CN114332135A - 一种基于双模型交互学习的半监督医学图像分割方法及装置 - Google Patents

一种基于双模型交互学习的半监督医学图像分割方法及装置 Download PDF

Info

Publication number
CN114332135A
CN114332135A CN202210228536.3A CN202210228536A CN114332135A CN 114332135 A CN114332135 A CN 114332135A CN 202210228536 A CN202210228536 A CN 202210228536A CN 114332135 A CN114332135 A CN 114332135A
Authority
CN
China
Prior art keywords
model
medical image
sample
dual
loss
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202210228536.3A
Other languages
English (en)
Other versions
CN114332135B (zh
Inventor
程乐超
李雪
方超伟
张鼎文
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Lab
Original Assignee
Zhejiang Lab
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang Lab filed Critical Zhejiang Lab
Priority to CN202210228536.3A priority Critical patent/CN114332135B/zh
Publication of CN114332135A publication Critical patent/CN114332135A/zh
Application granted granted Critical
Publication of CN114332135B publication Critical patent/CN114332135B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Image Analysis (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明提出了一种基于双模型交互学习的半监督医学图像分割方法及装置，并辅以稳定性判断策略，用于解决半监督医学图像分割的伪标签质量问题。根据标签数据特征，该方法在有效学习标签数据知识时引入交叉熵和DICE的监督约束。根据伪标签特征，该方法引入伴随变量
Figure 16674DEST_PATH_IMAGE001
，其主要作用是缓解错误伪标签对模型学习过程的影响。对样本进行噪声增强，并在正式训练阶段提供基于样本预测结果和噪声样本预测结果之间的一致性损失。根据双模型对无标签数据的学习，该方法提出基于稳定性判断的伪标签筛选机制，实现双模型交互学习；本发明实现方法简便，手段灵活，在医学图像的训练数据上取得显著的分割效果提升。

