中的编码层分别对、与进行处理，相应得到第g个弱增强编码特征、第g个低频强增强编码特征与第g个高频强增强编码特征；步骤4：将与进行融合后，得到第g个编码融合特征，基于与构建第q个均方误差损失函数，从而基于反向传播机制对训练后的医学图像分割模型中的编码层进行训练，并计算均方误差损失函数，以更新编码层的参数，得到更新后的编码层；步骤5：将与输入训练后的医学图像分割模型中的解码层进行处理，相应得到第g个弱增强解码特征与第g个解码融合特征，基于与，构建第q个第二交叉熵损失函数，从而基于反向传播机制对训练后的医学图像分类模型中的解码层进行训练，并计算第二交叉熵损失函数，以更新解码层的参数，得到更新后的解码层；步骤6：由更新后的编码层和更新后的解码层组成最优医学图像分割模型，用于对医学图像测试集进行分割预测。

全文数据：

权利要求：

百度查询： 合肥工业大学 基于频域感知的一致性正则化半监督的医学图像分割方法