一种基于置信掩膜引导对比学习的半监督医学图像分割方法

1.一种基于置信掩膜引导对比学习的半监督医学图像分割方法，其特征在于，包括以下步骤：

2.根据权利要求1步骤s1所述的基于置信掩膜引导对比学习的半监督医学图像分割方法，其特征在于，所述预处理具体过程为：对收集到医学图像数据随机裁切为统一尺寸，并进行随机旋转、随机高斯噪声数据增强，扩增数据集。

3.根据权利要求1所述的置信掩膜引导对比学习的半监督医学图像分割方法，其特征在于，所述半监督医学图像分割网络模型采用的损失函数由监督损失函数和无监督损失函数组成。

4.根据权利要求1步骤s3所述的置信掩膜引导对比学习的半监督医学图像分割方法，其特征在于，所述的交叉动量混合方法用于在监督学习阶段利用无标签数据提供更全面的特征信息，具体过程为：计算一个batch中每个无标签数据的均值μ和方差σ，使用动量更新方式获取该batch的动量均值μb和动量方差σb。在获取动量均值μb和动量方差σb后，与标签数据进行交叉动量混合。

5.根据权利要求1步骤s3所述的基于置信掩膜引导对比学习的半监督医学图像分割方法，其特征在于，所述的使用har分支监督学生分支训练，纠正学生分支的预测错误，并且为其提供互补信息，具体过程为：将经过交叉动量混合的有标签数据输入到学生分支和har分支，分别得到两个预测：通过两个预测结果可以得到学生分支对标签数据的预测结果的潜在区域，计算互补矫正损失lmr来优化学生分支对潜在区域的预测准确度。

6.根据权利要求1步骤s4所述的基于置信掩膜引导对比学习的半监督医学图像分割方法，其特征在于，通过分类器得到的置信掩膜以及投影器选取正/负样本对，进行对比学习，具体过程为：在三个分支的解码器中第三层分别添加了分类器，在学生和教师分支的解码器第二层卷积层后添加投影器。分类器的输入是上一层卷积层的输出的特征图，三个分类器分别输出三个掩膜，将得到的掩膜逻辑与，得到confidence positive mask(cpm),接着对cpm进行逻辑非操作得到confidence negative mask(cnm)。学生和教师分支的投影器分别输出两个特征图：fs，ft。将cpm分别于fs，ft相乘，在fs，ft上获取对应于cpm的区域，记为：我们从上的采取正样本，对应位置为正样本对。将cnm与ft相乘，在ft上获取对应于cnm的区域，记为我们在上选择负样本对。在对正负样本对进行采样后，使用体素级对比损失提高相似体素之间的紧凑性和不同类别体素之间的可分离性。

7.根据权利要求1步骤s6所述的基于置信掩膜引导对比学习的半监督医学图像分割方法，其特征在于，将测试集输入到训练好的半监督医学图像分割网络模型，计算har分支和教师分支的平均预测结果，作为最终的医学图像分割结果。