一种基于多尺度增广和交叉伪监督的医学图像语义分割算法

技术领域

本发明涉及图像处理和深度学习技术领域，更具体的说，本发明面向医学图像的分割任 务。

背景技术

图像分割是一种基本的计算机视觉技术，是图像识别等高层次视觉技术前的重要步骤， 目的是提取图像中的目标，为后续处理做好准备，对整个图像处理的结果意义深远。

图像的语义分割是计算机视觉中一项基本识别任务，语义分割训练数据需要像素级的人 工标注，其成本高，难获得。伪标签在后期逐渐稳定，比只在标记数据上进行正常监督训练 更加准确。同时，伪标签就像扩充数据集一样，因此提高了分割网络的训练质量。

发明内容

本发明的目的在于提供一种基于多尺度增广和交叉伪监督的医学图像语义分割算法，能 够提取图像中的目标，为后续处理做好准备，对整个图像处理的结果意义深远。

为了实现上述目的，本发明采用了如下技术方案：

给定一个数据集D，其中包括N个标记图像组D

S

S

这两个网络具有相同的权重w

x→X→f(X；w

x→X→f(X；w

其中P

对于每一张原始输入图像，用随机缩放，翻转任意位置的方法生成N张图，并保留长宽 比例。随后，将生成的裁剪图和原图重新放到一个固定分辨率H×W大小的“框”里，并将 它们作为网络的输入。本文将分割网络的输出的掩码重新投射到H×W的原始大小。对于每 个像素的重叠区域预测进行平均，对于裁剪之外的像素，相当于与原始图像进行了一次向前 传播。然后，将合并后的图像作为交叉监督的伪标签。

训练目标包括两个损失函数：监督损失L

其中l

无标记数据的交叉伪监督损失为：

其中，标签向量y

我们提出常见的交叉一致性损失：

该损失用于约束两个扰动的分割网络，经过实验验证发现，本文所提出的交叉伪监督损 失要优于交叉一致性损失。

附图说明

图1为本发明提出的一种基于多尺度增广和交叉伪监督的医学图像语义分割算法的交叉 伪标签监督框架图

图2为本发明提出的一种基于多尺度增广和交叉伪监督的医学图像语义分割算法的多尺 度增强图

图3为本发明提出的一种基于多尺度增广和交叉伪监督的医学图像语义分割算法的多尺 度融合图；

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描 述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。

实施例1：

请参阅图1-3，本发明提出的一种基于多尺度增广和交叉伪监督的医学图像语义分割算 法，具体实现步骤如下：

给定一个数据集D，其中包括N个标记图像组D

S

S

这两个网络具有相同的权重w

x→X→f(X；w

x→X→f(X；w

其中P

对于每一张原始输入图像，用随机缩放，翻转任意位置的方法生成N张图，并保留长宽 比例。随后，将生成的裁剪图和原图重新放到一个固定分辨率H×W大小的“框”里，并将 它们作为网络的输入。本文将分割网络的输出的掩码重新投射到H×W的原始大小。对于每 个像素的重叠区域预测进行平均，对于裁剪之外的像素，相当于与原始图像进行了一次向前 传播。然后，将合并后的图像作为交叉监督的伪标签。

训练目标包括两个损失函数：监督损失L

其中l

无标记数据的交叉伪监督损失为：

其中，标签向量y

我们提出常见的交叉一致性损失：

该损失用于约束两个扰动的分割网络，经过实验验证发现，本文所提出的交叉伪监督损 失要优于交叉一致性损失。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何 熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构 思加以等同替换或改变，都应涵盖在本发明的保护范围之内。