医学图像分割是计算机辅助干预和诊断中最重要的步骤之一,但在医学图像处理领域要训练高准确度的深度神经网络仍然存在难点。首先,由于手动标记医学像素级标签耗时繁琐且需要专业知识,导致有标签的医学图像数据量一般很少,因此有效利用无标签数据对医学图像分割至关重要。其次,在腹部CT(Computed Tomography)图像中,由于肝脏与相邻器官的对比度低,肝脏形状变化较大,与肝脏内部肿瘤组织的对比度有差异,CT图像存在噪声等诸多原因,使得肝脏CT图像分割成为一项具有挑战性的任务。针对以上问题,本文提出了两种基于半监督学习的肝脏CT图像自动分割方法,分别是基于深度协同训练的肝脏CT图像半监督分割方法和基于分类的肝脏CT图像半监督分割方法。(1)基于深度协同训练的肝脏CT图像半监督分割方法的主要工作如下:半监督学习中的协同训练方法只是将两个分类器对无标签数据生成的伪标签交叉加入到训练集中,这会导入较大的误差,且两个分类器生成两个结果导致最终结果的确定出现困难,本文提出基于深度协同训练的半监督分割方法。这种方法通过粗略挑选和精细挑选两个步骤选出置信度更高的伪标签加入到训练集中,以降低伪标签带入的误差;同时利用average-cut挑选准则确定最终的分割结果,并将形态学开操作应用到分割结果的后处理过程中;迭代以上过程直到对验证集分割结果的Dice和Jaccard相似系数不再增大时为止。实验结果表明,与相同训练集下的多种全监督学习方法相比,提出的方法的Dice值比U-Net网络提高2.73个百分点,Jaccard值提高3.02个百分点。相比于2D V-Net网络Dice值提高0.78个百分点,Jaccard值提高1.09个百分点。当对比数据为测试集中只包含肝脏区域的图像时,提出的方法的Dice值比U-Net网络提高12.55个百分点,Jaccard值提高14.15个百分点。相比于2D V-Net网络Dice值提高3.7个百分点,Jaccard值提高4.89个百分点。(2)基于分类的肝脏CT图像半监督分割方法的主要工作如下:针对半监督学习的自训练方法中,初始训练集包括的大量无肝脏区域图像的分割结果对于计算机辅助诊断意义不大,而且会导致严重的类别不平衡问题,容易出现过分割的情况而降低整体分割结果的准确度。本文提出基于分类的半监督分割方法,即首先利用分类网络对数据集进行二分类,将分类出来的有肝脏区域的图像用于下面的分割任务中,有效缓解类别不平衡的问题;然后通过maxmin-cut挑选准则将置信度较高的伪标签加入到训练集中,将保留3D最大连通区域作为分割结果的后处理。实验结果表明,在相同的数据集下,加入分类步骤后分割结果的Dice值提高2.33个百分点,Jaccard值提高2.22个百分点。提出的方法的Dice值提高4.66个百分点,Jaccard值提高4.53个百分点。以上两种方法分别对半监督学习中的协同训练方法和自训练方法进行了改进,与相同数据集下的全监督学习相比都提高了分割结果的准确度。