基于动态遮掩与跨视图一致性的半监督医学图像分割方法

本发明涉及医学图像处理与深度学习领域，具体为一种基于动态遮掩与跨视图一致性的半监督医学图像分割方法，用于提升模型在边界模糊、低对比度等困难区域的推断能力。

背景技术：

1、医学图像分割在临床辅助诊断、放疗靶区勾画、器官体积评估等应用中具有重要意义。受限于标注成本高、专业门槛高等因素，半监督医学图像分割（ssmis）通常仅能获得少量标注样本与大量未标注样本。现有半监督分割方法多采用伪标签、自训练以及一致性正则等策略，以利用未标注样本的潜在信息；然而在器官边界模糊、弱纹理、病灶与邻近组织对比度低等场景下，不同预测分支或不同增强视图间往往存在明显分歧，导致一致性约束易被噪声伪标签主导，训练过程出现不稳定并降低模型对困难区域的泛化能力。

2、同时，传统复制粘贴（copy-paste）或cutmix类融合策略通常对标注样本与未标注样本一视同仁，未能充分考虑两者在监督信号可靠性与伪标签可信度上的差异：在标注样本稀缺场景下，若融合策略过度依赖有限的标注样本，容易造成过拟合；若过度引入未标注伪标签，又会放大噪声、误导学习。因此，如何利用空间上下文信息与可靠区域的先验来增强对模糊区域的推断能力，仍缺乏有效探索与系统方案。

3、此外，现有遮掩或混合增强策略大多采用静态或随机遮掩方式，难以针对样本中“难分区域/不确定区域”进行自适应处理，容易出现遮掩位置与模型真正困难区域不匹配的问题，使得模型难以有效利用可靠区域的空间上下文来补全被遮掩区域的判别信息。因此，如何构建一种能够随训练动态调整、并与跨视图一致性学习协同的遮掩机制，以强化对模糊区域的推断能力，仍缺乏系统性的解决方案。

技术实现思路

1、为克服现有半监督医学图像分割方法在标注样本稀缺条件下易受噪声一致性约束影响、对模糊区域预测不稳定以及难以充分利用可靠区域上下文信息的问题，本发明提供一种基于动态遮掩与跨视图一致性的半监督医学图像分割训练方法。该方法利用网络在未标注样本上的跨视图输出差异以及不确定性信息自适应生成动态遮掩，使遮掩区域随样本内容与训练阶段动态调整，从而在保留可靠区域的前提下挖掘其空间上下文以增强对被遮掩困难区域的推断；同时通过跨视图一致性约束对不同解码分支或不同增强视图的预测进行联合优化，抑制伪标签噪声传播，进而在标注稀缺条件下提升模型对模糊边界与困难结构的分割精度与泛化能力。

2、本发明采用的技术方案是：

3、本发明基于动态遮掩与跨视图一致性的半监督医学图像分割方法，包括如下步骤：

4、1）获取原始医学影像数据，将所述原始医学影像数据划分为训练集、验证集和测试集，并将所述训练集进一步划分为标记样本集与未标记样本集；对所述标记样本集中标记样本生成弱增强标记样本，对所述未标记样本集中未标记样本分别生成弱增强未标记样本与强增强未标记样本；基于零中心掩码在所述弱增强标记样本与所述弱增强未标记样本之间执行双向交叉融合的操作，以生成融合样本。

5、2）构建半监督医学图像分割网络，所述半监督医学图像分割网络包括共享编码器与两个解码器，其中，共享编码器通过卷积模块与多层下采样模块提取输入样本（弱增强标记样本、弱增强未标记样本、融合样本和遮掩样本）的多尺度特征，两个所述解码器采用不同的上采样机制对所述多尺度特征进行解码并输出分割预测结果，再将所述分割预测结果转换为概率图。

6、3）基于弱增强未标记样本的分割预测结果生成不确定性图；对所述不确定性图执行块级聚合运算以获得块级不确定性表征图；比较两个解码器对应的块级不确定性表征图以生成掩码，将所述掩码上采样至与强增强未标记样本空间分辨率一致以得到软掩码，并基于所述软掩码对强增强未标记样本执行逐像素乘法加权，以获得遮掩样本。

7、4）构建半监督医学图像分割网络的总损失函数，并依据所述总损失函数更新网络参数；在训练过程中基于验证集计算dice系数，并在所述dice系数优于历史最优值时保存网络参数，达到预设的总训练轮次后，训练终止。

8、5）使用步骤4）训练得到的半监督医学图像分割网络，对经过弱增强操作后的真实医学影像数据进行分割。

9、优选地，所述步骤1）具体如下：

10、a1)对原始医学影像数据进行训练集、验证集和测试集的划分，然后将训练集进一步划分成标记样本集和未标记样本集，其中为标记样本集中标记样本总数，为未标记样本集中未标记样本总数，表示第个标记样本，表示对应的像素级分割标签，表示第个未标记样本；

11、a2)对标记样本集中标记样本和未标记样本集中未标记样本分别执行弱增强操作得到和，对未标记样本集中未标记样本执行强增强操作得到，弱增强操作为依次进行随机旋转和翻转，强增强操作为依次进行颜色抖动和模糊；

12、a3)随机生成零中心掩码，决定体素来自前景还是后景，零中心掩膜的尺寸为，尺寸系数，为弱增强标记样本的高度，w为弱增强标记样本的宽度，然后对弱增强标记样本和弱增强未标记样本进行双向交叉融合，得到融合样本和，使标记样本的高可靠语义信息与未标记样本的多样性信息相结合，从而在标记样本有限的情况下扩展有效训练数据分布；融合样本和计算公式如下：

13、

14、

15、表示逐像素相乘。

16、优选地，所述步骤2）具体如下：

17、构建半监督医学图像分割网络；所述半监督医学图像分割网络包括共享编码器与两个解码器；共享编码器使用5层卷积模块搭配4层下采样模块提取每个输入样本的多尺度特征；两个不同解码器分别用转置卷积和线性插值的上采样机制对多尺度特征解码并输出分割预测结果，这种因上采样机制不同而形成的分割预测结果差异构成跨视图预测，使半监督医学图像分割网络能够从不同特征空间对同一输入样本进行建模，为一致性约束提供基础，再将分割预测结果转换为概率图；用表示第个解码器对输入样本生成的概率图，公式如下：

18、

19、其中表示共享编码器，表示解码器，表示解码器序号，，其中表示类别通道数，表示图像高度，表示图像宽度，用于将分割预测结果转换为概率图。

20、优选地，所述步骤3）具体如下：

21、b1)设弱增强未标记样本经过半监督医学图像分割网络后得到两个不同的概率图，其中，根据所述概率图计算得到不确定性图，公式如下：

22、

23、其中，是一个小于0.0001的常量，防止数值计算中的奇点，表示第类的预测概率；

24、b2)对所述不确定性图执行块级聚合运算以获得块级不确定性表征图；块级聚合运算采用平均池化运算，所述平均池化运算的核大小与步长均等于预设块大小参数，以使不确定性图由像素级映射为块级不确定性表征图，所述块级不确定性表征图共计块，所述块级不确定性表征图的第块计算如下：

25、

26、其中，表示不确定性图的第块中第个像素的不确定性值，是不确定性图的块中像素总数；

27、b3)比较和两个的大小关系来获得掩码和，具体地，根据以下条件构造掩码：

28、

29、

30、其中，是指示器函数，若条件成立则返回1，否则返回0；对和采用双线性插值上采样，得到与强增强未标记样本尺寸相同的软掩码和，接着将强增强未标记样本与和分别逐像素相乘得到遮掩样本和：

31、

32、

33、通过基于双解码器预测差异生成动态软掩码，对强增强未标记样本进行自适应遮掩处理，实现对高置信区域的保留与低置信区域的抑制，从而减少不可靠预测对半监督医学图像分割网络训练的干扰。

34、优选地，步骤4）具体如下：

35、c1)针对弱增强标记样本和弱增强未标记样本输入半监督医学图像分割网络得到的概率图和，对弱增强标记样本采用监督损失进行监督，监督损失计算公式如下：

36、

37、其中，表示第个解码器对弱增强标记样本生成的概率图，而为弱增强标记样本对应的真实标签；为骰子损失函数，用于衡量概率图与真实标签之间的重叠度；

38、对于弱增强未标记样本采用一致性损失，计算如下：

39、

40、其中，表示均方误差损失，是由经过锐化操作得到的软伪标签，软伪标签的计算公式为：

41、

42、此处的温度超参数控制了锐化操作的强度；

43、融合样本输入半监督医学图像分割网络，得到概率图和，根据零中心掩码得到融合样本的伪标签如下：

44、

45、为硬伪标签，，对融合样本计算融合损失：

46、表示交叉熵损失；

47、遮掩样本输入半监督医学图像分割网络得到概率图和，先将和通过最近邻插值上采样到和一样的空间维度，得到权重和，接着通过逐像素加权融合硬伪标签生成最终融合伪标签图：

48、

49、对于遮掩样本计算掩蔽损失：

50、

51、通过利用弱增强未标记样本中预测不确定性较低的区域生成伪监督信息，对遮掩样本进行选择性约束，使监督信号主要作用于高置信区域，从而降低伪标签噪声对半监督医学图像分割网络训练的影响，并在增强与遮掩扰动条件下保持预测一致性；

52、总损失函数计算公式如下：

53、

54、是与训练迭代轮次相关的可调超参数，采用基于高斯预热的方式随训练过程逐渐增大，其具体形式为：

55、

56、其中，表示当前的训练轮次，而表示总的训练轮次；通过构建包含监督损失、一致性损失、融合损失及掩蔽损失的联合优化目标，实现对标记样本集与未标记样本集的协同训练；

57、c2)使用随机梯度下降优化器对所述半监督医学图像分割网络进行网络参数优化，在训练过程中，基于验证集计算dice系数，并在所述dice系数优于历史最优值时保存当前网络参数，达到预设的总训练轮次后，训练终止。

58、本发明具有的有益效果如下：

59、通过对标记样本与未标记样本进行弱增强与强增强处理，并结合零中心掩码执行双向交叉融合操作，实现标记样本与未标记样本的融合，既保留了标记样本的高可靠监督信息，又引入了未标记样本的多样性特征，从而在标记样本有限的情况下扩展有效训练数据分布；通过构建共享编码器与双解码器结构，利用不同解码器的上采样机制形成跨视图预测，使模型能够从不同特征表达空间对同一输入进行建模，为一致性约束提供基础；通过构建不确定性图并进行块级聚合，基于双解码器预测差异生成动态掩码，对未标记样本进行自适应遮掩处理，实现对高置信区域的保留与低置信区域的抑制，从而减少不可靠预测对模型训练的干扰；进一步地，通过利用弱增强未标记样本中的可靠区域生成伪监督信息，对遮掩后的未标记样本进行选择性约束，仅在高置信区域内传递监督信号，在降低伪标签噪声影响的同时增强一致性学习效果；通过构建包含监督损失、一致性损失、融合损失及掩蔽损失的联合优化目标，实现对标记样本与未标记样本的协同训练；本发明适用于二维及三维医学影像分割任务，可有效提升低对比度区域、边界不清区域的分割精度与整体泛化性能；与现有的uamt、urpc、mc-net、ss-net、ad-mt和unco等半监督方法相比，本发明对于公开数据集acdc的分割处理，dice系数明显更优，在轮廓分割、边缘细节提取精度取得了更好的成绩。