CN116468746A - 一种双向复制粘贴的半监督医学图像分割方法 - Google Patents

一种双向复制粘贴的半监督医学图像分割方法 Download PDF

Info

Publication number
CN116468746A
CN116468746A CN202310309000.9A CN202310309000A CN116468746A CN 116468746 A CN116468746 A CN 116468746A CN 202310309000 A CN202310309000 A CN 202310309000A CN 116468746 A CN116468746 A CN 116468746A
Authority
CN
China
Prior art keywords
image
marked
network
unmarked
student network
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
CN202310309000.9A
Other languages
English (en)
Other versions
CN116468746B (zh
Inventor
王妍
白云昊
李庆利
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.)
East China Normal University
Original Assignee
East China Normal 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 East China Normal University filed Critical East China Normal University
Priority to CN202310309000.9A priority Critical patent/CN116468746B/zh
Publication of CN116468746A publication Critical patent/CN116468746A/zh
Application granted granted Critical
Publication of CN116468746B publication Critical patent/CN116468746B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • 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
    • G06N3/0455—Auto-encoder networks; Encoder-decoder 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30204—Marker
    • 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)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种双向复制粘贴的半监督医学图像分割方法，包括首先仅使用标记数据来预训练一个分割网络，然后教师网络使用预训练网络参数进行初始化来给未标记数据产生伪标签。将两组标记数据‑未标记数据对在两个方向上进行复制粘贴，得到的新图像输入到学生网络中进行预测，学生网络预测的监督信号由伪标签和真实标签以相同的复制粘贴形式组成，给予伪标签监督部分一个系数来控制伪标签的监督作用。本发明方法简单便于实施，并且能够减小网络对标记数据和未标记数据之间的经验分布差距，同时也显著提高了分割准确率。

Description

一种双向复制粘贴的半监督医学图像分割方法
技术领域
本发明涉及计算机视觉与数字图像处理技术领域，尤其涉及一种双向复制粘贴的半监督医学图像分割方法。
背景技术
从医学图像，例如CT和MRI图像中分割内部结构，对于许多临床应用来说是必不可少的。许多基于全监督的方法被设计出来并应用到图像分割中，它们通常需要大量的像素级标注。为了解决昂贵的标注成本，近年来基于半监督的方法受到越来越多的关注，并在医学领域普遍存在。
通常来说在半监督条件下，我们认为标记数据和未标记数据的分布是相同的。但是在实际情况下，很难使用有限的标记数据来估计确切的数据集分布，所以在有限的标记数据和大量的未标记数据之间会存在经验分布差距。以往的大部分半监督工作将标记数据和未标记数据通过独立的学习范式进行学习，这样导致从标记数据中学到的知识不能很好地传递到未标记数据地学习中，同时也忽略了经验分布差距的问题。半监督学习中，对未标记图像的弱增强-强增强对的输出进行一致性正则化是常用方法之一，而CutMix(Copy-Paste)通常作为普通的强数据增强的方法，将两张图像的不同部分结合在一起产生新图片用作训练。但是新图像的监督信号通常来自不准确的伪标签，导致CutMix不能发挥出它的优势。
因此，本发明从标记数据和未标记数据的一致性学习范式出发，设计一种专门用于半监督医学图像分割的学习框架，以有效解决半监督背景下标记数据和未标记数据之间的经验分布差距问题。
发明内容
为解决上述技术问题，本发明提出了一种双向复制粘贴的半监督医学图像分割方法，使用CutMix方法利用有限的标记图像从两个方向上结合未标记图像来产生两种新图像，新图像的有标记部分由真实标记监督，未标记部分由教师网络产生的伪标签来监督。
为实现上述目的，本发明提供了一种双向复制粘贴的半监督医学图像分割方法，包括：
将若干组标记图像-未标记图像对在不同方向上进行复制粘贴，分别获取新图像一和新图像二，其中所述新图像一为中心区域为标记图像且边缘区域为未标记的图像，所述新图像二为中心区域为未标记图像且边缘区域为标记的图像；
构建教师-学生网络框架，将所述新图像一和所述新图像二输入到学生网络中进行训练，获取新图像的预测；将所述标记图像-未标记图像对中的未标记图像输入到教师网络中进行初始化，获取所述教师网络对于未标记图像的预测以及所述未标记图像的伪标签；
选取标记图像的真实标签和所述未标记图像的伪标签在不同方向上进行复制粘贴，结合成相应的混合标签；
基于训练后的所述学生网络通过所述新图像的预测和所述混合标签，构建损失函数，获取最终的学生网络参数，所述教师网络从所述最终的学生网络参数中获得更新，当训练达到最大次数时获取训练好的学生网络，基于所述训练好的学生网络测试分割性能。
优选地，获取所述新图像一和所述新图像二，包括：
随机选取若干组标记图像-未标记图像对，生成中心区域为第一预置值，边缘区域为第二预置值的随机掩膜；将任一张标记图像与掩膜做像素级相乘，并加上一张未标记图像与反掩膜做像素级相乘的结果，分别获得所述中心区域为未标记图像且边缘区域为标记图像的新图像一以及中心区域为未标记图像且边缘区域为标记的新图像二。
优选地，获得所述未标记图像的伪标签，包括：
选取任意若干所述未标记图像输入到所述教师网络中，经过选取最大连通分量的处理，滤除不可靠的噪声，最终得到所述未标记图像的伪标签。
优选地，结合成所述相应的混合标签，包括：
根据新图像中标记图像与未标记图像的结合方式，对应地将相应真实标签和伪标签结合成所述相应的混合标签。
优选地，所述损失函数为Dice损失与CrossEntropy损失的算术平均，所述损失函数通过对所述新图像中的未标记图像部分乘以系数，控制所述伪标签的监督作用。
优选地，所述损失函数计算方法为：
其中，W×H为图像的分辨率，lCE表示CrossEntropy损失函数，ldice表示Dice损失函数，Pij、Yij和Mij分别表示P、Y和M的坐标为(i，j)的像素，|M|表示M中值为1的像素总数。
优选地，获取所述最终的学生网络参数，包括：
使用梯度回传方法更新所述学生网络的参数，并在学生网络的参数更新后使用指数移动平均方法更新所述教师网络的参数，在训练达到最大次数时，获得所述最终的学生网络参数。
优选地，所述教师-学生网络框架的总体损失函数为：
其中，标记图像和未标记图像的损失函数的计算方式分别为：
其中，P表示学生网络对于两个新图像的预测，Pl表示学生网络对于边缘区域为标记图像的新图像的预测，Pu表示学生网络对于边缘区域为未标记图像的新图像的预测；Y1与Y2为两张标记图像的真实标记；与/>为教师网络对两张未标记图像产生的伪标签；M为边缘区域为1值，中心区域为0值的掩膜。
与现有技术相比，本发明具有如下优点和技术效果：
本发明与现有技术相比，不仅方法简单便于实施，并且能够减小网络对标记数据和未标记数据之间的经验分布差距，同时也显著提高了分割准确率；
本发明设计了一个标记数据与未标记数据平等学习的框架，减小了网络对标记数据的过拟合现象，提高了网络对未标记数据的泛化性能，同时也减缓了标记数据与未标记数据之间的经验分布差距现象。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本发明实施例的一种双向复制粘贴的半监督医学图像分割方法流程图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本发明出了一种双向复制粘贴的半监督医学图像分割方法，参阅图1，本发明的目的是设计一个针对标记数据和未标记数据的一致性学习范式，来解决半监督学习中标记数据和未标记数据的经验分布差距问题。为此，使用CutMix方法利用有限的标记图像从两个方向上结合未标记图像来产生两种新图像，新图像的有标记部分由真实标记监督，未标记部分由教师网络产生的伪标签来监督。该方法包括以下具体步骤：
步骤1：首先，随机选取两张标记图像和两张未标记图像，并生成中心区域为0值，边缘区域为1值的随机掩膜；将一张标记图像与掩膜做像素级相乘，并加上一张未标记图像与反掩膜做像素级相乘的结果，得到一张中心区域为未标记图像且边缘区域为标记图像的新图像；用相同的方法将余下的一张标记图像与未标记图像得到中心区域为标记图像且边缘区域为未标记图像的新图像；两种不同方向结合而成的新图像输入到学生网络中，并得到新图像的预测。
步骤2：将所选取的两张未标记图像输入到教师网络中，得到教师网络对于未标记图像的预测，经过选取最大连通分量的处理来滤除不可靠的噪声，最终得到未标记图像的伪标签。
步骤3：将所选取的标记图像的真实标签与未标记图像由步骤2得到的伪标签来根据对应图像按照步骤1的结合方式结合成相应的混合标签。
步骤4：使用学生网络对于新图像的预测与步骤3得到的混合标签构建损失函数，损失函数使用Dice Loss和CrossEntropy Loss的算术平均，并且对于新图像中的未标记图像部分乘以一个系数来控制伪标签的监督作用；使用梯度回传来更新学生网络的参数，并在学生网络的参数更新后使用指数移动平均来更新教师网络的参数。方法的目标是：在训练达到最大次数时，获得最终的学生网络参数。
所述方法中的深度神经网络以卷积神经网络“编码器-解码器”结构作为骨干网络进行训练，具体可以选择V-Net或U-Net。分类器由两个全连接层构成。
所述方法最终的总体损失函数为：
其中，标记部分和未标记部分的损失函数的计算方式分别为：
其中，P表示学生网络对于两个新图像的预测，Pl表示学生网络对于边缘区域为标记图像的新图像的预测，Pu表示学生网络对于边缘区域为未标记图像的新图像的预测；Y1与Y2为两张标记图像的真实标记；与/>为教师网络对两张未标记图像产生的伪标签；M为边缘区域为1值，中心区域为0值的掩膜。所述损失函数/>的具体计算方式如下：
其中，W×H为图像的分辨率，lCE表示CrossEntropy损失函数，ldice表示Dice损失函数，Pij、Yij和Mij分别表示P、Y和M的坐标为(i，j)的像素，|M|表示M中值为1的像素总数。
绝大多数现有的半监督分割方式都忽略了将未标记数据与标记数据进行平等学习，这会导致网络呈现出对标记数据不同程度的过拟合现象，影响网络对未标记数据的泛化性能；忽略了标记数据与未标记数据之间的经验分布差距问题。本发明与现有技术相比，设计了一个标记数据与未标记数据平等学习的框架，减小了网络对标记数据的过拟合现象，提高了网络对未标记数据的泛化性能，同时也减缓了标记数据与未标记数据之间的经验分布差距现象。
本发明的目的是设计一个针对标记数据和未标记数据的一致性学习范式，来解决半监督学习中标记数据和未标记数据的经验分布差距问题。以上仅为本发明的较佳实施例，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、改进等，均应包含在本发明的保护范围之内。
以上，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。

Claims (8)

1.一种双向复制粘贴的半监督医学图像分割方法，其特征在于，包括：
将若干组标记图像-未标记图像对在不同方向上进行复制粘贴，分别获取新图像一和新图像二，其中所述新图像一为中心区域为标记图像且边缘区域为未标记的图像，所述新图像二为中心区域为未标记图像且边缘区域为标记的图像；
构建教师-学生网络框架，将所述新图像一和所述新图像二输入到学生网络中进行训练，获取新图像的预测；将所述标记图像-未标记图像对中的未标记图像输入到教师网络中进行初始化，获取所述教师网络对于未标记图像的预测以及所述未标记图像的伪标签；
选取标记图像的真实标签和所述未标记图像的伪标签在不同方向上进行复制粘贴，结合成相应的混合标签；
基于训练后的所述学生网络通过所述新图像的预测和所述混合标签，构建损失函数，获取最终的学生网络参数，所述教师网络从所述最终的学生网络参数中获得更新，当训练达到最大次数时获取训练好的学生网络，基于所述训练好的学生网络测试分割性能。
2.根据权利要求1所述的双向复制粘贴的半监督医学图像分割方法，其特征在于,获取所述新图像一和所述新图像二，包括：
随机选取若干组标记图像-未标记图像对，生成中心区域为第一预置值，边缘区域为第二预置值的随机掩膜；将任一张标记图像与掩膜做像素级相乘，并加上一张未标记图像与反掩膜做像素级相乘的结果，分别获得所述中心区域为未标记图像且边缘区域为标记图像的新图像一以及中心区域为未标记图像且边缘区域为标记的新图像二。
3.根据权利要求1所述的双向复制粘贴的半监督医学图像分割方法，其特征在于，获得所述未标记图像的伪标签，包括：
选取任意若干所述未标记图像输入到所述教师网络中，经过选取最大连通分量的处理，滤除不可靠的噪声，最终得到所述未标记图像的伪标签。
4.根据权利要求1所述的双向复制粘贴的半监督医学图像分割方法，其特征在于，结合成所述相应的混合标签，包括：
根据新图像中标记图像与未标记图像的结合方式，对应地将相应真实标签和伪标签结合成所述相应的混合标签。
5.根据权利要求1所述的双向复制粘贴的半监督医学图像分割方法，其特征在于，所述损失函数为Dice损失与CrossEntropy损失的算术平均，所述损失函数通过对所述新图像中的未标记图像部分乘以系数，控制所述伪标签的监督作用。
6.根据权利要求5所述的双向复制粘贴的半监督医学图像分割方法，其特征在于，所述损失函数计算方法为：
其中，W×H为图像的分辨率，表示CrossEntropy损失函数，/>表示Dice损失函数，Pij、Yij和Mij分别表示P、Y和M的坐标为(i，j)的像素，|M|表示M中值为1的像素总数。
7.根据权利要求1所述的双向复制粘贴的半监督医学图像分割方法，其特征在于，获取所述最终的学生网络参数，包括：
使用梯度回传方法更新所述学生网络的参数，并在学生网络的参数更新后使用指数移动平均方法更新所述教师网络的参数，在训练达到最大次数时，获得所述最终的学生网络参数。
8.根据权利要求1所述的双向复制粘贴的半监督医学图像分割方法，其特征在于，所述教师-学生网络框架的总体损失函数为：
其中，标记图像和未标记图像的损失函数的计算方式分别为：
其中，P表示学生网络对于两个新图像的预测，Pl表示学生网络对于边缘区域为标记图像的新图像的预测，Pu表示学生网络对于边缘区域为未标记图像的新图像的预测；Y1与Y2为两张标记图像的真实标记；与/>为教师网络对两张未标记图像产生的伪标签；M为边缘区域为1值，中心区域为0值的掩膜。
CN202310309000.9A 2023-03-27 2023-03-27 一种双向复制粘贴的半监督医学图像分割方法 Active CN116468746B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310309000.9A CN116468746B (zh) 2023-03-27 2023-03-27 一种双向复制粘贴的半监督医学图像分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310309000.9A CN116468746B (zh) 2023-03-27 2023-03-27 一种双向复制粘贴的半监督医学图像分割方法

Publications (2)

Publication Number Publication Date
CN116468746A true CN116468746A (zh) 2023-07-21
CN116468746B CN116468746B (zh) 2023-12-26

Family

ID=87183367

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310309000.9A Active CN116468746B (zh) 2023-03-27 2023-03-27 一种双向复制粘贴的半监督医学图像分割方法

Country Status (1)

Country Link
CN (1) CN116468746B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116862931A (zh) * 2023-09-04 2023-10-10 北京壹点灵动科技有限公司 医学图像分割方法、装置、存储介质及电子设备
CN116895003A (zh) * 2023-09-07 2023-10-17 苏州魔视智能科技有限公司 目标对象的分割方法、装置、计算机设备及存储介质
CN117830324A (zh) * 2023-12-28 2024-04-05 深圳大学 一种基于多维和全局局部联合的3d医学图像分割方法
CN118154880A (zh) * 2024-04-15 2024-06-07 烟台大学 一种半监督mri图像分割方法

Citations (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8121407B1 (en) * 2008-03-17 2012-02-21 Adobe Systems Incorporated Method and apparatus for localized labeling in digital images
CN112070779A (zh) * 2020-08-04 2020-12-11 武汉大学 一种基于卷积神经网络弱监督学习的遥感影像道路分割方法
CN112150478A (zh) * 2020-08-31 2020-12-29 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
CN112598053A (zh) * 2020-12-21 2021-04-02 西北工业大学 基于半监督学习的主动显著性目标检测方法
US20210216825A1 (en) * 2020-01-09 2021-07-15 International Business Machines Corporation Uncertainty guided semi-supervised neural network training for image classification
CN113222072A (zh) * 2021-06-10 2021-08-06 上海海事大学 基于K-means聚类和GAN的肺部X光图像分类方法
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
US11100373B1 (en) * 2020-11-02 2021-08-24 DOCBOT, Inc. Autonomous and continuously self-improving learning system
US20210319266A1 (en) * 2020-04-13 2021-10-14 Google Llc Systems and methods for contrastive learning of visual representations
US20220012637A1 (en) * 2020-07-09 2022-01-13 Nokia Technologies Oy Federated teacher-student machine learning
CN114283329A (zh) * 2021-11-16 2022-04-05 华能盐城大丰新能源发电有限责任公司 一种基于强变换下的半监督遥感图像语义分割方法及设备
CN114332135A (zh) * 2022-03-10 2022-04-12 之江实验室 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
CN114330542A (zh) * 2021-12-27 2022-04-12 深圳云天励飞技术股份有限公司 一种基于目标检测的样本挖掘方法、装置及存储介质
CN114418954A (zh) * 2021-12-24 2022-04-29 中国科学院深圳先进技术研究院 一种基于互学习的半监督医学图像分割方法及其系统
US20220188636A1 (en) * 2020-12-14 2022-06-16 Google Llc Meta pseudo-labels
CN114758172A (zh) * 2022-04-07 2022-07-15 南京工业大学 一种基于安全对比自集成框架的半监督医学图像分类方法
CN114882521A (zh) * 2022-03-30 2022-08-09 河北工业大学 基于多分支网络的无监督行人重识别方法及装置
CN115115608A (zh) * 2022-07-20 2022-09-27 南京工业大学 基于半监督语义分割的航空发动机损伤检测方法
CN115393687A (zh) * 2022-07-12 2022-11-25 西北工业大学 一种基于双伪标签优化学习的rgb图像半监督目标检测方法
CN115511795A (zh) * 2022-09-07 2022-12-23 西北工业大学 一种基于半监督学习的医学图像分割方法
CN115661459A (zh) * 2022-11-02 2023-01-31 安徽大学 一种使用差异信息的2D mean teacher模型
CN115841494A (zh) * 2022-12-16 2023-03-24 华东师范大学 一种基于魔方切分复原的半监督多器官分割方法

Patent Citations (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8121407B1 (en) * 2008-03-17 2012-02-21 Adobe Systems Incorporated Method and apparatus for localized labeling in digital images
US20210216825A1 (en) * 2020-01-09 2021-07-15 International Business Machines Corporation Uncertainty guided semi-supervised neural network training for image classification
US20210319266A1 (en) * 2020-04-13 2021-10-14 Google Llc Systems and methods for contrastive learning of visual representations
US20220012637A1 (en) * 2020-07-09 2022-01-13 Nokia Technologies Oy Federated teacher-student machine learning
CN112070779A (zh) * 2020-08-04 2020-12-11 武汉大学 一种基于卷积神经网络弱监督学习的遥感影像道路分割方法
CN112150478A (zh) * 2020-08-31 2020-12-29 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
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
US11100373B1 (en) * 2020-11-02 2021-08-24 DOCBOT, Inc. Autonomous and continuously self-improving learning system
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
US20220188636A1 (en) * 2020-12-14 2022-06-16 Google Llc Meta pseudo-labels
CN112598053A (zh) * 2020-12-21 2021-04-02 西北工业大学 基于半监督学习的主动显著性目标检测方法
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
CN113222072A (zh) * 2021-06-10 2021-08-06 上海海事大学 基于K-means聚类和GAN的肺部X光图像分类方法
CN114283329A (zh) * 2021-11-16 2022-04-05 华能盐城大丰新能源发电有限责任公司 一种基于强变换下的半监督遥感图像语义分割方法及设备
CN114418954A (zh) * 2021-12-24 2022-04-29 中国科学院深圳先进技术研究院 一种基于互学习的半监督医学图像分割方法及其系统
CN114330542A (zh) * 2021-12-27 2022-04-12 深圳云天励飞技术股份有限公司 一种基于目标检测的样本挖掘方法、装置及存储介质
CN114332135A (zh) * 2022-03-10 2022-04-12 之江实验室 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
CN114882521A (zh) * 2022-03-30 2022-08-09 河北工业大学 基于多分支网络的无监督行人重识别方法及装置
CN114758172A (zh) * 2022-04-07 2022-07-15 南京工业大学 一种基于安全对比自集成框架的半监督医学图像分类方法
CN115393687A (zh) * 2022-07-12 2022-11-25 西北工业大学 一种基于双伪标签优化学习的rgb图像半监督目标检测方法
CN115115608A (zh) * 2022-07-20 2022-09-27 南京工业大学 基于半监督语义分割的航空发动机损伤检测方法
CN115511795A (zh) * 2022-09-07 2022-12-23 西北工业大学 一种基于半监督学习的医学图像分割方法
CN115661459A (zh) * 2022-11-02 2023-01-31 安徽大学 一种使用差异信息的2D mean teacher模型
CN115841494A (zh) * 2022-12-16 2023-03-24 华东师范大学 一种基于魔方切分复原的半监督多器官分割方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
LIYAN SUN ET AL: "A Teacher-Student Framework for Semi-supervised Medical Image Segmentation From Mixed Supervision", ARXIV *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116862931A (zh) * 2023-09-04 2023-10-10 北京壹点灵动科技有限公司 医学图像分割方法、装置、存储介质及电子设备
CN116862931B (zh) * 2023-09-04 2024-01-23 北京壹点灵动科技有限公司 医学图像分割方法、装置、存储介质及电子设备
CN116895003A (zh) * 2023-09-07 2023-10-17 苏州魔视智能科技有限公司 目标对象的分割方法、装置、计算机设备及存储介质
CN116895003B (zh) * 2023-09-07 2024-01-30 苏州魔视智能科技有限公司 目标对象的分割方法、装置、计算机设备及存储介质
CN117830324A (zh) * 2023-12-28 2024-04-05 深圳大学 一种基于多维和全局局部联合的3d医学图像分割方法
CN117830324B (zh) * 2023-12-28 2024-07-12 深圳大学 一种基于多维和全局局部联合的3d医学图像分割方法
CN118154880A (zh) * 2024-04-15 2024-06-07 烟台大学 一种半监督mri图像分割方法

Also Published As

Publication number Publication date
CN116468746B (zh) 2023-12-26

Similar Documents

Publication Publication Date Title
CN116468746B (zh) 一种双向复制粘贴的半监督医学图像分割方法
US11854244B2 (en) Labeling techniques for a modified panoptic labeling neural network
DE102019000171A1 (de) Digitalumgebung zur Verortung semantischer Klassen
CN107506774A (zh) 一种基于局部注意掩模的分段感知神经网络方法
CN111325750B (zh) 一种基于多尺度融合u型链神经网络的医学图像分割方法
Xiao et al. Single image dehazing based on learning of haze layers
Feng et al. URNet: A U-Net based residual network for image dehazing
CN114419323B (zh) 基于跨模态学习与领域自适应rgbd图像语义分割方法
CN114549842B (zh) 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
CN110807741A (zh) 图像处理网络的训练方法、图像去噪方法及装置
CN114444679A (zh) 二值化输入模型的量化方法及系统、计算机可读存储介质
Li et al. Color vision deficiency datasets & recoloring evaluation using GANs
Zhang et al. Single image dehazing based on bright channel prior model and saliency analysis strategy
CN111860465A (zh) 基于超像素的遥感图像提取方法、装置、设备及存储介质
Su et al. Physical model and image translation fused network for single-image dehazing
Li et al. AEMS: an attention enhancement network of modules stacking for lowlight image enhancement
CN113610016B (zh) 视频帧特征提取模型的训练方法、系统、设备及存储介质
Zhou et al. An improved algorithm using weighted guided coefficient and union self‐adaptive image enhancement for single image haze removal
Liao et al. Underwater image enhancement using multi-task fusion
Li et al. The Instance-Aware Automatic Image Colorization Based on Deep Convolutional Neural Network.
Okawa et al. Detection of abnormal fish by image recognition using fine-tuning
CN116777929A (zh) 一种黑夜场景图像语义分割方法、装置及计算机介质
Li et al. Multi-scale fusion framework via retinex and transmittance optimization for underwater image enhancement
Lei et al. A monocular image depth estimation method based on weighted fusion and point‐wise convolution
Tao et al. Multi-scale Network with Attention Mechanism for Underwater Image Enhancement

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