1.一种低标注成本的皮肤病图像分割方法,其特征在于,包括:构建皮肤病图像数据集,包括未标注的皮肤病图像和已标注的皮肤病图像,且未标注的皮肤病图像的数量大于已标注的皮肤病图像;
设计低标注成本的皮肤病图像分割网络,包括N个预测模型和多模型融合模块;
使用皮肤病图像数据集分批次对各预测模型进行训练和标注:首先将未标注的皮肤病图像分为若干批次;然后使用当前已标注的皮肤病图像训练预测模型;再采用多种不确定性策略的主动学习方法和基于共享查询值策略的半监督学习方法,使用当前训练得到的预测模型与专家标注相结合,对当前任意批次未标注的皮肤病图像进行标注;再使用多模型融合模块对各预测模型的输出标签进行融合;直到所有皮肤病图像标注完成;
所述采用多种不确定性策略的主动学习方法和基于共享查询值策略的半监督学习方法,使用当前训练得到的预测模型与专家标注相结合,对当前任意批次未标注的皮肤病图像进行标注,具体包括:(1)采用两种主动学习不确定性策略 和 ,分别对未标注的皮肤病图像中的像素进行预分类,记预分类分别为 和 ;
式中, 表示第 个预测模型,表示像素类别, 表示像素的类别种数量, 表示像素 的标签, 表示预测模型 对像素 的输出标签 的概率;
(2)引入随机查询因子 ,对随机查询因子 和预分类 、 进行加权得到像素 的分类置信度 ;
(3)通过共享分类置信度 ,为分类置信度达到预设值的像素分配伪标签完成标注,其余像素作为不确定像素交由专家完成标注;
式中, 为专家标注值,为分配的伪标签;
使用已标注的皮肤病图像对每个预测模型重复迭代训练,直到各预测模型收敛;
使用训练好的各预测模型分别对待分割的皮肤病图像进行分割标注,再使用多模型融合模块对各预测模型的输出标签进行融合,完成待分割皮肤病图像的分割标注。
2.根据权利要求1所述的皮肤病图像分割方法,其特征在于,所述多模型融合模块根据投票熵的大小对像素进行分类,投票熵 的计算方法为:式中, 表示第 个预测模型对像素 的输出标签或专家标注的标签。
3.一种低标注成本的皮肤病图像分割装置,其特征在于,包括:数据集构建模块,用于:构建皮肤病图像数据集,包括未标注的皮肤病图像和已标注的皮肤病图像,且未标注的皮肤病图像的数量大于已标注的皮肤病图像;
分割网络设计模块,用于:设计低标注成本的皮肤病图像分割网络,包括N个预测模型和多模型融合模块;
图像标注模块,用于:使用皮肤病图像数据集分批次对各预测模型进行训练和标注:首先将未标注的皮肤病图像分为若干批次;然后使用当前已标注的皮肤病图像训练预测模型;再采用多种不确定性策略的主动学习方法和基于共享查询值策略的半监督学习方法,使用当前训练得到的预测模型与专家标注相结合,对当前任意批次未标注的皮肤病图像进行标注;再使用多模型融合模块对各预测模型的输出标签进行融合;直到所有皮肤病图像标注完成;
所述图像标注模块对皮肤病图像进行标注的具体过程包括:
(1)采用两种主动学习不确定性策略 和 ,分别对未标注的皮肤病图像中的像素进行预分类,记预分类分别为 和 ;
式中, 表示第 个预测模型,表示像素类别, 表示像素的类别种数量, 表示像素 的标签, 表示预测模型 对像素 的输出标签 的概率;
(2)引入随机查询因子 ,对随机查询因子 和预分类 、 进行加权得到像素 的分类置信度 ;
(3)通过共享分类置信度 ,为分类置信度达到预设值的像素分配伪标签完成标注,其余像素作为不确定像素交由专家完成标注;
式中, 为专家标注值,为分配的伪标签;
模型训练模块,用于:使用已标注的皮肤病图像对每个预测模型重复迭代训练,直到各预测模型收敛;
图像分割模块,用于:使用训练好的各预测模型分别对待分割的皮肤病图像进行分割标注,再使用多模型融合模块对各预测模型的输出标签进行融合,完成待分割皮肤病图像的分割标注。
4.一种电子设备,包括存储器及处理器,所述存储器中存储有计算机程序,其特征在于,所述计算机程序被所述处理器执行时,使得所述处理器实现如权利要求1~2中任一项所述的方法。
5.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1~2中任一项所述的方法。