CN116563537A - 一种基于模型框架的半监督学习方法及装置 - Google Patents

一种基于模型框架的半监督学习方法及装置 Download PDF

Info

Publication number
CN116563537A
CN116563537A CN202310469217.6A CN202310469217A CN116563537A CN 116563537 A CN116563537 A CN 116563537A CN 202310469217 A CN202310469217 A CN 202310469217A CN 116563537 A CN116563537 A CN 116563537A
Authority
CN
China
Prior art keywords
model
network
student
loss
teacher
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
CN202310469217.6A
Other languages
English (en)
Inventor
胡战利
黄正勇
张娜
梁栋
郑海荣
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.)
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
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 Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN202310469217.6A priority Critical patent/CN116563537A/zh
Publication of CN116563537A publication Critical patent/CN116563537A/zh
Pending legal-status Critical Current

Links

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
    • G06V10/20—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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30048—Heart; Cardiac
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于模型框架的半监督学习方法及装置。该方法及装置包括：设置网络整体框架,网络整体框架包含学生模型、教师模型、投影器网络以及输出层网络；将医学图像输入至学生模型、教师模型，将学生模型、教师模型的输出经过投影器网络得到投影特征表示；将投影特征表示输入至输出层网络，得到学生模型、教师模型的最终分割结果；设计网络损失函数，使用网络损失函数对网络整体框架进行训练。本发明结合Mean‑Teacher模型将对比学习作为损失函数添加到教师‑学生模型之中，进一步增加一致性学习的准确性，进而提高分割准确性能，本发明最终获得更精确的分割结果。