Description

一种基于双模型交互学习的半监督医学图像分割方法及装置
技术领域
本发明涉及图像分割领域技术领域，特别涉及一种基于双模型交互学习的半监督医学图像分割方法及装置。
背景技术
近年来，深度学习已经在图像分类、图像分割等视觉计算机任务中取得了显著的成功。虽然利用精细标记的数据进行全监督训练的深度学习模型在多种医学图像分割任务（如神经元结构、息肉、肝脏、胰腺分割等）中已取得了非常高的性能。但是全监督训练需要大量的像素级标注数据。真实世界中，对医学图像采集精确的像素级标签需要医学专家花费大量的时间，导致医学图像标注数据的获取往往成本更加昂贵且耗时。因此，降低数据的标记成本，即：利用较少的标记数据建立高性能的医学图像分割模型，在实际应用中至关重要。
近期利用少量的标记数据和大量的未标记数据的半监督学习方法获得大量的关注。许多半监督学习方法主要可以分成单模型和平均教师模型两类方法。单模型方法主要利用一致性约束或对抗训练来利用无标注数据的信息。基于对抗训练的单模型方法将分割模型当成生成器，并构建判别器用于区分生成的分割掩膜和真实的分割掩膜，生成器和判别器之间的对抗学习使得分割结果服从真实掩膜的形状分布。但对抗学习通用性不好，尤其是对目标形状多样化较高的分割任务。基于一致性约束的单模型方法在输入层或者特征层引入扰动，这样对同一个无标签样本实施两次前向传播会得到两个不同的预测结果，最后在两个预测结果之间施加一致性正则，即：两个预测结果尽可能保持一致，但是单模型在训练集上的学习能力有限，当模型学习能力趋于饱和状态时，单模型会保留认为“正确”的错误预测信息，因此单模型一致性对错误预测的纠正能力弱。在此基础上，为提高模型对错误预测的纠错能力，更多学者将注意力集中到了平均教师模型方法上，在该方法中，通常创建两个角色：老师模型和学生模型（即师生结构）。具体地，平均教师模型的通常做法是：1）对学生的输入层或特征层加入小扰动（比如，高斯噪声）；2）在学生和老师模型的预测之间施加一致性约束。在平均教师模型参数更新过程中，老师模型的参数由学生模型参数的指数移动平均（Exponential Moving Average, EMA）生成。然而，随着迭代次数的增加，指数移动平均的更新方式导致老师模型累积学生模型所学到的所有知识，而对错误知识的累积不能保障老师模型为学生模型提供更好的监督信息，因此阻碍了学生模型的进一步优化。从上述分析中可以发现，如何有效提升对无标签数据生成的“伪标签”质量是半监督学习中的主要挑战。
发明内容
本发明的目的在于提供一种基于双模型交互学习的半监督医学图像分割方法，以克服当前基于半监督的医学图像分割任务中，提高伪标签质量的问题。单模型在训练集上的学习能力有限，当模型学习能力趋于饱和状态时，单模型会保留认为“正确”的错误预测信息，因此单模型一致性对错误预测的纠正能力弱。在平均教师模型中，随着迭代次数的增加，指数移动平均的更新方式导致老师模型累积学生模型所学到的所有知识，而对错误知识的累积不能保障老师模型为学生模型提供更好的监督信息，因此阻碍了学生模型的进一步优化。
为实现上述目的，本发明提供如下技术方案：
本申请公开了一种基于双模型交互学习的半监督医学图像分割方法，包括以下步骤：
S1、将未经过数据增强处理的医学图像作为原始样本，在原始样本中的标注样本
Figure 607497DEST_PATH_IMAGE001
的分割结果
Figure 207106DEST_PATH_IMAGE002
和标注样本
Figure 814805DEST_PATH_IMAGE001
对应的真实标签
Figure 804758DEST_PATH_IMAGE003
之间构建监督约束
Figure 788894DEST_PATH_IMAGE004
；所述原始样本包括标注样本
Figure 243009DEST_PATH_IMAGE001
和无标注样本
Figure 287189DEST_PATH_IMAGE005
；
S2、对原始样本进行数据增强得到噪声样本，并在原始样本和噪声样本的预测结果之间计算一致性损失；
S3、对无标注样本
Figure 578753DEST_PATH_IMAGE005
的像素在两个医学图像分割的模型中的稳定性进行判断；利用一个模型中更稳定的像素信息去监督另一个模型训练，并计算两个模型训练前的稳定损失；两个医学图像分割的模型结构相同，且参数相互独立；
S4、根据S1构建监督约束
Figure 304264DEST_PATH_IMAGE004
、S2中计算一致性损失获得的结果及S3中计算稳定损失获得的结果对医学图像分割的模型进行训练。
作为优选，所述步骤S1具体包括如下子步骤：
S11、计算标注样本的分割结果
Figure 612885DEST_PATH_IMAGE002
和真实标签
Figure 562387DEST_PATH_IMAGE003
之间的交叉熵损失；
S12、计算标注样本的分割结果
Figure 589249DEST_PATH_IMAGE002
和真实标签
Figure 915188DEST_PATH_IMAGE003
之间的DICE损失；
S13、根据交叉熵损失和DICE损失之间的均值，构建监督约束
Figure 343895DEST_PATH_IMAGE004
；
作为优选，所述步骤S2具体包括如下子步骤：
S21、对原始样本中的标注样本
Figure 667560DEST_PATH_IMAGE001
和无标注样本
Figure 712877DEST_PATH_IMAGE006
加入噪声干扰
Figure 780190DEST_PATH_IMAGE007
，得到相应的噪声数据
Figure 63404DEST_PATH_IMAGE008
和
Figure 354708DEST_PATH_IMAGE009
；
S22、将噪声数据
Figure 356162DEST_PATH_IMAGE008
和
Figure 23903DEST_PATH_IMAGE009
输入模型
Figure 161624DEST_PATH_IMAGE010
中，得到噪声数据相对应分割结果
Figure 827091DEST_PATH_IMAGE011
和
Figure 50262DEST_PATH_IMAGE012
和噪声数据相对应伴随变量
Figure 521695DEST_PATH_IMAGE013
和
Figure 779501DEST_PATH_IMAGE014
；
S23、对于标注样本
Figure 412608DEST_PATH_IMAGE001
，在标注样本
Figure 123075DEST_PATH_IMAGE001
的分割结果
Figure 335881DEST_PATH_IMAGE002
和标注样本
Figure 182615DEST_PATH_IMAGE001
的伴随变量
Figure 252202DEST_PATH_IMAGE015
、标注样本
Figure 184386DEST_PATH_IMAGE001
的分割结果
Figure 263200DEST_PATH_IMAGE002
和噪声数据
Figure 964440DEST_PATH_IMAGE008
的伴随变量
Figure 204928DEST_PATH_IMAGE013
中引入一致性正则化，通过采用均方误差函数计算
Figure 618549DEST_PATH_IMAGE002
和
Figure 969896DEST_PATH_IMAGE015
、
Figure 791221DEST_PATH_IMAGE002
和
Figure 202611DEST_PATH_IMAGE013
之间的一致性损失；
S24、对于无标注样本
Figure 312650DEST_PATH_IMAGE006
，将基于无标注样本
Figure 467687DEST_PATH_IMAGE006
的分割结果
Figure 409099DEST_PATH_IMAGE016
和噪声数据
Figure 991390DEST_PATH_IMAGE009
的分割结果
Figure 385462DEST_PATH_IMAGE012
分配伪标签，并利用伪标签对无标注样本
Figure 281874DEST_PATH_IMAGE017
的伴随变量
Figure 77791DEST_PATH_IMAGE018
进行监督；将
Figure 830984DEST_PATH_IMAGE018
作为
Figure 712352DEST_PATH_IMAGE016
和
Figure 209193DEST_PATH_IMAGE012
的监督信息，采用均方误差计算
Figure 62879DEST_PATH_IMAGE016
和
Figure 986973DEST_PATH_IMAGE018
