科创中国

本发明涉及图像分割识别技术领域，具体涉及一种基于互学习的半监督医学图像分割方法及其系统，本发明方法基于互学习算法的技术思路，采用至少两个半监督学习模型进行对偶组合，构建基于互学习的深度半监督学习网络。通过网络中不同子网络(学生网络、教师网络)在训练过程中的交替互相监督，并迫使其输出的类别预测概率保持一致，有效的提高了对无标签样本图像的判断准确性，提高了对标记样本和无标签样本特征提取的鲁棒性。

一种基于互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： S1.引入至少两个半监督学习模型； S2.两个所述半监督模型以对偶的形式连接，使两个所述半监督模型中的教师网络以及学生网络实现多师生交互，以构建基于互学习的深度半监督学习网络； S3.为所述基于互学习的深度半监督学习网络输入样本，通过所述教师网络和所述学生网络在训练过程中的交替互相监督，以及所述学生网络中的模仿损失函数，迫使不同的学生网络之间、教师网络之间，以及学生网络-教师网络间的类别预测概率分布保持一致； 所述教师网络的参数由所述学生网络在训练过程中的参数移动平均得到；所述样本包括有标签样本图像和无标签样本图像。

1. 提高医学图像分割的准确性：通过利用大量的无标签数据，可以提高模型的泛化能力和准确性，从而更好地进行医学图像分割。

2. 减少标注工作量：传统的医学图像分割方法需要大量的标注数据，而基于互学习的方法可以利用无标签数据生成伪标签，从而减少标注工作量。

3. 扩大应用范围：由于医学图像数据的获取成本高，标注数据有限，基于互学习的半监督方法可以充分利用无标签数据，扩大应用范围，提高模型的适用性。

4. 促进医学研究和临床实践：准确的医学图像分割对于医学研究和临床实践具有重要意义。基于互学习的方法可以提高医学图像分割的准确性，从而为医学研究和临床实践提供更准确的结果和指导。

中国科学院深圳先进技术研究院提升了粤港地区及我国先进制造业和现代服务业的自主创新能力，推动我国自主知识产权新工业的建立，成为国际一流的工业研究院。 深圳先进院目前已初步构建了以科研为主的集科研、教育、产业、资本为一体的微型协同创新生AC态系统，由九个研究平台，国科大深圳先进技术学院，多个特色产业育成基地、多支产业发展基金、多个具有独立法人资质的新型专业科研机构等组成。开展先进技术研究，促进科技发展。信息、电子、通讯技术研究新材料、新能源技术研究高性能计算、自动化、精密机械研究生物医学与医疗仪器研究相关学历教育、博士后培养与学术交流。

1. 提高医学图像分割的准确性：通过利用大量的无标签数据，可以提高模型的泛化能力和准确性，从而更好地进行医学图像分割。

2. 减少标注工作量：传统的医学图像分割方法需要大量的标注数据，而基于互学习的方法可以利用无标签数据生成伪标签，从而减少标注工作量。

3. 扩大应用范围：由于医学图像数据的获取成本高，标注数据有限，基于互学习的半监督方法可以充分利用无标签数据，扩大应用范围，提高模型的适用性。

4. 促进医学研究和临床实践：准确的医学图像分割对于医学研究和临床实践具有重要意义。基于互学习的方法可以提高医学图像分割的准确性，从而为医学研究和临床实践提供更准确的结果和指导。

技术转让

基于互学习的半监督医学图像分割方法是一种结合有标签和无标签数据进行学习的技术。在医学图像分割任务中，通常需要大量的标签数据来训练模型，但是标注医学图像数据是一项耗时且费力的工作。因此，利用半监督学习方法可以充分利用有限的标签数据和大量的无标签数据，提高模型性能和泛化能力。