Description

一种基于模型框架的半监督学习方法及装置
技术领域
本发明涉及医学图像分割领域，具体而言，涉及一种基于模型框架的半监督学习方法及装置。
背景技术
左心房结构是临床医生诊断和治疗心房颤动的重要信息，心房颤动是最常见的心率紊乱。医学图像分割是各种医学图像应用的基础，如确定癌症分期、制定治疗计划、放射组学分析以及制定个性化医疗服务等等。在分割任务中，肿瘤靶区勾画是治疗癌症的关键一步，其目的是最大限度将放射剂集中在靶区内，让周围的正常组织和器官尽可能减少甚至免受伤害。然而人工勾画肿瘤靶区是一个费时费力的过程，而且人工标注的精度在很大程度上依赖于肿瘤学家的经验知识，不同医生之间的差异导致他们对于同一肿瘤的标注也可能不同。有监督三维医学图像分割方法已经取得了很大的成功，但它们依赖于大量的带标注数据，这极大限制了有监督方法的应用范围。半监督分割方法通过使用大量无标记数据和少量有标记数据解决了这一问题。目前，最成功的半监督学习方法是基于一致性学习，最小化从未标记数据的扰动视图中获得的模型响应之间的距离。此外，对比学习已被证明是一种有效的无监督学习方法。因此，研究和开发一种基于对比学习的医学图像半监督分割方法，在保证分割精度的ton更是，尽可能减少对标注数据的依赖，这对于医疗诊断领域具有重要的科学意义和应用前景。
Lequan Yu等人于2019年在MICCAI会议上发表文章“Uncertainty-aware Self-ensembling Model for Semi-supervised 3D Left Atrium Segmentation”。该方法结合Mean-Teacher模型和蒙特卡洛模拟提出了一种基于不确定性的半监督学习框架。学生模型通过利用教师模型的不确定性信息，逐渐从有意义和可靠的目标中学习。除了生成目标输出，教师模型还通过Monte Carlo Dropout估计每个目标预测的不确定性。在估计不确定性的指导下，计算一致性损失时过滤掉不可靠的预测，只保留可靠的预测(低不确定性)。因此，学生模型得到了优化，得到了更可靠的监督，并反过来鼓励教师模型生成更高质量的目标。
Ting Chen等人于2020在ICML发表文章“SimCLR:A Simple Framework forContrastive Learning of Visual Representations”。该文章提出了一种新的自监督对比学习方法，SimCLR学习框架主要由四个部件组成，包括随机数据增强模块、特征编码模块、特征投影模块、对比损失模块。其核心思想是最大化同一数据示例的不同增强视图之间的一致性来学习表示。
综上，现有技术存在如下技术缺陷：
1.医学图像数据标注困难，费时费力；
2.人工标注数据依赖于专家经验知识，且不同专家存在差异；
3.由于大部分算法基于少数部位设计，算法鲁棒性差。
发明内容
本发明实施例提供了一种基于模型框架的半监督学习方法及装置，以最终获得更精确的医学图像分割结果。
根据本发明的一实施例，提供了一种基于模型框架的半监督学习方法，包括以下步骤：
S101:设置网络整体框架,网络整体框架包含学生模型、教师模型、投影器网络以及输出层网络；
S102:将医学图像输入至学生模型、教师模型，将学生模型、教师模型的输出经过投影器网络得到投影特征表示；
S103:将投影特征表示输入至输出层网络，得到学生模型、教师模型的最终分割结果；
S104:设计网络损失函数，使用网络损失函数对网络整体框架进行训练。
进一步地，学生模型和教师模型均采用V-Net作为主干网络，网络编码器和解码器分别包含4个卷积-池化层，卷积层的卷积核为3x3x3，池化层的卷积核为2x2x2，输出通道分别为16、32、64、128、128、64、32、16，激活函数使用ReLU。
进一步地，投影器网络包含两个卷积层，第一个卷积层的输出通道为16，第二个卷积层的输出通道为8，卷积核大小均为3x3x3。
进一步地，输出层网络为一个卷积层,输入为V-Net的输出，通道数为16，输出层网络的输出通道为2，卷积核大小为1x1x1。
进一步地，网络损失函数分为四个部分，为学生模型有监督损失、学生-教师模型一致性损失、学生-教师模型交叉损失以及学生-教师模型对比损失之和。
进一步地，对于学生模型的有监督损失，给定训练数据集D＝{(x1,y1),(x2,y2),…,(xN,yN)}，其中，x＝{x1,x2，…,xN}网络输入图像，y＝{y1,y2，…,yN}是从医生标注的图像，N是训练样本的总数；学生监督损失使用Dice损失和交叉熵损失，表示为：
其中表示学生模型对带标签数据的预测结果，ε是一个很小的常数。
进一步地，学生模型、教师模型的一致性损失和交叉损失均使用均方误差损失，表示为：
y1i和分别为学生模型和教师模型的输出结果。
进一步地，学生模型、教师模型对比损失表示为：
其中是一个指示性函数，当且仅当k≠i时，其值为1，否为0；τ是一个常数；/>是一个余弦相似度函数；zi和zj分别为学生模型和教师模型的投影输出结果。
进一步地，采用Adam优化器来优化损失函数。
根据本发明的另一实施例，提供了一种基于模型框架的半监督学习装置，包括：
框架设置单元，用于设置网络整体框架,网络整体框架包含学生模型、教师模型、投影器网络以及输出层网络；
投影特征表示获取单元，用于将医学图像输入至学生模型、教师模型，将学生模型、教师模型的输出经过投影器网络得到投影特征表示；
最终分割结果获取单元，用于将投影特征表示输入至输出层网络，得到学生模型、教师模型的最终分割结果；
网络损失函数设计单元，用于设计网络损失函数，使用网络损失函数对网络整体框架进行训练。
一种存储介质，存储介质存储有能够实现上述任意一项基于模型框架的半监督学习方法的程序文件。
一种处理器，处理器用于运行程序，其中，程序运行时执行上述任意一项的基于模型框架的半监督学习方法。
本发明实施例中的基于模型框架的半监督学习方法及装置，考虑自监督学习、对比学习方法，设计了一个半监督学习框架，结合Mean-Teacher模型将对比学习作为损失函数添加到教师-学生模型之中，进一步增加一致性学习的准确性，进而提高分割准确性能，本发明最终获得更精确的分割结果。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明基于对比学习的半监督分割网络框架图；
图2为本发明实验验证图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为解决医学图像分割标注数据少的问题，本发明考虑自监督学习、对比学习方法，设计了一个半监督学习框架，结合Mean-Teacher模型将对比学习作为损失函数添加到教师-学生模型之中，进一步增加一致性学习的准确性，进而提高分割准确性能，本发明最终获得更精确的分割结果。本发明提出的一种基于模型框架的半监督学习方法及装置，将一致学习和对比学习相结合，并利用均方误差损失交替优化模型结果，最终得到更为精确的分割结果。
为实现上述目的，本发明所采用的技术方案具体操作步骤如下：
步骤一：设置网络整体框架
网络整体采用教师-学生模型框架，如图1所示。主要包含学生模型、教师模型、投影器网络以及输出层网络。