、
Figure 355637DEST_PATH_IMAGE012
和
Figure 390589DEST_PATH_IMAGE018
之间的一致性损失。
作为优选，所述步骤S3中像素在模型中的预测结果稳定判断条件如下：
S31、原像素的预测标注类别和扰动后像素的预测标注类别一致；
S32、像素预测标注为
Figure 161099DEST_PATH_IMAGE019
类时，对应的在
Figure 459356DEST_PATH_IMAGE020
类上预测的概率值大于阈值
Figure 49738DEST_PATH_IMAGE021
；
若像素同时满足上述两个条件则表示像素稳定；否则，表示像素不稳定。
作为优选，所述步骤S3还包括对像素在模型中的稳定性程度评估：利用均方误差衡量模型对像素预测的稳定性程度。
作为优选，所述步骤S3中所述模型包括第一模型和第二模型，利用一个模型中更稳定的像素信息去监督另一个模型训练，并计算稳定损失的具体操作如下：
S33、首先对第一模型和第二模型分别定义伪标签变量
Figure 888381DEST_PATH_IMAGE022
和
Figure 513397DEST_PATH_IMAGE023
，并将它们分别初始化为
Figure 779293DEST_PATH_IMAGE024
和
Figure 856971DEST_PATH_IMAGE025
；
S34、对第一模型利用MSE函数计算更新后的
Figure 499305DEST_PATH_IMAGE022
和
Figure 182090DEST_PATH_IMAGE024
之间的稳定损失；
S35、对第二模型利用MSE函数计算更新后的
Figure 613028DEST_PATH_IMAGE023
和
Figure 178002DEST_PATH_IMAGE025
之间的稳定损失。
本发明的有益效果：
本发明一种基于双模型交互学习的半监督医学图像分割方法，根据标签数据特征，该方法在有效学习标签数据知识时引入交叉熵和DICE的监督约束；根据伪标签特征，该方法引入伴随变量
Figure 358447DEST_PATH_IMAGE026
，其主要作用是缓解错误伪标签对模型学习过程的影响；对样本进行噪声增强，并在正式训练阶段提供基于样本预测结果和噪声样本预测结果之间的一致性损失；根据双模型对无标签数据的学习，该方法提出基于稳定性判断的伪标签筛选机制，实现双模型交互学习；本发明实现方法简便，手段灵活，在医学图像的训练数据上取得显著的分割效果提升。
本发明的特征及优点将通过实施例结合附图进行详细说明。
附图说明
图1 双模型交互学习框架图。MSE、CE和DICE分别表示均方误差函数、交叉熵函数和DICE函数；
图2 在ACDC数据集上，双模型与其他半监督方法分割结果图，图中黑色区域代表背景，深灰色区域代表左室腔，浅灰色区域代表左室心肌，白色区域代表右室腔；
图3 在训练过程中，平均教师模型和双模型的输出结果对比图；
图4 在LITS数据集上，双模型与其他半监督方法分割结果图，图中白色区域代表肝脏区域；
图5 在BraTS2019数据集上，双模型与其他半监督方法分割结果图，图中白色区域代表整个肿瘤区域；
图6本发明一种基于双模型交互学习的半监督医学图像分割装置的结构图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了，下面通过附图及实施例，对本发明进行进一步详细说明。但是应该理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
本发明实施例提供一种基于双模型交互学习的半监督医学图像分割方法，包括如下步骤：
1、实验设定与准备：
本发明主要解决半监督医学图像分割任务中，提升伪标签质量和模型分割性能的问题。这里正式定义训练集
Figure 958056DEST_PATH_IMAGE027
，训练集
Figure 769017DEST_PATH_IMAGE027
包括标注数据集
Figure 821287DEST_PATH_IMAGE028
和无标注数据集
Figure 805423DEST_PATH_IMAGE029
，即：
Figure 259538DEST_PATH_IMAGE030
，其中
Figure 38139DEST_PATH_IMAGE028
由标注样本及其标签组成，即
Figure 780967DEST_PATH_IMAGE031
，
Figure 303215DEST_PATH_IMAGE001
表示有标注样本，
Figure 611836DEST_PATH_IMAGE003
表示有标注样本对应的真实标签；
Figure 561338DEST_PATH_IMAGE029
表示数据集中仅包括无标注样本，即
Figure 853779DEST_PATH_IMAGE032
，
Figure 914139DEST_PATH_IMAGE033
表示无标注样本。假设所有样本和真实标注大小均为
Figure 77267DEST_PATH_IMAGE034
。因此本发明中设计的半监督医学分割任务的目的是：利用少量有标注医学样本和大量无标注医学样本组成的数据集训练出性能良好的分割模型。
对于训练模型的网络结构设定，本文提出的双模型框架由结构相同、参数独立的两个模型组成（见图1）。网络结构采用医学图像分割中常用的U-Net网络，U-Net网络主要由编码器、解码器和跳跃连接三部分组成。编码器和解码器分别包含四个子模块，编码器中的每个子模块包含两个卷积层和一个下采样层，解码器中的每个子模块包含一个上采样层和两个卷积层。跳跃连接的作用是将编码器的中间特征融入具有相同分辨率输入的解码模块中。
对于模型输出的设定，给定输入图像，每个模型的最后一个卷积层输出两个变量：分割结果
Figure 666511DEST_PATH_IMAGE035
和双模型交互学习的伴随变量
Figure 915090DEST_PATH_IMAGE036
。在模型训练过程中，
Figure 779141DEST_PATH_IMAGE036
为无标签图像提供监督信号，即伪标签，其主要作用是缓解错误伪标签对模型学习过程的影响。定义
Figure 327934DEST_PATH_IMAGE037
在模型
Figure 619238DEST_PATH_IMAGE038
中的分割结果和伴随变量分别为
Figure 558375DEST_PATH_IMAGE039
和
Figure 226117DEST_PATH_IMAGE040
；
Figure 363837DEST_PATH_IMAGE041
在模型
Figure 826042DEST_PATH_IMAGE038
中的分割结果和伴随变量分别为
Figure 49213DEST_PATH_IMAGE042
和
Figure 520646DEST_PATH_IMAGE043
。
2、有监督约束：
为保证双模型中的每个模型自身可以充分探索和学习有标注样本的知识，本设计直接利用它们的实际标注构建有监督约束。采用交叉熵（Cross-Entropy, CE）和DICE函数计算模型分割结果
Figure 512873DEST_PATH_IMAGE039
和真实标签
Figure 608961DEST_PATH_IMAGE044
之间的监督损失。
具体地，交叉熵损失定义为：
Figure 319429DEST_PATH_IMAGE045
DICE损失定义为：
Figure 63394DEST_PATH_IMAGE046
因此，根据交叉熵损失和DICE损失，定义有监督损失为：
Figure 175706DEST_PATH_IMAGE047
其中，
Figure 245293DEST_PATH_IMAGE048
表示待分割的类别数；
Figure 443056DEST_PATH_IMAGE049
表示模型
Figure 990712DEST_PATH_IMAGE050
预测像素
Figure 957531DEST_PATH_IMAGE051
属于
Figure 198020DEST_PATH_IMAGE052
类别的概率；
Figure 820762DEST_PATH_IMAGE053
表示像素
Figure 172109DEST_PATH_IMAGE054
真实标签是否是
Figure 993435DEST_PATH_IMAGE052
类；如果
Figure 670404DEST_PATH_IMAGE055
，表示像素
Figure 577180DEST_PATH_IMAGE054
真实标签是
Figure 669901DEST_PATH_IMAGE056
类；如果
Figure 611312DEST_PATH_IMAGE057
，表示像素
