技术特征：
1.一种基于模型间和模型内不确定性的半监督分割模型，其特征在于，包括学生模型、教师模型和半监督学习损失模块，所述学生模型和教师模型分别为一个医学图像分割模型，所述学生模型的初始数据为有标注数据和无标注数据，所述教师模型的初始数据为无标注数据，每个所述医学图像分割模型包括：卷积块、二阶网络模型结构、伪蒙版引导特征增强模块、多尺度多阶段特征聚合模块、第一卷积层、第二卷积层和第三卷积层，二阶网络模型结构包括：一阶子网络和二阶子网络；卷积块用于向其输入初始数据并将从卷积块输出的粗糙特征分别流向一阶子网络和伪蒙版引导特征增强模块；二阶子网络和一阶子网络的构架相同，各包括：i+1个残差块和一个空洞空间卷积池化金字塔模块，一阶子网络的i+1个残差块用于对粗糙特征进行精细化调整，再向一阶子网络的空洞空间卷积池化金字塔模块输送一阶精细化特征；一阶子网络的空洞空间卷积池化金字塔模块用于对一阶精细化特征提取高阶潜在特征；第一卷积层用于对一阶子网络获得的高阶潜在特征生成伪蒙版；伪蒙版引导特征增强模块用于利用伪蒙版增强粗糙特征的表达能力，以获得伪蒙版引导的融合特征；二阶子网络的i+1个残差块用于输入融合特征并输出二阶精细化特征，二阶子网络的空洞空间卷积池化金字塔模块用于接收二阶子网络的第i+1个残差块输出的二阶精细化特征并输出高阶潜在特征；多尺度多阶段特征聚合模块包括：多尺度特征聚合模块和多阶段特征聚合模块，多尺度特征聚合模块用于对一阶子网络第i个残差块输出的低级特征和二阶子网络第i个残差块输出的低级特征进行多尺度特征聚合以获得多尺度聚合特征，其中，i＝1、
……
、i；第二卷积层用于融合多尺度聚合特征，以输出高阶特征；多阶段特征聚合模块用于对一阶子网络第i+1个残差块的特征输出、二阶子网络的第i+1个残差块的特征输出和高阶特征进行多阶段特征聚合，进而输出多尺度多阶段聚合特征；第三卷积层用于对多尺度多阶段聚合特征和由二阶子网络获得的高阶潜在特征进行特征拼接后再融合以获得预测结果；所述半监督学习损失模块的计算公式为：其中，l
seg
为有监督的损失函数，λ(t)表示第t次训练的一致性损失的平衡因子，表示有标注数据集，x
l
表示有标注数据集中的图像，y
l
表示有标注数据集中图像的标注，m表示有标注数据集中图像的个数；表示无标注数据集中的图像，n表示无标注数据集的图像个数，λ
intra
为控制模型内不确定性正则化l
intra
的权重因子；l
intra
＝l
mse
(f1(
xr
|θ
t
)，f2(
xr
|θ
t
))
其中，u
shape
为形状不确定性，u
shape
＝-u
shap
elogu
shape
u
shape
＝|softmax(f2(x
r
|θ
t
))-softmax(f2(x
r
|θ
t
′
))|f2(x
r
|θ
t
)为学生模型在第t次训练的预测结果，f1(x
r
|θ
t
)为学生模型在第t次训练的伪蒙版，f2(x
r
|θ
t
′
)为教师模型在第t次训练的预测结果，l
mse
表示均方误差损失函数；σ表示最小-最大归一化函数，用以将形状不确定性u
shape
归一化到[0，1]；θ
t
为学生模型在第t次训练的权重，θ
′
t
＝αθ
′
t-1
+(1-α)θ
t
，θ
′
t
为教师模型在第t次训练的权重；θ
′
t-1
为教师模型在第t-1次训练的权重，α为在总的训练过程中使用梯度下降更新学生模型θ
t
的指数移动平均值的衰减率；为教师模型在第t次训练的预测结果的修正；μ
′
r
＝-f2(x
r
|θ
t
′
)logf2(x
r
|θ
t
′
)。2.根据权利要求l所述的半监督分割模型，其特征在于，t为训练总次数。3.根据权利要求2所述的半监督分割模型，其特征在于，α＝0～1。4.根据权利要求3所述的半监督分割模型，其特征在于，将模型间不确定性建模为：模型内不确定性为：5.根据权利要求4所述的半监督分割模型，其特征在于，第一卷积层包括：上采样层和卷积层，第一卷积层的计算过程如下：y
s
＝conv(up(x
c
))其中，x
c
为由一阶子网络获得的高阶潜在特征，up为第一卷积层中的上采样层，conv为卷积层，y
s
为伪蒙版。6.根据权利要求5所述的半监督分割模型，其特征在于，多尺度特征聚合模块的计算公式为：其中，xm为多尺度聚合特征，为第s阶子网络第i个残差块，为第s阶子网络第i—1个残差块输出的低级特征，s＝1、2，i＝1、
……
、i，其中，为卷积块输出的粗糙特征，为伪蒙版引导的融合特征，up为上采样层，δ为参数校正线性单元，为批归一化处理，conv为卷积层。7.根据权利要求6所述的半监督分割模型，其特征在于，第二卷积层的运算过程如下：x
′
m
＝conv(x
m
)
其中，x
′
m
为高阶特征，conv为卷积层，x
m
为多尺度聚合特征。8.根据权利要求7所述的半监督分割模型，其特征在于，多阶段特征聚合模块的计算公式如下：其中，x
′
m
为高阶特征，xh为多尺度多阶段聚合特征，up为上采层，δ为参数校正线性单元，为批归一化处理，conv为卷积层，为第s阶子网络第1+1个残差块，s＝1、2，为第s阶子网络第1个残差块的特征输出。9.根据权利要求8所述的半监督分割模型，其特征在于，第三卷积层包括：上采样、特征拼接和卷积层，第三卷积层的计算公式如下：y
s
＝conv(concat(x
h
，up(x
f
)))其中，ys为预测结果，conv为卷积层，concat为特征拼接操作，xh为多尺度多阶段聚合特征，up为上采样层，x
f
为由二阶子网络获得的高阶潜在特征。
技术总结
本发明公开了一种基于模型间和模型内不确定性的半监督分割模型，半监督分割模型，包括学生模型、教师模型和半监督学习损失模块，半监督学习损失模块的计算公式为：本发明的半监督分割模型利用部分标注数据有效地提取了细胞/腺体的上下文特征，分割出相应细胞/腺体实例并用于下游任务分析，减少了标注数据的使用量，大大降低了专家标注数据所需的工作量。大大降低了专家标注数据所需的工作量。大大降低了专家标注数据所需的工作量。
技术研发人员：金强国 郭菲 崔慧 苏苒 郑江滨
受保护的技术使用者：西北工业大学
技术研发日：2022.12.29
技术公布日：2023/3/14