CN116385809A - 一种基于半监督学习的mri脑肿瘤分类方法及系统 - Google Patents

一种基于半监督学习的mri脑肿瘤分类方法及系统 Download PDF

Info

Publication number
CN116385809A
CN116385809A CN202310650665.6A CN202310650665A CN116385809A CN 116385809 A CN116385809 A CN 116385809A CN 202310650665 A CN202310650665 A CN 202310650665A CN 116385809 A CN116385809 A CN 116385809A
Authority
CN
China
Prior art keywords
network
brain tumor
teacher
resnet18
training
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.)
Pending
Application number
CN202310650665.6A
Other languages
English (en)
Inventor
宋林
刘治
安木军
崔笑笑
曹艳坤
张汇思
马佳霖
陶可猛
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.)
Shandong University
Shandong Provincial Hospital Affiliated to Shandong First Medical University
Original Assignee
Shandong University
Shandong Provincial Hospital Affiliated to Shandong First Medical University
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 Shandong University, Shandong Provincial Hospital Affiliated to Shandong First Medical University filed Critical Shandong University
Priority to CN202310650665.6A priority Critical patent/CN116385809A/zh
Publication of CN116385809A publication Critical patent/CN116385809A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/0895—Weakly supervised learning, e.g. semi-supervised or self-supervised learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/096—Transfer learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images
    • G06V2201/032—Recognition of patterns in medical or anatomical images of protuberances, polyps nodules, etc.
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明涉及医学图像辅助诊断技术领域，尤其是涉及一种基于半监督学习的MRI脑肿瘤分类方法及系统。方法，包括：获取脑肿瘤图像；对获取的脑肿瘤图像进行预处理；初始化ResNet18网络，其中，ResNet18网络包括教师网络和学生网络；将预处理后的脑肿瘤图像送入ResNet18网络的教师学生网络训练框架，对ResNet18网络进行基于一致性扰动的模型训练；利用训练好的教师网络模对脑肿瘤图像进行分类；输出分类结果。本发明的框架具有迁移到其他医学任务学习的灵活性，减少了监督网络训练对于监督数据集数量的苛刻要求，适用于多种临床医学场景。

Description

一种基于半监督学习的MRI脑肿瘤分类方法及系统
技术领域
本发明涉及医学图像辅助诊断技术领域，尤其是涉及一种基于半监督学习的MRI脑肿瘤分类方法及系统。
背景技术
脑肿瘤又称为颅内肿瘤，发病率占全身肿瘤的5%，发病率高，且以青壮年居多，是影响人类健康的主要杀手之一。大脑核磁共振成像作为现代医学中非侵入式分析诊断和治疗脑疾病的主流成像手段，临床上主要通过神经内外科或经验丰富的影像医师对病人的脑重建影像进行人工分析标注，诊断效率较低。
为了更好的帮助患者实现快速诊断, 近年来计算机辅助诊断技术在不断发展和成熟, 基于深度学习的大脑磁共振图像分割技术在临床诊断中得到了广泛应用, 在提高医生诊断效率的同时也出现了新的问题: 临床分析中, 除了肿瘤区域的有效获取之外,医生首先需要快速获取肿瘤所属的类型, 以便进一步治疗. 从肿瘤的类别来看, 常见的脑肿瘤有: 脑胶质肿瘤、垂体肿瘤、听神经肿瘤、血管网络细胞肿瘤、颅咽管肿瘤以及脑转移肿瘤，临床诊断过程中，对可疑区域或确诊肿瘤区域通过计算机辅助诊断算法快速获取肿瘤类别对进一步临床治疗方案的设计尤为重要。
肿瘤分类相关工作中, 基于传统图像处理算法的肿瘤特征提取和分类中, 比较有代表性的有支持向量机、随机森林等, 此类方法往往需要大量的临床先验知识作为辅助, 且对不同类型的肿瘤分布泛化性能较差，且传统图像处理算法的时间和计算开销很难满足实时性分析要求。基于有监督深度学习的方法虽然取得了可靠的效果，但是网络的训练需要大量人工标注的肿瘤标签,标注数据的获取往往较为昂贵, 而大量易于获取的无标签数据却无法获得有效利用, 如何充分挖掘无标签数据的潜在信息成为了一个亟待解决的问题。
发明内容
为了解决上述提到的问题，本发明提供一种基于半监督学习的MRI脑肿瘤分类方法及系统。
第一方面，本发明提供的一种基于半监督学习的MRI脑肿瘤分类方法，采用如下的技术方案：
一种基于半监督学习的MRI脑肿瘤分类方法，包括：
获取脑肿瘤图像；
对获取的脑肿瘤图像进行预处理；
初始化ResNet18网络，其中，ResNet18网络包括教师网络和学生网络；
将预处理后的脑肿瘤图像送入ResNet18网络的教师学生网络训练框架，对ResNet18网络进行基于一致性扰动的模型训练；
利用训练好的教师网络模对脑肿瘤图像进行分类；
输出分类结果。
进一步地，所述对获取的脑肿瘤图像进行预处理，包括对脑肿瘤图像进行归一化。
进一步地，所述初始化ResNet18网络，包括对ResNet18网络的教师网络和学生网络分别设置权重，其中，包括随机初始化教师网络，学生网络采用预训练的网络权重。
进一步地，所述对ResNet18网络进行基于一致性扰动的模型训练，包括对训练中的学生网络，选取中间层的网络结构，并添加一致性扰动。
进一步地，所述对ResNet18网络进行基于一致性扰动的模型训练，还包括在添加一致性扰动的基础上，在教师网络和学生网络的训练中添加高置信度的伪标签作为数据增强的方式。
进一步地，所述对ResNet18网络进行基于一致性扰动的模型训练，还包括通过学生网络的E指数移动平均更新教师网络的模型权重。
进一步地，所述添加一致性扰动，包括以随机比例构造监督训练数据和无监督训练数据，作为数据源扰动策略。
第二方面，一种基于半监督学习的MRI脑肿瘤分类系统，包括：
数据获取模块，被配置为，获取脑肿瘤图像；对获取的脑肿瘤图像进行预处理；
模型训练模块，被配置为，初始化ResNet18网络，其中，ResNet18网络包括教师网络和学生网络；将预处理后的脑肿瘤图像送入ResNet18网络的教师学生网络训练框架，对ResNet18网络进行基于一致性扰动的模型训练；
分类模块，被配置为，利用训练好的教师网络模对脑肿瘤图像进行分类；输出分类结果。
第三方面，本发明提供一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的一种基于半监督学习的MRI脑肿瘤分类方法。
第四方面，本发明提供一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的一种基于半监督学习的MRI脑肿瘤分类方法。
综上所述，本发明具有如下的有益技术效果：
本发明提出了一种改进的基于教师学生网络模型的半监督框架，用于大脑脑肿瘤快速分类任务，该网络模型采用了经典的ResNet18结构，并基于现有的针对自然图像识别任务的预训练模型进行任务迁移微调，极大的缩短了网络训练时间。相比于基于脑肿瘤分割网络的体积和形态分析，本发明直接跳过了网络分割步骤，能够满足实时性要求。可扩展的，得益于本方法中引入的多种扰动正则化策略，ResNet18教师学生网络同样可以替换为适用于其他医学任务的特定网络模型，如分割中常用的Unet，以及检测中常用的Faster-RCNN等。
本发明的框架具有迁移到其他医学任务学习的灵活性，减少了监督网络训练对于监督数据集数量的苛刻要求，适用于多种临床医学场景。
附图说明
图1是本发明实施例1的一种基于U-Net和RBFNN神经网络混合的医学图像投影方法的流程示意图；
图2是本发明实施例1的RBFNN神经网络的结构示意图；
图3是本发明实施例1的分类预测结果示例图；
图4是本发明实施例1的基于高置信度的教师网络伪标签生成流程图。
具体实施方式
以下结合附图对本发明作进一步详细说明。
实施例1
参照图1，本实施例的一种基于半监督学习的MRI脑肿瘤分类方法，具体包括以下步骤：一种基于半监督学习的MRI脑肿瘤分类方法，包括：
获取脑肿瘤图像；
对获取的脑肿瘤图像进行预处理；
初始化ResNet18网络，其中，ResNet18网络包括教师网络和学生网络；
将预处理后的脑肿瘤图像送入ResNet18网络的教师学生网络训练框架，对ResNet18网络进行基于一致性扰动的模型训练；
利用训练好的教师网络模对脑肿瘤图像进行分类；
输出分类结果。
所述对获取的脑肿瘤图像进行预处理，包括对脑肿瘤图像进行归一化。
所述初始化ResNet18网络，包括对ResNet18网络的教师网络和学生网络分别设置权重，其中，包括随机初始化教师网络，学生网络采用预训练的网络权重。所述对ResNet18网络进行基于一致性扰动的模型训练，包括对训练中的学生网络，选取中间层的网络结构，并添加一致性扰动。所述对ResNet18网络进行基于一致性扰动的模型训练，还包括在添加一致性扰动的基础上，在教师网络和学生网络的训练中添加高置信度的伪标签作为数据增强的方式。所述对ResNet18网络进行基于一致性扰动的模型训练，还包括通过学生网络的E指数移动平均更新教师网络的模型权重。所述添加一致性扰动，包括以随机比例构造监督训练数据和无监督训练数据，作为数据源扰动策略。
具体的，包括以下步骤：
S1.获取脑肿瘤图像；
如T1加权的大脑核磁共振成像，可通过医院影像科的图像工作站采集获取。
S2.初始化ResNet18网络，包括：
使用ResNet18网络作为教师学生模型的共享分类网络，随机初始化教师网络，学生网络则采用预训练的网络权重，使其对应不同的初始化权重值。
S3.对获取的脑肿瘤图像进行预处理后送入ResNet18网络，包括：
调整2D输入图像至
Figure SMS_1
大小，归一化读取之后送入学生网络中进行训练。
S4. 对教师学生网络框架添加一致性扰动；
对训练中的网络，选取ResNet18网络中间特征层，添加一致性扰动，该一致性扰动主要有以下几种形式：基于特征的扰动和随机扰动，其中基于特征的扰动有两种具体实现形式，第一种是直接对中间特征层注入乘性噪声，对于中间特征图
Figure SMS_2
，均匀采样一个相同形状的噪声张量，满足/>
Figure SMS_3
，噪声扰动注入公式为:
Figure SMS_4
，其中/>
Figure SMS_5
表示网络中间层的特征图；第二种是随机丢弃，均匀采样一个阈值/>
Figure SMS_6
，然后mask掉大于阈值的元素，从而抑制最活跃部分可能存在的尖峰噪声。随机扰动主要通过/>
Figure SMS_7
随机丢弃实现。
通过上述步骤解释了扰动的具体实现形式，可以进一步获取对应不同扰动的网络预测输出，参与下一步的损失函数计算和反向传播参数更新。
S5. 基于一致性扰动的反向传播参数更新；
教师学生网络的训练在一致性扰动的基础上，添加了高置信度的伪标签作为数据增强的有效方式：损失函数主要分为监督训练的交叉熵损失和无监督训练的均方误差损失，两种损失函数的具体公式描述如下：
交叉熵损失
Figure SMS_8
公式描述为：/>
Figure SMS_9
其中
Figure SMS_10
表示有监督输入图像，/>
Figure SMS_11
是对应的独热向量标签，/>
Figure SMS_12
表示对应的类别预测向量。
均方误差损失
Figure SMS_13
公式描述为：/>
Figure SMS_14
其中，
Figure SMS_15
表示输入数据对应的学生网络预测输出，/>
Figure SMS_16
表示输入数据对应的教师网络预测输出，/>
Figure SMS_17
表示预测类别数。
总的损失函数L通过
Figure SMS_18
系数控制：/>
Figure SMS_19
Figure SMS_20
系数从0开始随着迭代次数的增加而缓慢增加，目的是保证无监督损失作用于网络模型初步更新之后。
给定高置信度阈值
Figure SMS_21
，对于无监督输入数据，若教师网络预测中某一类别的概率高于该阈值，则将该数据与高置信预测标签作为监督数据作为学生网络的输入。
E指数移动平均和扰动的添加属于神经网络训练过程的前向传播过程，损失函数的计算和网络权重参数更新属于神经网络训练过程的反向传播过程。
S6.获得训练好的教师模型和学生模型。
教师模型权重通过学生模型权重的E指数移动平均进行更新，该更新过程聚合了历史训练epoch的权重，具体聚合更新对应公式描述为：
Figure SMS_22
，其中
Figure SMS_23
对应学生模型的权重，/>
Figure SMS_24
对应教师模型的权重，其对应下标/>
Figure SMS_25
表示当前时刻，/>
Figure SMS_26
表示上一时刻。/>
Figure SMS_27
表示聚合动量，是一个常数控制因子。
更新过程针对每一层网络而非仅仅针对输出，该平滑操作有利于教师模型对于高一致性网络权重的获取。
随着损失函数训练曲线的收敛，会输出训练好的教师模型和学生模型，通常使用教师模型进行分类任务。
S7. 使用训练好的网络模型对
Figure SMS_28
图像进行分类，获取最终的类别信息，本方法中主要针对四个类别的数据进行网络训练和实验分析，实际分类类别可针对具体情况灵活定义。
S8. 模型测试阶段：
对于训练好的网络模型，仅仅使用教师模型进行网络推理，推理过程中，输入图像首先会通过插值采样的方式调整大小至
Figure SMS_29
，输入像素值归一化到/>
Figure SMS_30
，由ResNet预测所属类别。除了支持传统2D图像输入格式，该预测模块也可以直接集成到图像处理工作站中，对指定的一个片层或多个片层组成的提及区域进行联合预测，由多数投票表决确定最终的类别，从而减少边界模糊区域的判断误差。得益于有效的半监督训练框架和简洁的网络模型，网络推理速度在0.01秒以内，速度相较于其他推理框架存在较大优势。
半监督策略改进：值得注意的是，为了进一步降低对监督数据的依赖，提高半监督训练所占比例，学生模型初始化加载的是预训练的ResNet18权重，该预训练分类模型是基于ImageNet大型自然图像分类数据集而训练的，将其迁移至生物医学图像识别任务中，仅需对具体任务进行数据微调即可。
对4个类别的4000张脑图进行训练，无标签数据和有标签训练数据整体划分比例为2：8，同时在每个mini-batch的训练中，提出一种基于均匀概率的无标签数据随机增加策略，通过扰动比例的不确定性进行数据增强，有监督比例服从
Figure SMS_31
。
图2中，首先将监督数据输入学生网络，学生网络获取对应的分类预测值，由分类预测结果和类别标签计算监督损失（交叉熵损失），通过反向传播更新学生网络的权重，进一步将无监督数据分别输入学生网络和教师网络，获取对应不同扰动的预测输出，计算二者之间的一致性损失，进一步更新学生网络权重。教师网络的高置信度预测作为新的标签数据加入监督训练数据集中。整个网络训练，仅学生网络参与反向传播，教师网络的参数更新由学生网络的E指数平均产生。
图3为脑肿瘤分类任务中三种常见的肿瘤类型和和正常大脑的切面示意图，从左到右分别为：(1) 胶质瘤(Glioma tumor)，(2) 脑膜瘤(Meningioma tumor)，(3) 垂体瘤(Pituitary tumor)，(4) 无肿瘤(No tumor)。由本文所提出的基于半监督学习的MRI脑肿瘤分类方法进行分类预测，并进一步由经验丰富的临床医生二次确诊，减少误诊几率。
将监督训练数据送入学生网络，学生网络输出对应的分类预测，每个输入对应的是一个向量输出，本文属于四分类任务，因此每个输入影像对应一个长度为4的输出向量，向量中最大元素对应的维度就是预测类别。（预测值是一个概率输出，对应向量形式）反向传播是深度学习网络训练的术语，即先通过前向传播获取损失函数值，再通过梯度下降等算法反向更新网络权重，从而最小化损失函数。监督数据表示含有类别标签信息（如图3）的图像，无监督数据表示没有类别标签信息的图像。如图4所示。
实施例2
本实施例提供一种基于半监督学习的MRI脑肿瘤分类系统，包括：
数据获取模块，被配置为，获取脑肿瘤图像；对获取的脑肿瘤图像进行预处理；
模型训练模块，被配置为，初始化ResNet18网络，其中，ResNet18网络包括教师网络和学生网络；将预处理后的脑肿瘤图像送入ResNet18网络的教师学生网络训练框架，对ResNet18网络进行基于一致性扰动的模型训练；
分类模块，被配置为，利用训练好的教师网络模对脑肿瘤图像进行分类；输出分类结果。
一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的一种基于半监督学习的MRI脑肿瘤分类方法。
一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的一种基于半监督学习的MRI脑肿瘤分类方法。
以上均为本发明的较佳实施例，并非依此限制本发明的保护范围，故：凡依本发明的结构、形状、原理所做的等效变化，均应涵盖于本发明的保护范围之内。

Claims (8)

1.一种基于半监督学习的MRI脑肿瘤分类方法，其特征在于，包括：
获取脑肿瘤图像；
对获取的脑肿瘤图像进行预处理；
初始化ResNet18网络，其中，ResNet18网络包括教师网络和学生网络；
将预处理后的脑肿瘤图像送入ResNet18网络的教师学生网络训练框架，对ResNet18网络进行基于一致性扰动的模型训练；
利用训练好的教师网络模对脑肿瘤图像进行分类；
输出分类结果。
2.根据权利要求1所述的一种基于半监督学习的MRI脑肿瘤分类方法，其特征在于，所述对获取的脑肿瘤图像进行预处理，包括对脑肿瘤图像进行归一化。
3.根据权利要求2所述的一种基于半监督学习的MRI脑肿瘤分类方法，其特征在于，所述初始化ResNet18网络，包括对ResNet18网络的教师网络和学生网络分别设置权重，其中，包括随机初始化教师网络，学生网络采用预训练的网络权重。
4.根据权利要求3所述的一种基于半监督学习的MRI脑肿瘤分类方法，其特征在于，所述对ResNet18网络进行基于一致性扰动的模型训练，包括对训练中的学生网络，选取中间层的网络结构，并添加一致性扰动。
5.根据权利要求4所述的一种基于半监督学习的MRI脑肿瘤分类方法，其特征在于，所述对ResNet18网络进行基于一致性扰动的模型训练，还包括在添加一致性扰动的基础上，在教师网络和学生网络的训练中添加高置信度的伪标签作为数据增强的方式。
6.根据权利要求5所述的一种基于半监督学习的MRI脑肿瘤分类方法，其特征在于，所述对ResNet18网络进行基于一致性扰动的模型训练，还包括通过学生网络的E指数移动平均更新教师网络的模型权重。
7.根据权利要求6所述的一种基于半监督学习的MRI脑肿瘤分类方法，其特征在于，所述添加一致性扰动，包括以随机比例构造监督训练数据和无监督训练数据，作为数据源扰动策略。
8.一种基于半监督学习的MRI脑肿瘤分类系统，其特征在于，包括：
数据获取模块，被配置为，获取脑肿瘤图像；对获取的脑肿瘤图像进行预处理；
模型训练模块，被配置为，初始化ResNet18网络，其中，ResNet18网络包括教师网络和学生网络；将预处理后的脑肿瘤图像送入ResNet18网络的教师学生网络训练框架，对ResNet18网络进行基于一致性扰动的模型训练；
分类模块，被配置为，利用训练好的教师网络模对脑肿瘤图像进行分类；输出分类结果。
CN202310650665.6A 2023-06-05 2023-06-05 一种基于半监督学习的mri脑肿瘤分类方法及系统 Pending CN116385809A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310650665.6A CN116385809A (zh) 2023-06-05 2023-06-05 一种基于半监督学习的mri脑肿瘤分类方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310650665.6A CN116385809A (zh) 2023-06-05 2023-06-05 一种基于半监督学习的mri脑肿瘤分类方法及系统

Publications (1)

Publication Number Publication Date
CN116385809A true CN116385809A (zh) 2023-07-04

Family

ID=86971470

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310650665.6A Pending CN116385809A (zh) 2023-06-05 2023-06-05 一种基于半监督学习的mri脑肿瘤分类方法及系统

Country Status (1)

Country Link
CN (1) CN116385809A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117437493A (zh) * 2023-12-20 2024-01-23 泰山学院 联合一阶和二阶特征的脑肿瘤mri图像分类方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112102237A (zh) * 2020-08-10 2020-12-18 清华大学 基于半监督学习的脑部肿瘤识别模型的训练方法及装置
CN114821204A (zh) * 2022-06-30 2022-07-29 山东建筑大学 一种基于元学习嵌入半监督学习图像分类方法与系统
CN114972311A (zh) * 2022-06-22 2022-08-30 闽江学院 基于一致性正则化的半监督白细胞图像分类方法
CN114998202A (zh) * 2022-04-26 2022-09-02 杭州电子科技大学 一种半监督深度学习缺陷检测方法
CN115018852A (zh) * 2022-08-10 2022-09-06 四川大学 一种基于半监督学习的腹部淋巴结检测方法及装置
CN115049876A (zh) * 2022-06-14 2022-09-13 山东建筑大学 基于判别性原子嵌入半监督网络的图像分类方法及系统
CN115984308A (zh) * 2023-01-10 2023-04-18 杭州电子科技大学 基于平均教师模型的半监督肺叶分割方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112102237A (zh) * 2020-08-10 2020-12-18 清华大学 基于半监督学习的脑部肿瘤识别模型的训练方法及装置
CN114998202A (zh) * 2022-04-26 2022-09-02 杭州电子科技大学 一种半监督深度学习缺陷检测方法
CN115049876A (zh) * 2022-06-14 2022-09-13 山东建筑大学 基于判别性原子嵌入半监督网络的图像分类方法及系统
CN114972311A (zh) * 2022-06-22 2022-08-30 闽江学院 基于一致性正则化的半监督白细胞图像分类方法
CN114821204A (zh) * 2022-06-30 2022-07-29 山东建筑大学 一种基于元学习嵌入半监督学习图像分类方法与系统
CN115018852A (zh) * 2022-08-10 2022-09-06 四川大学 一种基于半监督学习的腹部淋巴结检测方法及装置
CN115984308A (zh) * 2023-01-10 2023-04-18 杭州电子科技大学 基于平均教师模型的半监督肺叶分割方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117437493A (zh) * 2023-12-20 2024-01-23 泰山学院 联合一阶和二阶特征的脑肿瘤mri图像分类方法及系统
CN117437493B (zh) * 2023-12-20 2024-03-29 泰山学院 联合一阶和二阶特征的脑肿瘤mri图像分类方法及系统

Similar Documents

Publication Publication Date Title
US20220148191A1 (en) Image segmentation method and apparatus and storage medium
CN109409416B (zh) 特征向量降维方法和医学图像识别方法、装置及存储介质
CN113947609B (zh) 深度学习网络结构及多标签主动脉夹层ct图像分割方法
CN113129309A (zh) 基于对象上下文一致性约束的医学图像半监督分割系统
US7630548B2 (en) Image segmentation using isoperimetric trees
CN116385809A (zh) 一种基于半监督学习的mri脑肿瘤分类方法及系统
Yan et al. Cine MRI analysis by deep learning of optical flow: Adding the temporal dimension
WO2023134030A1 (zh) 一种基于流模型的pet系统衰减校正方法
Banerjee et al. A CADe system for gliomas in brain MRI using convolutional neural networks
Ghazi et al. FAST-AID Brain: Fast and accurate segmentation tool using artificial intelligence developed for brain
Wang et al. IGNFusion: an unsupervised information gate network for multimodal medical image fusion
Luo et al. Tissue segmentation in nasopharyngeal ct images using two-stage learning
CN116759076A (zh) 一种基于医疗影像的无监督疾病诊断方法及系统
Stasiak et al. Application of convolutional neural networks with anatomical knowledge for brain MRI analysis in MS patients
CN114612484B (zh) 基于无监督学习的视网膜oct图像分割方法
Mehta et al. Heart Disease Diagnosis using Deep Learning
Kalaivani et al. A Deep Ensemble Model for Automated Multiclass Classification Using Dermoscopy Images
Kolarik et al. Planar 3D transfer learning for end to end unimodal MRI unbalanced data segmentation
Yang et al. A lightweight fully convolutional network for cardiac MRI segmentation
WO2023272491A1 (zh) 基于联合字典学习和深度网络的pet图像重建方法
Liu et al. OCTA retinal vessel segmentation based on vessel thickness inconsistency loss
Sun Empirical analysis for earlier diagnosis of Alzheimer’s disease using deep learning
Fenneteau et al. CNN for multiple sclerosis lesion segmentation: How many patients for a fully supervised method?
Soundarya et al. Brain Tumor Detection Using Image Processing
Hafeez et al. Brain tumor classification using MRI images and convolutional neural networks

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