Figure 193603DEST_PATH_IMAGE054
真实标签不是
Figure 853254DEST_PATH_IMAGE052
类；
Figure 546404DEST_PATH_IMAGE058
表示模型
Figure 76742DEST_PATH_IMAGE050
的交叉熵损失；
Figure 33197DEST_PATH_IMAGE059
表示模型
Figure 180145DEST_PATH_IMAGE050
的DICE损失；
Figure 676985DEST_PATH_IMAGE060
表示模型
Figure 327409DEST_PATH_IMAGE050
的监督损失。
3、噪声增强策略：
对所有输入图像
Figure 985924DEST_PATH_IMAGE061
（其为有标签图像
Figure 354588DEST_PATH_IMAGE062
或无标签图像
Figure 389540DEST_PATH_IMAGE063
）加入噪声干扰
Figure 380891DEST_PATH_IMAGE064
，得到噪声数据
Figure 210306DEST_PATH_IMAGE065
（包括有标签噪声图像
Figure 66267DEST_PATH_IMAGE066
和无标签噪声图像
Figure 904910DEST_PATH_IMAGE067
），具体定义为：
Figure 529926DEST_PATH_IMAGE068
，
其中，“
Figure 999085DEST_PATH_IMAGE069
”表示逐点乘法，在
Figure 76762DEST_PATH_IMAGE070
中处于位置
Figure 719096DEST_PATH_IMAGE071
上的
Figure 464198DEST_PATH_IMAGE072
服从均匀分布，即：
Figure 900996DEST_PATH_IMAGE073
，
Figure 669232DEST_PATH_IMAGE074
。根据上述公式对
Figure 849677DEST_PATH_IMAGE062
和
Figure 183707DEST_PATH_IMAGE063
进行干扰，分别得到噪声图像
Figure 791406DEST_PATH_IMAGE075
和
Figure 843675DEST_PATH_IMAGE076
。将
Figure 562232DEST_PATH_IMAGE077
输入模型
Figure 16348DEST_PATH_IMAGE050
中，得到分割结果
Figure 60527DEST_PATH_IMAGE078
和伴随变量
Figure 600093DEST_PATH_IMAGE079
。
4：一致性损失：
在监督损失的基础上，为进一步学习和利用无标注图像的知识，本发明在原始图像和噪声图像之间引入无监督一致性约束。
对有标签图像，考虑到真实标签被用于直接监督
Figure 325603DEST_PATH_IMAGE080
，
Figure 634225DEST_PATH_IMAGE080
具有高可信度，因此利用
Figure 583726DEST_PATH_IMAGE080
监督
Figure 345009DEST_PATH_IMAGE081
和
Figure 670948DEST_PATH_IMAGE082
，即：在
Figure 99655DEST_PATH_IMAGE080
和
Figure 220058DEST_PATH_IMAGE081
、
Figure 734216DEST_PATH_IMAGE080
和
Figure 598267DEST_PATH_IMAGE082
中引入一致性正则化。通过采用均方误差函数（MeanSquared Error, MSE）计算
Figure 615901DEST_PATH_IMAGE080
和
Figure 370188DEST_PATH_IMAGE081
、
Figure 106062DEST_PATH_IMAGE080
和
Figure 773804DEST_PATH_IMAGE082
之间的一致性损失，具体定义为：
Figure 911524DEST_PATH_IMAGE083
其中，
Figure 639309DEST_PATH_IMAGE084
表示模型
Figure 862480DEST_PATH_IMAGE050
的对伴随变量
Figure 271596DEST_PATH_IMAGE085
的一致性约束。优化过程中，
Figure 263822DEST_PATH_IMAGE080
不参与误差的反向传播，即不参与梯度计算。
对无标签图像，我们将基于分割结果（
Figure 162508DEST_PATH_IMAGE086
和
Figure DEST_PATH_IMAGE087
）分配伪标签，并利用伪标签对伴随变量
Figure 341817DEST_PATH_IMAGE088
进行监督。最后，我们将
Figure 351361DEST_PATH_IMAGE088
作为分割结果
Figure 463674DEST_PATH_IMAGE086
和
Figure 267682DEST_PATH_IMAGE087
的监督信息，采用均方误差（MeanSquared Error, MSE）计算
Figure 465445DEST_PATH_IMAGE086
和
Figure 13101DEST_PATH_IMAGE088
、
Figure 979920DEST_PATH_IMAGE087
和
Figure 158091DEST_PATH_IMAGE088
之间的一致性损失，具体定义为：
Figure DEST_PATH_IMAGE089
其中，
Figure 311992DEST_PATH_IMAGE090
表示模型
Figure 928918DEST_PATH_IMAGE050
对分割结果
Figure 750244DEST_PATH_IMAGE035
的一致性约束。优化过程中，
Figure 364896DEST_PATH_IMAGE091
不参与误差的反向传播，即不参与梯度计算。
5、像素稳定性判断策略：
对无标注样本的像素在两个模型中的稳定性进行判断。定义一个稳定像素必须满足两个条件：第一，一定限度的噪声干扰不影响分割结果；第二，像素的预测概率值应该远离决策边界，即像素的预测标签有一个高概率值。因此，具体地，像素
Figure 537251DEST_PATH_IMAGE092
在模型
Figure 426710DEST_PATH_IMAGE050
中的预测结果稳定判断条件为：
1）原像素的预测标签类别和扰动后像素的预测标签类别一致，具体表示为：
Figure 368121DEST_PATH_IMAGE093
。
2）像素预测标签为
Figure 684833DEST_PATH_IMAGE052
类时，对应的在
Figure 276308DEST_PATH_IMAGE052
类上预测的概率值大于阈值
Figure 969458DEST_PATH_IMAGE094
。具体表示为：
Figure 30955DEST_PATH_IMAGE095
。
其中，
Figure 784147DEST_PATH_IMAGE096
；
Figure 665515DEST_PATH_IMAGE097
；
Figure 100039DEST_PATH_IMAGE098
为模型
Figure 750463DEST_PATH_IMAGE050
对像素
Figure 674557DEST_PATH_IMAGE099
的预测标签，
Figure 43221DEST_PATH_IMAGE100
为模型
Figure 343752DEST_PATH_IMAGE050
对像素
Figure 848683DEST_PATH_IMAGE101
的预测标签。
利用
Figure 146940DEST_PATH_IMAGE102
表示像素
Figure 2901DEST_PATH_IMAGE103
在模型
Figure 575965DEST_PATH_IMAGE050
的预测结果的稳定性，若同时满足上述两个条件表示像素稳定，即：
Figure 200981DEST_PATH_IMAGE104
；否则，表示像素不稳定，即 ：
Figure 732457DEST_PATH_IMAGE105
。
6、像素稳定性程度判断：
对像素在模型
Figure 810134DEST_PATH_IMAGE050
中的稳定性程度进行了评估，具体地，利用均方误差衡量模型
Figure 452468DEST_PATH_IMAGE050
对像素
Figure 135253DEST_PATH_IMAGE106
