[发明专利]一种基于半监督学习的乳腺超声图像病灶分割方法

权利要求书

1.一种基于半监督学习的乳腺超声图像病灶分割方法，其特征在于，其包括：

构建神经网络模型，其中，所述神经网络模型的训练样本包括有标签的第一乳腺超声图像集及无标签的第二乳腺超声图像集；

将待分割的乳腺超声图像输入所述神经网络模型，通过所述神经网络模型对所述乳腺超声图像添加标签以得到携带病灶标记的超声图像；

将第二乳腺超声图像集输入初始神经网络以得第二乳腺超声图像集中各乳腺超声图像对应的超声分割图；

将所述超声分割图作为其对应的乳腺超声图像的标签，以得到第三乳腺超声图像集；

将所述第一乳腺超声图像集和所述第三乳腺超声图像集输入所述初始神经网络，通过反向传播算法更新网络参数以得到所述神经网络；

所述将所述第一乳腺超声图像集和所述第三乳腺超声图像集输入所述初始神经网络，通过反向传播算法更新所述网络参数以得到所述神经网络具体包括：

将所述第一乳腺超声图像集和所述第三乳腺超声图像集输入所述初始神经网络；

通过反向传播算法更新所述网络参数，并判断所述网络参数的更新次数是否达到预设次数；

当所述更新次数达到预设次数时，根据所述网络参数确定神经网络；

当所述更新次数未达到预设次数时，重复将第二乳腺超声图像集输入初始神经网络的操作。

2.根据权利要求1所述基于半监督学习的乳腺超声图像病灶分割方法，其特征在于，所述构建神经网络模型具体包括：

获取训练样本，其中，所述训练样本包括有标签的第一乳腺超声图像集以及无标签的第二乳腺超声图像集；

根据具有标签的乳腺超声图像集获取初始神经网络的网络参数；

采用EM算法对网络参数进行训练以得到所述神经网络。

3.根据权利要求2所述基于半监督学习的乳腺超声图像病灶分割方法，其特征在于，所述根据具有标签的乳腺超声图像集获取初始神经网络的网络参数具体包括：

获取所述训练样本携带的第一乳腺超声图像集，并对第一乳腺超声图像集中的各乳腺超声图像进行标准化；

通过所述标准后的第一乳腺超声图像集对所述初始神经网络进行训练，以得到所述初始神经网络的网络参数。

4.根据权利要求1所述的基于半监督学习的乳腺超声图像病灶分割方法，其特征在于，所述将待分割的乳腺超声图像输入所述神经网络模型，通过所述神经网络模型对所述乳腺超声图像进行标签以得到携带病灶标记的超声图像具体包括：

将待分割的乳腺超声图像输入所述神经网络模型得到带有病灶分割标记的掩膜图像；

将所述掩膜图像与分割的乳腺超声图像相加得到带病灶标记的超声图像。

5.根据权利要求1-4任一所述的基于半监督学习的乳腺超声图像病灶分割方法，其特征在于，所述神经网络模型的损失函数为：

其中，所述λ为权重参数，θ为网络参数，Y_u为无标签的乳腺超声图像，P(y_i,j|x_i,θ)表示在乳腺超声图像x_i上像素j处的softmax概率值，L为第一乳腺超声图像集，U为第二乳腺超声图像集。

6.根据权利要求1-4任一所述的基于半监督学习的乳腺超声图像病灶分割方法，其特征在于，所述神经网络模型包括编码器和解码器，所述编码器包括若干Dense基础单元，所述解码器包括上采样以及若干Dense基础单元，所述编码器与所述解码器的对应层相连接。

7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如权利要求1-6任意一项所述的基于半监督学习的乳腺超声图像病灶分割方法中的步骤。

8.一种应用服务器，其特征在于，包括：处理器、存储器及通信总线；所述存储器上存储有可被所述处理器执行的计算机可读程序；

所述通信总线实现处理器和存储器之间的连接通信；

所述处理器执行所述计算机可读程序时实现如权利要求1-6任意一项所述的基于半监督学习的乳腺超声图像病灶分割方法中的步骤。