学生模型和教师模型均采用V-Net作为主干网络，网络编码器和解码器分别包含4个卷积-池化层，卷积层的卷积核为3x3x3，池化层的卷积核为2x2x2,输出通道分别为16、32、64、128、128、64、32、16，激活函数使用ReLU。
表1V-Net网络参数设置
步骤二：设置对比学投影器网络
先将学生-教师模型的输出经过投影器网络得到投影特征表示。投影器网络包含两个卷积层，第一个卷积层的输出通道为16，第二个卷积层的输出通道为8，卷积核大小均为3x3x3。
步骤三：设置输出层网络
如图1所示，输出层网络为一个卷积层,输入为V-Net的输出，通道数为16，输出层网络的输出通道为2，卷积核大小为1x1x1，输出得到学生-教师模型的最终分割结果。
步骤四：设计网络损失函数
整个网络损失函数分为四个部分，学生模型带标签的有监督损失、学生-教师模型一致性损失、学生-教师模型交叉损失以及学生-教师模型对比损失。
对于学生模型的有监督损失，给定训练数据集D＝{(x1,y1),(x2,y2),…,(xN,yN)}，其中，x＝{x1,x2，…,xN}网络输入图像，y＝{y1,y2，…,yN}是从医生标注的图像，N是训练样本的总数。学生监督损失使用Dice损失和交叉熵损失，表示为：
其中表示学生模型对带标签数据的预测结果，ε是一个很小的常数，避免分母为0,实验中设置为0.001。
学生-教师模型的一致性损失和交叉损失均使用均方误差损失，表示为：
y1i和分别为学生模型和教师模型的输出结果。
学生-教师模型对比损失表示为：
其中是一个指示性函数，当且仅当k≠i时，其值为1，否为0。τ是一个常数，设置为2。/>是一个余弦相似度函数。zi和zj分别为学生模型和教师模型的投影输出结果。
网络的最终损失函数为以上四个部分之和。
步骤五：对于以上设计的整体网络框架，采用Adam优化器来优化损失函数。
步骤六：训练网络。
本发明与现有技术相比，本发明有益效果包括：本发明通过考虑学生-教师模型之间的一致性，增加了交叉损失，这样使得两个模型结果互为标签，提高半监督学习准确性。此外，在网络中引入了对比学习这样的无监督学习机制，在一部分标注数据的辅助下，更进一步提高了分割的准确性。本发明有效提高了网络版监督分割性能，分割结果更好。
本发明使用MRI数据进行了验证，本发明经过实验、模拟、使用而证明可行，实验结果如图2所示。除MRI数据外同样可以应用于其它模态的医学图像数据如CT和PET。
实施例2
一种存储介质，存储介质存储有能够实现上述任意一项基于模型框架的半监督学习方法的程序文件。
实施例3
一种处理器，处理器用于运行程序，其中，程序运行时执行上述任意一项的基于模型框架的半监督学习方法。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的系统实施例仅仅是示意性的，例如单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
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单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种基于模型框架的半监督学习方法，其特征在于，包括以下步骤：
S101:设置网络整体框架,网络整体框架包含学生模型、教师模型、投影器网络以及输出层网络；
S102:将医学图像输入至学生模型、教师模型，将学生模型、教师模型的输出经过投影器网络得到投影特征表示；
S103:将投影特征表示输入至输出层网络，得到学生模型、教师模型的最终分割结果；
S104:设计网络损失函数，使用网络损失函数对网络整体框架进行训练。
2.根据权利要求1所述的基于模型框架的半监督学习方法，其特征在于，学生模型和教师模型均采用V-Net作为主干网络，网络编码器和解码器分别包含4个卷积-池化层，卷积层的卷积核为3x3x3，池化层的卷积核为2x2x2，输出通道分别为16、32、64、128、128、64、32、16，激活函数使用ReLU。
3.根据权利要求1所述的基于模型框架的半监督学习方法，其特征在于，投影器网络包含两个卷积层，第一个卷积层的输出通道为16，第二个卷积层的输出通道为8，卷积核大小均为3x3x3。
4.根据权利要求1所述的基于模型框架的半监督学习方法，其特征在于，输出层网络为一个卷积层,输入为V-Net的输出，通道数为16，输出层网络的输出通道为2，卷积核大小为1x1x1。
5.根据权利要求1所述的基于模型框架的半监督学习方法，其特征在于，网络损失函数分为四个部分，为学生模型有监督损失、学生-教师模型一致性损失、学生-教师模型交叉损失以及学生-教师模型对比损失之和。
6.根据权利要求5所述的基于模型框架的半监督学习方法，其特征在于，对于学生模型的有监督损失，给定训练数据集D＝{(x1,y1),(x2,y2),…,(xN,yN)}，其中，x＝{x1,x2，…,xN}网络输入图像，y＝{y1,y2，…,yN}是从医生标注的图像，N是训练样本的总数；学生监督损失使用Dice损失和交叉熵损失，表示为：
其中表示学生模型对带标签数据的预测结果，ε是一个很小的常数。
7.根据权利要求5所述的基于模型框架的半监督学习方法，其特征在于，学生模型、教师模型的一致性损失和交叉损失均使用均方误差损失，表示为：
y1i和分别为学生模型和教师模型的输出结果。
8.根据权利要求5所述的基于模型框架的半监督学习方法，其特征在于，学生模型、教师模型对比损失表示为：
其中是一个指示性函数，当且仅当k≠i时，其值为1，否为0；τ是一个常数；/>是一个余弦相似度函数；zi和zj分别为学生模型和教师模型的投影输出结果。
9.根据权利要求1所述的基于模型框架的半监督学习方法，其特征在于，采用Adam优化器来优化损失函数。
10.一种基于模型框架的半监督学习装置，其特征在于，包括：
框架设置单元，用于设置网络整体框架,网络整体框架包含学生模型、教师模型、投影器网络以及输出层网络；
投影特征表示获取单元，用于将医学图像输入至学生模型、教师模型，将学生模型、教师模型的输出经过投影器网络得到投影特征表示；
最终分割结果获取单元，用于将投影特征表示输入至输出层网络，得到学生模型、教师模型的最终分割结果；
网络损失函数设计单元，用于设计网络损失函数，使用网络损失函数对网络整体框架进行训练。
CN202310469217.6A 2023-04-25 2023-04-25 一种基于模型框架的半监督学习方法及装置 Pending CN116563537A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310469217.6A CN116563537A (zh) 2023-04-25 2023-04-25 一种基于模型框架的半监督学习方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310469217.6A CN116563537A (zh) 2023-04-25 2023-04-25 一种基于模型框架的半监督学习方法及装置