预测的稳定性程度，具体数学表达式如下：
Figure 572051DEST_PATH_IMAGE107
其中，
Figure 137024DEST_PATH_IMAGE108
越小说明像素在模型
Figure 51891DEST_PATH_IMAGE050
中更稳定，
Figure 651499DEST_PATH_IMAGE109
表示待分割的类别数。
7、基于像素稳定性判断的伪标签生成机制：
构建基于像素稳定性判断的伪标签生成机制，即：利用一个模型中更稳定的像素信息去监督另一个模型训练。一个像素在两个模型之中的稳定性关系存在三种情况，第一种情况：像素
Figure 259198DEST_PATH_IMAGE106
在一个模型中稳定，在另一个模型中不稳定；第二种情况：像素
Figure 577047DEST_PATH_IMAGE106
在两个模型中都稳定，并且在一个模型中的稳定性高于在另一个模型的稳定性；第三种情况：像素
Figure 295604DEST_PATH_IMAGE106
在两个模型中都不稳定。当满足第一种和第二种情况时，我们利用一个模型中稳定/更稳定的像素信息去监督另一个模型中不稳定/稳定的像素信息的学习，当满足第三种情况时，说明像素在两个模型中的预测结果均不准确，因此两个模型之间不进行交互学习。具体做法为：首先对模型1和模型2分别定义伪标签变量
Figure 952982DEST_PATH_IMAGE110
和
Figure 528319DEST_PATH_IMAGE111
，并将它们分别初始化为
Figure 67885DEST_PATH_IMAGE112
和
Figure 787536DEST_PATH_IMAGE113
。以模型1为例，对像素
Figure 96158DEST_PATH_IMAGE106
分以下两种情况更新伪标签
Figure 45659DEST_PATH_IMAGE110
：
1）如果
Figure 806942DEST_PATH_IMAGE114
，则
Figure 132881DEST_PATH_IMAGE115
；
2）如果
Figure 561588DEST_PATH_IMAGE116
，而且
Figure 681991DEST_PATH_IMAGE117
，则
Figure 196149DEST_PATH_IMAGE118
；
8、稳定性损失：
根据基于像素稳定性的伪标签机制，对生成的伪标签考虑到筛选的稳定像素仍然会包含少量错误标签，为缓解其对模型学习的影响，将所获得的伪标签
Figure 60200DEST_PATH_IMAGE110
和
Figure 281097DEST_PATH_IMAGE111
用于监督伴随变量
Figure 837980DEST_PATH_IMAGE119
和
Figure 573855DEST_PATH_IMAGE120
。具体地，对模型1利用MSE函数计算更新后的
Figure 241597DEST_PATH_IMAGE110
和
Figure 379317DEST_PATH_IMAGE119
之间的稳定损失，稳定损失定义为：
Figure 107102DEST_PATH_IMAGE121
对模型2利用MSE函数计算更新后的
Figure 64693DEST_PATH_IMAGE111
和
Figure 739388DEST_PATH_IMAGE120
之间的稳定损失，稳定损失定义为：
Figure 731615DEST_PATH_IMAGE122
基于稳定损失的双模型交互学习方法在ACDC、LITS和BraTS2019三种医学数据集上均取得高质量的分割性能（见图2、图4和图5）。具体的，在ACDC、LITS和BraTS2019三种医学数据集上，采用Unet、DenseUnet或3D Unet网络，双模型方法与平均教师（Mean Teacher,MT）、不确定性感知自集成模型（Uncertainty- Aware Self-Ensembling, UAMT）、深度对抗模型（Deep Adversarial Networks, DAN）、对抗熵最小化模型（Entropy Minimization,EM）、插值一致性训练模型（Interpolation Consistency Training, ICT）、转换一致性自集成模型（Transformation-Consistent Self-Ensembling, TCSM）、双学生模型（DualStudent, DS）、深度互学习（Deep Mutual Learning, DML）、特征级对抗学习（Feature-map-level, FML）、双网络（DualNet, D-N）方法相比，双模型均获得了高质量的分割性能（见表1、表2、表3）；本发明提出的一致性损失、稳定性判断机制、伴随变量和稳定损失均有效帮助模型获得好的分割性能。
表1 采用Unet和DneseUnet网络结构时, 在不同标签比例的ACDC数据集下与其他方法的对比结果
Figure 364722DEST_PATH_IMAGE123
表2 采用Unet和DenseUnet网络结构，在30%标签比例的LiTS数据集下与其他方法的对比结果.
Figure 340768DEST_PATH_IMAGE124
表3 采用3D Unet网络，在30%标签比例的BraTS2019数据集下与其他方法的对比结果
Figure 84733DEST_PATH_IMAGE125
除此之外，基于稳定损失的双模型交互学习方法相比与均值教师模型可以更好的减少错误伪标签在模型训练过程中的传播与累积（见图3）。最后，关于本发明的双模型与其他双模型方法相比较主要贡献是引入稳定伪标签判断机制, 用一个模型的稳定像素去监督另一个模型的不稳定像素（见表4）。
表4 本文双模型方法与其他双模型方法的比较
Figure 931466DEST_PATH_IMAGE126
本发明实施例还提供一种基于双模型交互学习的半监督医学图像分割装置，该装置可包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现上述实施例中的基于双模型交互学习的半监督医学图像分割方法；
本发明一种基于双模型交互学习的半监督医学图像分割装置的实施例可以应用在任意具备数据处理能力的设备上，该任意具备数据处理能力的设备可以为诸如计算机等设备或装置。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在任意具备数据处理能力的设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图6所示，为本发明一种基于双模型交互学习的半监督医学图像分割装置所在任意具备数据处理能力的设备的一种硬件结构图，除了图6所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的任意具备数据处理能力的设备通常根据该任意具备数据处理能力的设备的实际功能，还可以包括其他硬件，对此不再赘述。上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
本发明实施例还提供一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现上述实施例中的基于双模型交互学习的半监督医学图像分割方法。
所述计算机可读存储介质可以是前述任一实施例所述的任意具备数据处理能力的设备的内部存储单元，例如硬盘或内存。所述计算机可读存储介质也可以是任意具备数据处理能力的设备的外部存储设备，例如所述设备上配备的插接式硬盘、智能存储卡(Smart Media Card，SMC)、SD卡、闪存卡(Flash Card）等。进一步的，所述计算机可读存储介质还可以既包括任意具备数据处理能力的设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述任意具备数据处理能力的设备所需的其他程序和数据，还可以用于暂时地存储已经输出或者将要输出的数据。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换或改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于双模型交互学习的半监督医学图像分割方法，其特征在于，包括以下步骤：
S1、将未经过数据增强处理的医学图像作为原始样本，在原始样本中的标注样本
Figure 449265DEST_PATH_IMAGE001
的分割结果
Figure 694301DEST_PATH_IMAGE002
和标注样本
Figure 942880DEST_PATH_IMAGE001
对应的真实标签
