欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2023106710200
申请人: 吉林大学
专利类型:发明专利
专利状态:未下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种用于颅内出血的半监督图像分割方法,其特征在于:所述方法具体包括以下步骤:

步骤1、从数据集中筛选样本,划分训练集和测试集;将训练集送入一个由CNN和Transformer作为骨干网络的双架构分割框架中,以同时学习到局部特征与长程特征;

步骤2、在训练过程中,分别处理已标注和未标注的图像;

对于已标注的图像,分别计算CNN和Transformer对于输入图像的预测与其对应真实标签的监督损失 ;

对于未标注的图像,先将图像进行弱增强和强增强,得到弱增强的图像和强增强的图像;然后进行一致性训练和协同训练,将两种增强的图像都分别输入CNN和Transformer中获得对应的图像预测;

步骤3、使用步骤2两种增强的预测分别计算CNN和Transformer的一致性损失,使两种网络框架都能学习到一致性正则化能力;再用两种模型生成的弱增强图像的预测分别作为彼此的伪标签进行协同训练,计算CNN与Transformer总协同训练损失 ;

最后由 、 和 共同组成总的损失函数;

步骤4、训练过程结束后,仅使用训练好的CNN网络进行测试,将测试集输入至训练好的CNN网络提取特征,进行分割,并评估分割结果的正确性。

2.根据权利要求1所述系统,其特征在于:在步骤1中,对于半监督学习,训练集由两部分组成:带标注的数据 和未标注的数据 ,其中 表示带标注的数据的数量,表示未标注的数据的数量;

对于带标注的数据 ,将 分别输入模型中,得到CNN对应的预测 和Transformer对应的预测 ;然后分别计算CNN的监督损失 和Transformer的监督损失 ,其过程如公式(1)与公式(2)所示: (1)

(2)

其中, 和 分别表示交叉熵损失和dice损失, 表示Sigmoid函数;

整个模型总的监督损失计算如公式(3)所示:

 (3)。

3.根据权利要求2所述系统,其特征在于:在步骤2中,根据FixMatch,对未标注的数据进行任务分割,分割为弱增强和强增强;

对 进行弱增强,得到弱增强的数据 ;对 进行强增强,得到强增强的数据;

其中 表示对 进行弱增强, 表示对 进行强增强;

所述弱增强具体为:对进行弱增强的图像,先以50%的概率进行水平翻转,再以50%的概率进行垂直翻转,最后再进行‑30°30°的随机旋转,得到弱增强之后的图像;

~

所述强增强具体为;在弱增强图像的基础上再进行了一次数据增强操作,此次数据增强操作只对图片进行视觉性质变化,涉及对图片的空间或形状进行改变;

所述视觉性质变化包括AutoContrast、Color、Contrast、Equalize、Identity、Posterize、Sharpness和Solarize;在一次强增强操作中,从所有的增强方法的视觉性质变化中随机选取2种方法对图像进行强增强。

4.根据权利要求3所述系统,其特征在于:在步骤3中,通过计算模型对图像弱增强与强增强之后输出的差异性以完成一致性训练;

将 与 分别输入模型,得到CNN对应的弱增强未标记图像的预测 与强增强未标记图像的预测 ,以及Transformer对应的弱增强未标记图像的预测 与强未标记图像的增强 ;

以弱增强的预测结果作为强增强的预测结果的伪标签分别计算CNN的一致性损失与Transformer的一致性损失 ,如公式(4)与公式(5)所示:(4)

(5)

其中 表示dice损失函数, 表示Sigmoid函数;

整个模型总的一致性损失 计算如公式(6)所示:(6)。

5.根据权利要求4所述系统,其特征在于:

采用了CNN与Transformer两种模型进行所述协同训练,以同时提取局部特征和长程相关性,两者相互补充以提升整个模型的性能;

将两个模型对于弱增强未标记图像的预测 与 互相作为彼此的伪标签;即让 作为 的伪标签,同时让 作为 的伪标签计算协同训练的损失,如公式(7)和公式(8)所示CNN协同训练的损失 和Transformer协同训练的损失 : (7)

 (8)

其中 表示dice损失函数, 表示Sigmoid函数;整个模型总协同训练损失计算如公式(9)所示: (9)。

6.根据权利要求5所述系统,其特征在于:

总的训练目标函数由三部分组成,即带标注数据的监督损失 ,不带标注数据的一致性训练损失 和总协同训练损失 ;总的训练损失函数 计算过程如公式(10)所示:

 (10)

其中 为权重因子,目的是控制监督损失 在总的损失函数中的占比;

在训练初始阶段模型由监督损失主导总的损失函数;随着训练的不断推进,再逐步降低监督损失的比重;最后在模型学习到未标注图像的一致性和CNN与Transformer之间的互补信息之后,再逐步提高监督损失的比重,让模型重新专注于分割任务,在这里使用的是高斯升温函数,其定义如公式(11)所示: (11)

其中表示当前训练迭代的epoch, 表示总共需要迭代的epoch。

7.一种用于颅内出血的半监督图像分割系统,其特征在于:所述系统包括数据筛选模块、图像标注模块、损失计算模块和测试模块;

所述数据筛选模块用于从数据集中筛选样本,划分训练集和测试集;将训练集送入一个由CNN和Transformer作为骨干网络的双架构分割框架中,以同时学习到局部特征与长程特征;

所述图像标注模块用于在训练过程中,分别处理已标注和未标注的图像;

对于已标注的图像,分别计算CNN和Transformer对于输入图像的预测与其对应真实标签的监督损失 ;

对于未标注的图像,先将图像进行弱增强和强增强,得到弱增强的图像和强增强的图像;然后进行一致性训练和协同训练,将两种增强的图像都分别输入CNN和Transformer中获得对应的图像预测;

所述损失计算模块使用图像标注模块中两种增强的预测分别计算CNN和Transformer的一致性损失 ,使两种网络框架都能学习到一致性正则化能力;再用两种模型生成的弱增强图像的预测分别作为彼此的伪标签进行协同训练,计算CNN与Transformer总协同训练损失 ;最后由 、 和 共同组成总的损失函数;

所述测试模块用于在训练过程结束后,仅使用训练好的CNN网络进行测试,将测试集输入至训练好的CNN网络提取特征,进行分割,并评估分割结果的正确性。

8.一种电子设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任意一项所述方法的步骤。

9.一种计算机可读存储介质,用于存储计算机指令,其特征在于,所述计算机指令被处理器执行时实现权利要求1至6中任意一项所述方法的步骤。