一种基于双网络动态协同的半监督息肉图像分割方法

本发明涉及医学图像处理、图像分割和半监督学习，具体涉及一种基于双网络动态协同的半监督息肉图像分割方法。

背景技术：

1、结直肠癌是全球发病率较高的恶性肿瘤之一，早期发现并切除息肉是预防结直肠癌的重要手段。结肠镜检查是息肉检测的金标准，而准确的息肉分割技术能够在肠镜图像中自动勾画出息肉区域，辅助医生进行病变定位、形态评估及后续治疗决策。

2、随着深度学习技术在医学图像分析领域的广泛应用，基于全监督学习的息肉分割方法性能高度依赖大量高质量像素级标注，但医学图像标注需医生逐像素勾画，耗时费力、成本高昂且存在主观差异，小规模标注下模型易过拟合，且当训练数据与目标场景存在光照、设备差异时，跨域泛化性能骤降。同时，息肉与背景对比度低、边界模糊、形态尺度差异极大，小息肉仅占极少像素而易被漏检，且其边界勾画不确定性更高，进一步加剧了标注的稀缺性与难度。上述因素使标注稀缺成为制约全监督方法性能的核心瓶颈。

3、另一方面，半监督学习方法为在有限标注数据条件下提升模型性能提供了一种可行思路。其中，交叉伪监督方法通过构建两个独立初始化的分割网络，使其互相为对方在无标签数据上生成伪标签，从而实现协同训练，虽然在一定程度上能够改善分割精度，但对于息肉分割任务中由模糊边界、多尺度目标以及训练动态变化共同形成的复杂学习场景，仍然存在伪标签质量难以保障的问题。尤其是在息肉边界区域，模型预测存在不确定性，标准交叉伪监督采用的硬标签方式将模型预测进行强制二值化分类，在息肉边界不确定区域易引入显著标注噪声；同时，其以固定置信度阈值筛选伪标签，未考虑不同尺度目标间的预测置信度差异，致使小尺寸息肉因置信度不足而被系统性滤除。边界噪声与小目标漏检问题相互叠加，严重制约了半监督方法在息肉分割任务中的性能表现。

4、此外，现有部分方法在交叉伪监督框架中引入额外的教师网络、时序集成或多阶段训练策略以提升伪标签质量。该类方法虽然在一定程度上缓解了上述问题，但同时也会增加训练过程的复杂度和计算开销，不利于方法的实际部署与推广应用；并且在某些情况下，额外的网络结构或训练阶段可能引入新的超参数敏感性或训练不稳定性，从而削弱半监督学习的整体效果。

5、鉴于此，亟需一种无需引入额外复杂架构即可提升伪标签质量的方法。因此，如何在息肉分割场景下，构建一种能够利用双网络协同动态优化伪标签、有效控制边界噪声、并兼顾小目标息肉学习能力的半监督学习方法，成为本领域亟待解决的技术问题。

技术实现思路

1、本发明的目的在于提供一种基于双网络动态协同的半监督息肉图像分割方法，以解决现有交叉伪监督方法中伪标签噪声难以控制、小目标息肉易漏标、边界区域伪标签质量低下等问题，以及现有半监督改进方法训练复杂度高、部署效率低的问题。

2、本发明的另一目的在于提供一种在训练阶段利用双网络动态协同与混合伪标签机制进行半监督学习、在推理阶段仅保留单一网络完成分割推理的方法，从而在降低标注需求的同时保证分割性能，且不增加推理阶段的计算负担。