Figure 682297DEST_PATH_IMAGE003
之间构建监督约束
Figure 699932DEST_PATH_IMAGE004
；所述原始样本包括标注样本
Figure 381449DEST_PATH_IMAGE001
和无标注样本
Figure 382903DEST_PATH_IMAGE005
；
S2、对原始样本进行数据增强得到噪声样本，并在原始样本和噪声样本的预测结果之间计算一致性损失；
S3、对无标注样本
Figure 654572DEST_PATH_IMAGE005
的像素在两个医学图像分割的模型中的稳定性进行判断；利用一个模型中更稳定的像素信息去监督另一个模型训练，并计算两个模型训练前的稳定损失；两个医学图像分割的模型结构相同，且参数相互独立；
S4、根据S1构建监督约束
Figure 526713DEST_PATH_IMAGE004
、S2中计算一致性损失获得的结果及S3中计算稳定损失获得的结果对医学图像分割的模型进行训练。
2.如权利要求1所述的一种基于双模型交互学习的半监督医学图像分割方法，其特征在于，所述步骤S1具体包括如下子步骤：
S11、计算标注样本的分割结果
Figure 379131DEST_PATH_IMAGE002
和真实标签
Figure 602302DEST_PATH_IMAGE003
之间的交叉熵损失；
S12、计算标注样本的分割结果
Figure 417943DEST_PATH_IMAGE002
和真实标签
Figure 534803DEST_PATH_IMAGE003
之间的DICE损失；
S13、根据交叉熵损失和DICE损失之间的均值，构建监督约束
Figure 433489DEST_PATH_IMAGE004
。
3.如权利要求1所述的一种基于双模型交互学习的半监督医学图像分割方法，其特征在于，所述步骤S2具体包括如下子步骤：
S21、对原始样本中的标注样本
Figure 222585DEST_PATH_IMAGE001
和无标注样本
Figure 356763DEST_PATH_IMAGE005
加入噪声干扰
Figure 469075DEST_PATH_IMAGE006
，得到相应的噪声数据
Figure 148450DEST_PATH_IMAGE007
和
Figure 346213DEST_PATH_IMAGE008
；
S22、将噪声数据
Figure 159448DEST_PATH_IMAGE007
和
Figure 250901DEST_PATH_IMAGE008
输入模型
Figure 225810DEST_PATH_IMAGE009
中，得到噪声数据相对应分割结果
Figure 786235DEST_PATH_IMAGE010
和
Figure 996637DEST_PATH_IMAGE011
和噪声数据相对应伴随变量
Figure 552383DEST_PATH_IMAGE012
和
Figure 573560DEST_PATH_IMAGE013
；
S23、对于标注样本
Figure 604970DEST_PATH_IMAGE001
，在标注样本
Figure 228849DEST_PATH_IMAGE001
的分割结果
Figure 780047DEST_PATH_IMAGE002
和标注样本
Figure 221393DEST_PATH_IMAGE001
的伴随变量
Figure 615465DEST_PATH_IMAGE014
、标注样本
Figure 183981DEST_PATH_IMAGE001
的分割结果
Figure 714319DEST_PATH_IMAGE002
和噪声数据
Figure 592146DEST_PATH_IMAGE007
的伴随变量
Figure 473514DEST_PATH_IMAGE012
中引入一致性正则化，通过采用均方误差函数计算
Figure 332140DEST_PATH_IMAGE002
和
Figure 248144DEST_PATH_IMAGE014
、
Figure 296871DEST_PATH_IMAGE002
和
Figure 665536DEST_PATH_IMAGE012
之间的一致性损失；
S24、对于无标注样本
Figure 310275DEST_PATH_IMAGE005
，将基于无标注样本
Figure 80784DEST_PATH_IMAGE005
的分割结果
Figure 300413DEST_PATH_IMAGE015
和噪声数据
Figure 766161DEST_PATH_IMAGE008
的分割结果
Figure 339225DEST_PATH_IMAGE011
分配伪标签，并利用伪标签对无标注样本
Figure 88875DEST_PATH_IMAGE005
的伴随变量
Figure 354771DEST_PATH_IMAGE016
进行监督；将
Figure 307815DEST_PATH_IMAGE016
作为
Figure 950149DEST_PATH_IMAGE015
和
Figure 288726DEST_PATH_IMAGE011
的监督信息，采用均方误差计算
Figure 991103DEST_PATH_IMAGE015
和
Figure 165863DEST_PATH_IMAGE016
、
Figure 80730DEST_PATH_IMAGE011
和
Figure 804972DEST_PATH_IMAGE016
之间的一致性损失。
4.如权利要求1所述的一种基于双模型交互学习的半监督医学图像分割方法，其特征在于，所述步骤S3中像素在模型中的预测结果稳定判断条件如下：
S31、原像素的预测标注类别和扰动后像素的预测标注类别一致；
S32、像素预测标注为
Figure 22458DEST_PATH_IMAGE017
类时，对应的在
Figure 74728DEST_PATH_IMAGE017
类上预测的概率值大于阈值
Figure 917919DEST_PATH_IMAGE018
；
若像素同时满足上述两个条件则表示像素稳定；否则，表示像素不稳定。
5.如权利要求4所述的一种基于双模型交互学习的半监督医学图像分割方法，其特征在于，所述步骤S3还包括对像素在模型中的稳定性程度评估：利用均方误差衡量模型对像素预测的稳定性程度。
6.如权利要求5所述的一种基于双模型交互学习的半监督医学图像分割方法，其特征在于，所述步骤S3中所述模型包括第一模型和第二模型，利用一个模型中更稳定的像素信息去监督另一个模型训练，并计算稳定损失的具体操作如下：
S33、首先对第一模型和第二模型分别定义伪标签变量
Figure 372034DEST_PATH_IMAGE019
和
Figure 760421DEST_PATH_IMAGE020
，并将它们分别初始化为
Figure 565566DEST_PATH_IMAGE021
和
Figure 212448DEST_PATH_IMAGE022
；
S34、对第一模型利用MSE函数计算更新后的
Figure 255490DEST_PATH_IMAGE019
和
Figure 80358DEST_PATH_IMAGE021
之间的稳定损失；
S35、对第二模型利用MSE函数计算更新后的
Figure 841641DEST_PATH_IMAGE020
和
Figure 26634DEST_PATH_IMAGE022
之间的稳定损失。
7.一种基于双模型交互学习的半监督医学图像分割装置，其特征在于：包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现权利要求1-6任一项所述的一种基于双模型交互学习的半监督医学图像分割方法。
8.一种计算机可读存储介质，其特征在于：其上存储有程序，该程序被处理器执行时,实现权利要求1-6任一项所述的一种基于双模型交互学习的半监督医学图像分割方法。
CN202210228536.3A 2022-03-10 2022-03-10 一种基于双模型交互学习的半监督医学图像分割方法及装置 Active CN114332135B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210228536.3A CN114332135B (zh) 2022-03-10 2022-03-10 一种基于双模型交互学习的半监督医学图像分割方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210228536.3A CN114332135B (zh) 2022-03-10 2022-03-10 一种基于双模型交互学习的半监督医学图像分割方法及装置

