1.一种基于相似性阈值伪标签的半监督医学图像分类方法,其特征在于,包含:
获取医学图像数据集,按照预设比例将医学图像数据集划分为训练集、验证集和测试集,其中,训练集按标记比例划分为未标记数据集和标注有医学图像分类标签的标记数据集;
构建医学图像分类模型并设置模型训练损失函数,其中,模型训练损失函数包含:监督损失、高置信度无监督损失和低置信度无监督损失,所述监督损失为基于标记数据集对模型进行训练得到,高置信度无监督损失为未标记数据集中置信度大于置信度阈值的部分未标记数据对模型进行训练得到,低置信度无监督损失为未标记数据集中置信度小于置信度阈值但是相似性大于相似性阈值的另一部分未标记数据对模型进行训练得到;
基于模型训练损失函数并利用训练集对医学图像分类模型进行训练,并利用验证集和测试集对训练后的模型进行验证和性能调优,得到医学图像分类目标模型;
将待处理医学图像数据输入至医学图像分类目标模型中,利用医学图像分类目标模型预测输出待处理医学图像的分类标签;
基于模型训练损失函数并利用训练集对医学图像分类模型进行训练,包含:
按批次大小采样训练集中的标记数据集和未标记数据集,并对采样得到的标记数据进行弱增强,得到弱增强标记数据,对采样得到的未标记数据分别进行弱增强和强增强得到弱增强未标记数据和强增强未标记数据,其中,弱增强为对图像进行随机翻转和平移进行图像增强,强增强为随机选择并组合多种图像变换操作来对图像进行图像增强,多种图像变换操作包括:图像旋转、图像翻转、图像裁剪和图像颜色变换;
将弱增强标记数据输入至医学图像分类模型,得到对应第一医学分类输出概率分布,将弱增强未标记数据输入至医学分类模型,得到对应第二医学分类输出概率分布;
基于第一医学分类输出概率分布计算监督损失,且将第一医学分类输出概率分布置信度大于置信度阈值且预测为正确标签类别的概率分布的平均作为对应标签类别的类代表概率分布;将第二医学分类输出概率分布置信度与置信度阈值进行比较;
针对置信度大于置信度阈值的未标记数据,根据第二医学分类输出概率分布来预测其对应伪标签,将预测伪标签的未标记数据对应强增强输入至医学图像分类模型,得到对应概率分布,并与对应伪标签计算高置信度无监督损失;
针对置信度小于置信度阈值的未标记数据,将第二医学分类输出概率分布与最高概率类对应的类概率分布进行相似性计算,对相似性大于相似性阈值的未标记数据预测伪标签,将预测伪标签的未标记数据对应强增强输入至医学图像分类模型,得到对应概率分布,并与对应伪标签计算低置信度无监督损失;
基于监督损失、高置信度无监督损失和低置信度无监督损失获取模型训练总损失,并基于模型训练总损失反向传播更新模型参数进行迭代训练。
2.根据权利要求1所述的基于相似性阈值伪标签的半监督医学图像分类方法,其特征在于,获取医学图像数据集,按照预设比例将医学图像数据集划分为训练集、验证集和测试集,包含:收集公开的若干不同类别的医学图像数据集,并对各医学图像数据集进行欠采样,得到每个类别标签下指定数量的医学图像;
将每个类别标签下指定数量的医学图像按预设比例划分为训练集、验证集和测试集。
3.根据权利要求1所述的基于相似性阈值伪标签的半监督医学图像分类方法,其特征在于,构建医学图像分类模型,包含:基于WideResNet宽残差网络构建医学图像分类模型,所述医学图像分类模型包括:多个残差块,且每个残差块包括卷积层、批归一化层和非线性激活函数。
4.根据权利要求1所述的基于相似性阈值伪标签的半监督医学图像分类方法,其特征在于,设置的模型训练损失函数表示为:+a+β,其中,a、β为权重系数,为监督损失,为高置信度无监督损失,为低置信度无监督损失。
5.根据权利要求1所述的基于相似性阈值伪标签的半监督医学图像分类方法,其特征在于,高置信度无监督损失计算过程表示为:,其中,B为批次大小,表示和两个概率分布的交叉熵,μ为训练中未标记数据与标记数据的比例,b为遍历整个批次过程中的单个数据,为第二医学分类输出概率分布,为置信度阈值,为对被标记数据进行强增强后得到的强增强未标记数据,为强增强未标记数据输入到模型得到的输出概率分布,y表示模型输出概率分布。
6.根据权利要求5所述的基于相似性阈值伪标签的半监督医学图像分类方法,其特征在于,低置信度无监督损失计算过程表示为:其中,表示两个概率分布的相似性(巴氏距离)计算,表示类别对应的概率分布,为相似性阈值。
7.一种基于相似性阈值伪标签的半监督医学图像分类系统,其特征在于,包含:样本收集模块、模型构建模块、模型训练模块和图像分类模块,其中,样本收集模块,用于获取医学图像数据集,按照预设比例将医学图像数据集划分为训练集、验证集和测试集,其中,训练集按标记比例划分为未标记数据集和标注有医学图像分类标签的标记数据集;
模型构建模块,用于构建医学图像分类模型并设置模型训练损失函数,其中,模型训练损失函数包含:监督损失、高置信度无监督损失和低置信度无监督损失,所述监督损失为基于标记数据集对模型进行训练得到,高置信度无监督损失为未标记数据集中置信度大于置信度阈值的部分未标记数据对模型进行训练得到,低置信度无监督损失为未标记数据集中置信度小于置信度阈值但相似性大于相似性阈值的另一部分未标记数据对模型进行训练得到;
模型训练模块,用于基于模型训练损失函数并利用训练集对医学图像分类模型进行训练,并利用验证集和测试集对训练后的模型进行验证和性能调优,得到医学图像分类目标模型;
图像分类模块,用于将待处理医学图像数据输入至医学图像分类目标模型中,利用医学图像分类目标模型预测输出待处理医学图像的分类标签;
基于模型训练损失函数并利用训练集对医学图像分类模型进行训练,包含:
按批次大小采样训练集中的标记数据集和未标记数据集,并对采样得到的标记数据进行弱增强,得到弱增强标记数据,对采样得到的未标记数据分别进行弱增强和强增强得到弱增强未标记数据和强增强未标记数据,其中,弱增强为对图像进行随机翻转和平移进行图像增强,强增强为随机选择并组合多种图像变换操作来对图像进行图像增强,多种图像变换操作包括:图像旋转、图像翻转、图像裁剪和图像颜色变换;
将弱增强标记数据输入至医学图像分类模型,得到对应第一医学分类输出概率分布,将弱增强未标记数据输入至医学分类模型,得到对应第二医学分类输出概率分布;
基于第一医学分类输出概率分布计算监督损失,且将第一医学分类输出概率分布置信度大于置信度阈值且预测为正确标签类别的概率分布的平均作为对应标签类别的类代表概率分布;将第二医学分类输出概率分布置信度与置信度阈值进行比较;
针对置信度大于置信度阈值的未标记数据,根据第二医学分类输出概率分布来预测其对应伪标签,将预测伪标签的未标记数据对应强增强输入至医学图像分类模型,得到对应概率分布,并与对应伪标签计算高置信度无监督损失;
针对置信度小于置信度阈值的未标记数据,将第二医学分类输出概率分布与最高概率类对应的类概率分布进行相似性计算,对相似性大于相似性阈值的未标记数据预测伪标签,将预测伪标签的未标记数据对应强增强输入至医学图像分类模型,得到对应概率分布,并与对应伪标签计算低置信度无监督损失;
基于监督损失、高置信度无监督损失和低置信度无监督损失获取模型训练总损失,并基于模型训练总损失反向传播更新模型参数进行迭代训练。
8.一种电子设备,其特征在于,包括:
至少一个处理器,以及与所述至少一个处理器耦合连接的存储器;
其中,所述存储器存储有计算机程序,所述计算机程序能够被所述至少一个处理器执行,以实现如权利要求1~6任一项所述的方法。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机程序,当计算机程序被执行时,能够实现如权利要求1~6任一项所述的方法。