3、为实现上述目的，本发明采用的技术方案如下：

4、1) 获取有标签息肉图像和无标签息肉图像，并基于所述两类图像构建第一分割网络和第二分割网络，所述第一分割网络和所述第二分割网络结构相同但初始化权重不同。

5、2) 对所述有标签息肉图像进行弱数据增强生成有标签增强息肉图像，对所述无标签息肉图像进行强数据增强生成无标签增强息肉图像。

6、3) 利用所述有标签增强息肉图像对所述第一分割网络和第二分割网络进行有监督预训练，使两个网络具备基本的息肉分割能力。

7、4) 将所述无标签增强息肉图像分别输入所述第一分割网络和第二分割网络，获得第一预测概率图和第二预测概率图。

8、5) 基于所述第一预测概率图，通过动态置信度阈值和边缘感知机制生成第一混合伪标签，所述第一混合伪标签包含硬标签区域和软标签区域。

9、6) 利用所述第一混合伪标签对所述第二分割网络的第二预测概率图进行监督，计算第一交叉伪监督损失。

10、7) 对称的，基于所述第二预测概率图生成第二混合伪标签，并利用所述第二混合伪标签对所述第一分割网络的第一预测概率图进行监督，计算第二交叉伪监督损失。

11、8) 结合有监督损失、所述第一交叉伪监督损失和所述第二交叉伪监督损失，对所述第一分割网络和所述第二分割网络进行联合优化

12、9) 在推理阶段移除所述第二分割网络，仅保留训练后的所述第一分割网络进行息肉分割。

13、具体的，所述步骤1）包括：

14、本发明首先获取用于训练的有标签息肉图像和无标签息肉图像。所述有标签息肉图像为具有像素级标注（即每个像素标记为息肉或背景）的肠镜图像，所述无标签息肉图像为仅有肠镜图像本身而无标注的图像。随后，构建两个结构完全相同但权重初始化独立随机的分割网络，分别记为第一分割网络（net a）和第二分割网络（net b）。所述分割网络为编码器-解码器结构，编码器用于提取多尺度特征，解码器用于逐步恢复空间分辨率并输出分割概率图。

15、具体的，所述步骤2）包括：

16、本发明针对有标签与无标签数据采用非对称增强策略，以构建一致性正则化约束。对于有标签息肉图像，仅施加随机水平翻转与垂直翻转等弱增强，以严格保持像素级标注的空间对应关系，确保有监督信号的完整性。对于无标签息肉图像，在弱增强基础上额外引入包含随机颜色抖动与高斯模糊的强增强扰动，旨在最大化输入多样性，迫使两个分割网络在不同增强视图下输出一致的预测结果。该一致性正则化机制引导模型学习对光照变化、色彩偏移及纹理差异鲁棒的不变特征，为后续交叉伪监督提供可靠的扰动基础。

17、具体的，所述步骤3）包括：

18、本发明利用有标签增强息肉图像对net a和net b分别进行有监督预训练。有监督训练阶段采用基于息肉前景类别的dice损失函数和交叉熵损失函数联合优化，使两个网络快速建立基本的息肉辨别能力，为后续生成高质量伪标签提供初始能力保障。

19、具体的，所述步骤4）包括：

20、在半监督协同训练阶段，对于每一训练批次，将有标签增强图像和无标签增强图像分别输入net a和net b。有标签图像经过两个网络的前向传播后，用于计算有监督损失；无标签图像经过net a前向传播后获得第一预测概率图，经过net b前向传播后获得第二预测概率图。所述第一预测概率图和第二预测概率图均为经过softmax函数归一化后的类别概率分布，每个像素位置包含属于背景类别和息肉类别的概率值，二者之和为1。由于两个网络的初始化不同且各自独立更新，其对同一无标签图像的预测结果存在差异，该差异构成了交叉监督的信息来源。

21、具体的，所述步骤5）包括：

22、基于net a输出的第一预测概率图，本发明通过动态置信度阈值与边缘感知机制生成第一混合伪标签。首先，依据训练进度系数α与尺度补偿系数β计算动态置信度阈值,其中，polyp_area为预测息肉面积占比，为尺度敏感度超参数；该阈值于训练初期维持较高水平以保证伪标签质量，随训练推进逐步降低以扩充有效学习区域，且对面积占比较小的小目标息肉自动施加尺度补偿。其次，对息肉类别概率图以sobel算子提取空间梯度幅度并逐样本归一化，计算边缘权重, 为边缘灵敏度超参数；将边缘权重大于阈值的像素确定为软标签区域，对应边界模糊位置；将非软标签区域内最大类别概率高于的像素划为硬标签区域，对应预测置信度高的内部稳定位置。在此基础上，硬标签区域取argmax类别作为硬标签，其余区域标记为忽略索引；软标签区域保留预测概率分布作为软标签以维持边界不确定性，由此生成同时包含硬标签与软标签及其监督类型掩码的第一混合伪标签。

23、具体的，所述步骤6）包括：

24、本发明将net a生成的第一混合伪标签作为监督信号，对net b在同一无标签增强图像上的第二预测概率图进行监督，计算第一交叉伪监督损失。其中，对于硬标签区域，采用基于息肉前景类别的dice损失和交叉熵损失进行强监督，损失计算时自动忽略索引标记为忽略的像素；对于软标签区域，采用kl散度损失函数，使net b的第二预测概率分布向net a的第一预测概率分布对齐，从而学习息肉边界处的不确定性建模能力。所述第一混合伪标签在生成后从计算图中分离，使其作为固定的监督目标，避免neta的梯度通过伪标签回传至自身。

25、具体的，所述步骤7）包括：

26、对称地，基于net b的第二预测概率图，按照与步骤5）相同的动态置信度阈值和边缘感知机制生成第二混合伪标签。利用对net a的第一预测概率图进行监督，计算第二交叉伪监督损失。该对称设计使两个网络互为师生，一方面net a通过指导net b学习，另一方面net b通过指导net a学习。两个网络的预测既作为对方的学习目标，又在自身训练中向对方的预测靠拢，通过双向约束促进双方在无标签数据上逐步达成预测一致性，同时各自保留从有标签数据中学到的判别能力。

27、具体的，所述步骤8）包括：

28、本发明联合优化的总损失函数为：。其中，和分别为net a和net b在有标签增强图像上的有监督损失，各自包含仅计算息肉前景类别的dice损失和交叉熵损失；和分别为第二交叉伪监督损失和第一交叉伪监督损失。λ(t)为无监督损失权重函数，在训练早期从0逐步增长至1，使模型先以有监督信号为主要学习目标，随着伪标签质量的提升逐步增加无监督损失的贡献比重。通过对总损失的梯度反向传播，同步更新net a和net b的网络参数。两个网络在训练过程中保持同步更新，无需冻结任一网络，也无需维护独立的指数移动平均教师模型，在保持训练简洁性的同时实现有效的半监督学习。

29、具体的，所述步骤9）包括：

30、在训练完成后，net a和net b均具备良好的息肉分割能力。由于两个网络通过协同训练已充分吸收无标签数据的信息，在推理阶段仅需保留其中任意一个网络（如net a）即可完成分割任务。推理时，将待分割的肠镜图像直接输入net a，获得分割概率图，通过阈值二值化得到最终分割结果。该方式确保推理阶段的计算复杂度与全监督模型完全一致，无需引入额外的教师网络或多模型集成。

31、与现有技术相比，本发明通过引入动态置信度阈值与边缘感知混合伪标签双重机制，在无需额外网络结构的前提下，实现了伪标签质量的自适应优化，至少具有如下有益效果：

32、1. 本发明通过引入动态置信度阈值机制，显著改善了标准cps中小目标息肉因固定高阈值而被系统性滤除的问题，显著提升了小目标息肉的分割召回率。

33、2. 本发明通过引入边缘感知混合伪标签机制，对稳定内部区域施加硬标签进行强监督，对边界模糊区域施加软标签以保留不确定性，有效降低了边界伪标签噪声，提升了息肉边界分割精度。

34、3. 本发明通过双网络动态协同与训练-推理结构解耦设计，在训练阶段无需维护额外的教师网络或集成模型，在推理阶段仅保留单一分割网络，其推理成本与全监督模型完全一致，在降低了训练复杂度的同时，不增加任何部署负担，适合临床场景的实时性需求。

35、4. 本发明提供的基础分割网络为可替换的编码器-解码器架构，可兼容resnet、unet等多种骨干网络，具有良好的灵活性和可扩展性。