Publications (2)

Publication Number Publication Date
CN114332135A true CN114332135A (zh) 2022-04-12
CN114332135B CN114332135B (zh) 2022-06-10

Family

ID=81033426

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210228536.3A Active CN114332135B (zh) 2022-03-10 2022-03-10 一种基于双模型交互学习的半监督医学图像分割方法及装置

Country Status (1)

Country Link
CN (1) CN114332135B (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114549842A (zh) * 2022-04-22 2022-05-27 山东建筑大学 基于不确定性知识域自适应的半监督图像分割方法及系统
CN114782384A (zh) * 2022-04-28 2022-07-22 东南大学 一种基于半监督方法的心脏腔室图像分割方法及装置
CN114821337A (zh) * 2022-05-20 2022-07-29 武汉大学 基于时相一致性伪标签的半监督sar图像建筑区提取方法
CN114882325A (zh) * 2022-07-12 2022-08-09 之江实验室 基于二阶段物体检测器的半监督物检测及训练方法、装置
CN114997001A (zh) * 2022-05-25 2022-09-02 中国海洋大学 一种基于替代模型和知识图谱的复杂机电装备性能评价方法
CN115147426A (zh) * 2022-09-06 2022-10-04 北京大学 基于半监督学习的模型训练与图像分割方法和系统
CN115393378A (zh) * 2022-10-27 2022-11-25 深圳市大数据研究院 一种低成本高效的细胞核图像分割方法
CN115512169A (zh) * 2022-11-09 2022-12-23 之江实验室 基于梯度和区域亲和力优化的弱监督语义分割方法及装置
CN116468746A (zh) * 2023-03-27 2023-07-21 华东师范大学 一种双向复制粘贴的半监督医学图像分割方法
CN117173401A (zh) * 2022-12-06 2023-12-05 南华大学 基于交叉指导和特征级一致性双正则化的半监督医学图像分割方法及系统
WO2024017230A1 (zh) * 2022-07-22 2024-01-25 北京字跳网络技术有限公司 图像处理方法、装置、电子设备及存储介质

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110026811A1 (en) * 2009-07-31 2011-02-03 Hirokazu Kameyama Image processing apparatus and method, data processing apparatus and method, and program and recording medium
CN106021170A (zh) * 2016-05-19 2016-10-12 中国科学技术大学 采用半监督低秩表示模型的图构建方法
CN108022244A (zh) * 2017-11-30 2018-05-11 东南大学 一种基于前景和背景种子用于显著目标检测的超图优化方法
CN109035289A (zh) * 2018-07-27 2018-12-18 重庆师范大学 基于切比雪夫不等式h阈值的紫色土图像分割提取方法
CN110147767A (zh) * 2019-05-22 2019-08-20 深圳市凌云视迅科技有限责任公司 基于二维图像的三维手势姿态预测方法
JP2019192022A (ja) * 2018-04-26 2019-10-31 キヤノン株式会社 画像処理装置、画像処理方法及びプログラム
CN110880176A (zh) * 2019-11-19 2020-03-13 浙江大学 一种基于对抗生成网络的半监督工业图像缺陷分割方法
CN111047594A (zh) * 2019-11-06 2020-04-21 安徽医科大学 肿瘤mri弱监督学习分析建模方法及其模型
CN111369662A (zh) * 2018-12-25 2020-07-03 罗园明 Ct图像中血管的三维模型重建方法及系统
CN111951272A (zh) * 2020-07-02 2020-11-17 上海联影智能医疗科技有限公司 脑部影像的分割方法、装置、计算机设备和可读存储介质
CN112381098A (zh) * 2020-11-19 2021-02-19 上海交通大学 基于目标分割领域自学习的半监督学习方法和系统
CN112818979A (zh) * 2020-08-26 2021-05-18 腾讯科技（深圳）有限公司 文本识别方法、装置、设备及存储介质
CN113129309A (zh) * 2021-03-04 2021-07-16 同济大学 基于对象上下文一致性约束的医学图像半监督分割系统
US20210233247A1 (en) * 2019-02-20 2021-07-29 Tencent Technology (Shenzhen) Company Limited Medical image segmentation method and apparatus, computer device, and storage medium
CN113256646A (zh) * 2021-04-13 2021-08-13 浙江工业大学 一种基于半监督学习的脑血管图像分割方法
CN113378736A (zh) * 2021-06-18 2021-09-10 武汉大学 一种基于变换一致性正则化的遥感影像深度网络半监督语义分割方法
WO2022041307A1 (zh) * 2020-08-31 2022-03-03 温州医科大学 一种构建半监督图像分割框架的方法及系统

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110026811A1 (en) * 2009-07-31 2011-02-03 Hirokazu Kameyama Image processing apparatus and method, data processing apparatus and method, and program and recording medium
CN106021170A (zh) * 2016-05-19 2016-10-12 中国科学技术大学 采用半监督低秩表示模型的图构建方法
CN108022244A (zh) * 2017-11-30 2018-05-11 东南大学 一种基于前景和背景种子用于显著目标检测的超图优化方法
JP2019192022A (ja) * 2018-04-26 2019-10-31 キヤノン株式会社 画像処理装置、画像処理方法及びプログラム
CN109035289A (zh) * 2018-07-27 2018-12-18 重庆师范大学 基于切比雪夫不等式h阈值的紫色土图像分割提取方法
CN111369662A (zh) * 2018-12-25 2020-07-03 罗园明 Ct图像中血管的三维模型重建方法及系统
US20210233247A1 (en) * 2019-02-20 2021-07-29 Tencent Technology (Shenzhen) Company Limited Medical image segmentation method and apparatus, computer device, and storage medium
CN110147767A (zh) * 2019-05-22 2019-08-20 深圳市凌云视迅科技有限责任公司 基于二维图像的三维手势姿态预测方法
CN111047594A (zh) * 2019-11-06 2020-04-21 安徽医科大学 肿瘤mri弱监督学习分析建模方法及其模型
CN110880176A (zh) * 2019-11-19 2020-03-13 浙江大学 一种基于对抗生成网络的半监督工业图像缺陷分割方法
CN111951272A (zh) * 2020-07-02 2020-11-17 上海联影智能医疗科技有限公司 脑部影像的分割方法、装置、计算机设备和可读存储介质
CN112818979A (zh) * 2020-08-26 2021-05-18 腾讯科技（深圳）有限公司 文本识别方法、装置、设备及存储介质
WO2022041307A1 (zh) * 2020-08-31 2022-03-03 温州医科大学 一种构建半监督图像分割框架的方法及系统
CN112381098A (zh) * 2020-11-19 2021-02-19 上海交通大学 基于目标分割领域自学习的半监督学习方法和系统
CN113129309A (zh) * 2021-03-04 2021-07-16 同济大学 基于对象上下文一致性约束的医学图像半监督分割系统
CN113256646A (zh) * 2021-04-13 2021-08-13 浙江工业大学 一种基于半监督学习的脑血管图像分割方法
CN113378736A (zh) * 2021-06-18 2021-09-10 武汉大学 一种基于变换一致性正则化的遥感影像深度网络半监督语义分割方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
HUISI WU 等: "Semi-supervised segmentation of echocardiography videos via noise-resilient spatiotemporal semantic calibration and fusion", 《MEDICAL IMAGE ANALYSIS》 *
ZHANGHAN KE 等: "Dual Student: Breaking the Limits of the Teacher in Semi-supervised Learning", 《ARXIV:1909.01804V1》 *
李雪 等: "基于特征融合的U-Net肺自动分割方法", 《中国医学物理学杂志》 *
杨雨龙 等: "基于原型学习改进的伪标签半监督学习算法", 《中国科学院大学学报》 *