Publications (1)

Publication Number Publication Date
CN116563537A true CN116563537A (zh) 2023-08-08

Family

ID=87490871

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310469217.6A Pending CN116563537A (zh) 2023-04-25 2023-04-25 一种基于模型框架的半监督学习方法及装置

Country Status (1)

Country Link
CN (1) CN116563537A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117095014A (zh) * 2023-10-17 2023-11-21 四川大学 一种半监督医学图像分割方法、系统、设备、介质
CN117291921A (zh) * 2023-11-27 2023-12-26 哪吒港航智慧科技(上海)有限公司 集装箱偶发残损样本挖掘及学习方法、装置、设备、介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117095014A (zh) * 2023-10-17 2023-11-21 四川大学 一种半监督医学图像分割方法、系统、设备、介质
CN117291921A (zh) * 2023-11-27 2023-12-26 哪吒港航智慧科技(上海)有限公司 集装箱偶发残损样本挖掘及学习方法、装置、设备、介质
CN117291921B (zh) * 2023-11-27 2024-03-12 哪吒港航智慧科技(上海)有限公司 集装箱偶发残损样本挖掘及学习方法、装置、设备、介质

Similar Documents

Publication Publication Date Title
Lan et al. Generative adversarial networks and its applications in biomedical informatics
Shi et al. Variational mixture-of-experts autoencoders for multi-modal deep generative models
Ren et al. Interleaved 3D‐CNN s for joint segmentation of small‐volume structures in head and neck CT images
Yu et al. Tensorizing GAN with high-order pooling for Alzheimer’s disease assessment
Zhou et al. Deep learning of the sectional appearances of 3D CT images for anatomical structure segmentation based on an FCN voting method
Rajkomar et al. High-throughput classification of radiographs using deep convolutional neural networks
Men et al. More accurate and efficient segmentation of organs‐at‐risk in radiotherapy with convolutional neural networks cascades
CN116563537A (zh) 一种基于模型框架的半监督学习方法及装置
US10853409B2 (en) Systems and methods for image search
CN112673395A (zh) 用于放射治疗计划的医学图像中的器官分割的3d卷积神经网络
CN112365980B (zh) 脑肿瘤多靶点辅助诊断与前瞻性治疗演化可视化方法及系统
Gong et al. Generative AI for brain image computing and brain network computing: a review
Gong et al. Vqamix: Conditional triplet mixup for medical visual question answering
CN115331769B (zh) 基于多模态融合的医学影像报告生成方法及装置
EP3973508A1 (en) Sampling latent variables to generate multiple segmentations of an image
Wang et al. Swinmm: masked multi-view with swin transformers for 3d medical image segmentation
Zhou et al. a survey of deep learning for Alzheimer’s disease
Men et al. A study of positioning orientation effect on segmentation accuracy using convolutional neural networks for rectal cancer
Meng et al. Radiomics-enhanced deep multi-task learning for outcome prediction in head and neck cancer
Liu et al. AHU-MultiNet: adaptive loss balancing based on homoscedastic uncertainty in multi-task medical image segmentation network
Li et al. MCRformer: Morphological constraint reticular transformer for 3D medical image segmentation
Zhao et al. MPSHT: multiple progressive sampling hybrid model multi-organ segmentation
Wang et al. Multi-view fusion segmentation for brain glioma on CT images
Xing et al. Gradient modulated contrastive distillation of low-rank multi-modal knowledge for disease diagnosis
Fredriksen et al. Teacher-student approach for lung tumor segmentation from mixed-supervised datasets

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