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114549842B (zh) * 2022-04-22 2022-08-02 山东建筑大学 基于不确定性知识域自适应的半监督图像分割方法及系统
CN114549842A (zh) * 2022-04-22 2022-05-27 山东建筑大学 基于不确定性知识域自适应的半监督图像分割方法及系统
CN114782384A (zh) * 2022-04-28 2022-07-22 东南大学 一种基于半监督方法的心脏腔室图像分割方法及装置
CN114821337A (zh) * 2022-05-20 2022-07-29 武汉大学 基于时相一致性伪标签的半监督sar图像建筑区提取方法
CN114821337B (zh) * 2022-05-20 2024-04-16 武汉大学 基于时相一致性伪标签的半监督sar图像建筑区提取方法
CN114997001A (zh) * 2022-05-25 2022-09-02 中国海洋大学 一种基于替代模型和知识图谱的复杂机电装备性能评价方法
CN114997001B (zh) * 2022-05-25 2024-04-26 中国海洋大学 一种基于替代模型和知识图谱的复杂机电装备性能评价方法
CN114882325A (zh) * 2022-07-12 2022-08-09 之江实验室 基于二阶段物体检测器的半监督物检测及训练方法、装置
CN114882325B (zh) * 2022-07-12 2022-12-02 之江实验室 基于二阶段物体检测器的半监督物检测及训练方法、装置
WO2024017230A1 (zh) * 2022-07-22 2024-01-25 北京字跳网络技术有限公司 图像处理方法、装置、电子设备及存储介质
CN115147426B (zh) * 2022-09-06 2022-11-29 北京大学 基于半监督学习的模型训练与图像分割方法和系统
CN115147426A (zh) * 2022-09-06 2022-10-04 北京大学 基于半监督学习的模型训练与图像分割方法和系统
CN115393378A (zh) * 2022-10-27 2022-11-25 深圳市大数据研究院 一种低成本高效的细胞核图像分割方法
CN115512169A (zh) * 2022-11-09 2022-12-23 之江实验室 基于梯度和区域亲和力优化的弱监督语义分割方法及装置
CN117173401A (zh) * 2022-12-06 2023-12-05 南华大学 基于交叉指导和特征级一致性双正则化的半监督医学图像分割方法及系统
CN117173401B (zh) * 2022-12-06 2024-05-03 南华大学 基于交叉指导和特征级一致性双正则化的半监督医学图像分割方法及系统
CN116468746A (zh) * 2023-03-27 2023-07-21 华东师范大学 一种双向复制粘贴的半监督医学图像分割方法
CN116468746B (zh) * 2023-03-27 2023-12-26 华东师范大学 一种双向复制粘贴的半监督医学图像分割方法

Also Published As

Publication number Publication date
CN114332135B (zh) 2022-06-10

Similar Documents

Publication Publication Date Title
CN114332135B (zh) 一种基于双模型交互学习的半监督医学图像分割方法及装置
Wu et al. Object detection based on RGC mask R‐CNN
Paul et al. Domain adaptive semantic segmentation using weak labels
CN111160469B (zh) 一种目标检测系统的主动学习方法
CN109919209B (zh) 一种领域自适应深度学习方法及可读存储介质
Shokri et al. Salient object detection in video using deep non-local neural networks
CN112966754B (zh) 样本筛选方法、样本筛选装置及终端设备
Yu et al. Batman: Bilateral attention transformer in motion-appearance neighboring space for video object segmentation
Xie et al. Deepmatcher: a deep transformer-based network for robust and accurate local feature matching
WO2020030052A1 (zh) 一种动物数量识别方法、装置、介质及电子设备
Feng et al. Image coding for machines with omnipotent feature learning
WO2023207389A1 (zh) 数据处理方法、装置、程序产品、计算机设备和介质
Luo et al. Webly-supervised learning for salient object detection
CN113574566A (zh) 目标检测网络构建优化方法、装置、设备、介质及产品
CN113822794A (zh) 一种图像风格转换方法、装置、计算机设备和存储介质
Cao et al. A survey of mix-based data augmentation: Taxonomy, methods, applications, and explainability
CN116778148A (zh) 目标检测方法、装置、电子设备及存储介质
Cai et al. Underwater distortion target recognition network (UDTRNet) via enhanced image features
Su et al. Physical model and image translation fused network for single-image dehazing
CN113610016A (zh) 视频帧特征提取模型的训练方法、系统、设备及存储介质
CN113822144A (zh) 一种目标检测方法、装置、计算机设备和存储介质
CN116385466B (zh) 一种基于边界框弱标注的图像中目标分割方法及系统
Gaihua et al. Instance segmentation convolutional neural network based on multi-scale attention mechanism
CN113627342B (zh) 视频深度特征提取优化的方法、系统、设备及存储介质
Chu et al. ALGD-ORB: An improved image feature extraction algorithm with adaptive threshold and local gray difference

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant