CN116958656A - 一种基于结构对齐和伪标自纠正的联邦半监督医学图像诊断方法 - Google Patents
一种基于结构对齐和伪标自纠正的联邦半监督医学图像诊断方法 Download PDFInfo
- Publication number
- CN116958656A CN116958656A CN202310806733.3A CN202310806733A CN116958656A CN 116958656 A CN116958656 A CN 116958656A CN 202310806733 A CN202310806733 A CN 202310806733A CN 116958656 A CN116958656 A CN 116958656A
- Authority
- CN
- China
- Prior art keywords
- client
- virtual class
- model parameters
- network
- class center
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000012937 correction Methods 0.000 title claims abstract description 25
- 238000003745 diagnosis Methods 0.000 title claims abstract description 9
- 238000012549 training Methods 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 8
- 238000002405 diagnostic procedure Methods 0.000 claims description 6
- 238000012935 Averaging Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 230000008447 perception Effects 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 abstract 1
- 238000004364 calculation method Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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
- G06N20/00—Machine 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
-
- 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
- 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
-
- 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)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明提供了一种基于结构对齐和伪标自纠正的联邦半监督医学图像诊断方法,包括以下步骤:首先,将标记客户端的医学图像输入深度网络训练固定次数,得到网络模型参数和虚拟类中心并上传到服务器作为全局初始化设置;然后,服务器将全局模型参数下发给标记客户端和无标记客户端,将全局虚拟类中心下发给无标记客户端。在标记客户端训练并更新虚拟类中心,在无标记客户端建立学生网络和教师网络的预测一致性损失,建立结构匹配损失对齐全局虚拟类中心,建立类感知对比损失学习类内紧凑性和类间可分性;进一步,将所有客户端模型参数上传并更新全局模型参数。本发明可以在保障隐私的要求下提升联邦半监督学图像检测的准确性和泛化性。
Description
技术领域
本发明涉及一种基于结构对齐和伪标自纠正的联邦半监督医学图像诊断方法,属于医学图像分类领域。
背景技术
随着人工智能技术的快速发展,深度学习方法已经广泛应用于医学成像、分割与诊断等领域。尽管深度学习方法在医学图像诊断领域取得了较大的进展,但通常需要大量标记数据用于网络模型训练。一方面,医学图像数据的标注工作常常面临着成本高难度大的问题;另一方面,将各个医疗机构的数据上传至服务器的过程会存在泄露患者隐私的风险。上述问题阻碍了深度学习在医学诊断实际临床中的应用。联邦半监督学习作为一种新的分布式机器学习范式,能够在多个客户端(医疗机构)之间同时利用有标记数据和无标记数据开展数据协作,避免了客户端之间直接传递数据信息,能够有效保护患者隐私信息。然而,现有的联邦半监督方法通常存在以下两个问题:1)由于患病人群、采集设备或环境的不同,分散在各个医疗机构的医学图像数据存在明显的分布差异,导致全局模型的泛化能力不足;2)由于监督信息的缺失,大量未标记数据的使用会导致局部客户端模型的可靠性较差,进而影响全局模型的精度。如何有效、安全地协同利用医疗机构间大量的无标记医学图像数据,确保医患双方的隐私安全,已经成为目前联邦半监督学习的研究重点。针对上述问题,本发明提出一种基于结构对齐和伪标自纠正的联邦半监督医学图像诊断方法,设计了一种跨客户端的结构信息匹配策略以及伪标签自纠正策略,实现了利用无标记客户端医学图像分辅助模型联邦模型构建,提升了联邦半监督模型的泛化性和可靠性。
发明内容
本发明提供了一种基于结构对齐和伪标自纠正的联邦半监督医学图像诊断方法,基于半监督联邦学习范式,设计了基于虚拟类中心的跨客户端结构信息匹配策略,实现了多个客户端之间的结构信息的一致性,解决了客户端漂移问题。此外,提出了基于类感知对比学习的伪标签自纠正策略,解决了未标记客户端由于错误预测导致网络模型性能下降的问题。本发明所提方法在保护用户隐私信息的同时提升了联邦半监督医学图像诊断的准确性。
本发明为解决上述问题采用以下技术方案:
一种基于结构对齐和伪标自纠正的联邦半监督医学图像诊断方法,包括以下步骤:
步骤1:m个标记数据客户端{S1,S2,L,Sm}采集各自私有的带标记医学图像数据,其中第l个客户端S1包含Nl个数据和标签对表示第i个样本,/>表示第i个样本的标签;n个未标记数据客户端{Sm+1,Sm+2,L,Sm+n}采集各自私有的无标记医学图像数据,其中第u个客户端Su包含Nu个数据/>
步骤2:将有标记客户端的医学图像输入深度网络训练固定的次数,得到标记客户端的网络模型参数,同时利用学习到的深度特征计算特定类的虚拟类中心,并将有标记客户端的网络模型参数和虚拟类中心上传到中央服务器;
步骤3:中央服务器将有标记客户端上传的网络模型参数和虚拟类中心作为初始化全局模型参数和全局虚拟类中心。服务器将全局模型参数下发给有标记客户端以及无标记客户端,同时将全局虚拟类中心下发给无标记客户端;
步骤4:有标记客户端利用全局模型参数初始化并进行训练,利用学习到的深度特征计算特定类的虚拟类中心,并将更新后的网络模型参数和虚拟类中心上传到中央服务器;
步骤5:无标记客户端接收服务器端发送的全局模型参数和全局虚拟类中心,并利用全局模型参数对本地模型进行初始化;
步骤6:无标记客户端将无标记医学图像数据进行随机数据增强,重复两次得到两组增强后的数据分别输入平均教师模型的学生网络和教师网络,学生网络利用学习到的深度特征计算特定类的虚拟类中心,计算各个虚拟类中心与对应类别的全局虚拟类中心的结构匹配损失,并计算学生网络和教师网络的预测一致性损失,同时利用学生网络和教师网络输出的标准化特征计算伪标自纠正损失;
步骤7:将步骤6中计算到的结构匹配损失、一致性损失以及伪标自纠正加权求和成最终的损失函数来优化无标记客户端模型参数;
步骤8:将无标记客户端模型参数发送给服务器,服务器端利用有标记客户端模型参数和无标记客户端模型参数来更新全局模型参数,利用有标记客户端的虚拟类中心作为全局虚拟类中心。
步骤9:重复上述步骤3-8,直到全局模型收敛。
优选的,所述客户端的虚拟类中心,是由客户端本地网络模型从本地数据中提取的深度特征,通过对特定类的深度特征进行平均来提取各个类的虚拟类中心。对于标记数据客户端的第c类虚拟类中心具体可表示为:
对于无标记数据客户端的第c类虚拟类中心具体可表示为:
其中,为数据集Dl中第c类的样本数量,1[·]是条件筛选函数,/>为网络模型从样本/>中学习的深度特征。/>是网络模型对无标记数据/>的概率预测。
优选的,所述跨客户端结构信息匹配方法,通过中央服务器从所有标记数据客户端收集虚拟类中心进行平均得到标记客户端的全局虚拟类中心。中央服务器将全局虚拟类中心下发给各个未标记数据客户端,未标记数据客户端将本地虚拟类中心于全局虚拟类中心进行匹配,具体可表示为:
其中,C为分类数,C为第c类全局虚拟类中心。
优选的,所述伪标签自纠正策略,是根据无标记客户端学生网络和教师网络输出的标准化特征计算对比损失,具体可表示为:
其中,和/>分别为学生网络和教师网络的标准化特征输出,Q是一个大小为C×J的动态队列,J是来自每个伪类的样本数量,P(i)表示所有正样本的集合索引,τ是温度超参数。
有益效果:
1、本发明引入跨客户端的结构匹配策略,通过对齐标记客户端的虚拟类中心与未标记客户端的虚拟类中心,实现了有标记客户端与无标记客户端之间的结构信息的一致性,解决了客户端漂移问题,可以利用无标记客户端医学图像分辅助模型联邦模型构建,提升了联邦半监督模型的泛化性。
2、本发明引入伪标签自纠正策略,根据无标记客户端同类数据特征之间的相似性以及不同类数据特征之间的异构性,纠正网络自动生成的错误伪标签,提升了伪标签的质量,增强了无标记客户端模型的鲁棒性。所提半监督联邦学习方法中各个客户端与服务器之间只需传递模型参数和递虚拟类中心,能够有效防止客户端的隐私泄露。
附图说明
图1是本发明中一种基于结构对齐和伪标自纠正的联邦半监督医学图像诊断方法的网络框架图。
具体实施方式
下面结合实例对本发明做更进一步的解释。
本发明主要实施流程如下,相关流程见图1。
步骤1:m个标记数据客户端{S1,S2,L,Sm}采集各自私有的带标记医学图像数据,其中第l个客户端Sl包含Nl个数据和标签对表示第i个样本,/>表示第i个样本的标签;n个未标记数据客户端{Sm+1,Sm+2,L,Sm+n}采集各自私有的无标记医学图像数据,其中第u个客户端Su包含Nu个数据/>
步骤2:将有标记客户端的医学图像输入深度网络训练固定的次数,得到标记客户端的网络模型参数,同时利用学习到的深度特征计算特定类的虚拟类中心,并将有标记客户端的网络模型参数和虚拟类中心上传到中央服务器。其中,
1)利用深度网络预测的概率输出和真实标签计算有监督损失训练网络,具体可表示为:
其中,θl表示标记客户端网络参数,表示网络对/>的概率预测;
2)对于标记数据客户端的第c类虚拟类中心具体可表示为:
虚拟类中心点更新方式如下:
其中,为数据集Dl中第c类的样本数量,1[·]是条件筛选函数,/>为网络模型从样本/>中学习的深度特征。/>表示第t次迭代的平均中心点,/>表示第t+1次迭代第l个客户端的第c类虚拟类中心点,β为平衡参数,本发明取值0.002。
步骤3:中央服务器将有标记客户端上传的网络模型参数和虚拟类中心作为初始化全局模型参数和全局虚拟类中心。服务器将全局模型参数下发给有标记客户端以及无标记客户端,同时将全局虚拟类中心下发给无标记客户端;
步骤4:有标记客户端利用全局模型参数初始化并进行训练,利用学习到的深度特征计算特定类的虚拟类中心,并将更新后的网络模型参数和虚拟类中心上传到中央服务器;其中,网络模型参数和虚拟类中心的计算与步骤2中类似;
步骤5:无标记客户端接收服务器端发送的全局模型参数和全局虚拟类中心,并利用全局模型参数对本地模型进行初始化;
步骤6:无标记客户端将无标记医学图像数据进行随机数据增强,重复两次得到两组增强后的数据分别输入平均教师模型的学生网络和教师网络,学生网络利用学习到的深度特征计算特定类的虚拟类中心,计算各个虚拟类中心与对应类别的全局虚拟类中心的结构匹配损失,并计算学生网络和教师网络的预测一致性损失,同时利用学生网络和教师网络输出的标准化特征计算伪标自纠正损失。其中,
1)对无标记医学图像数据进行随机旋转与仿射变换来添加数据扰动,依据0.5的概率对图像进行水平翻转,随机旋转角度范围(-10°,10°),对应的长宽两个维度的平移区间参数为(0.02,0.02)。重复上述过程两次得到两组训练数据,分别输入平均教师模型的学生网络和教师网络;
2)学生网络利用学习到的深度特征计算特定类的虚拟类中心,具体可表示为:
其中,为数据集Du中第c类的样本数量,1[·]是条件筛选函数,/>为网络模型从样本/>中学习的深度特征。/>是网络模型对无标记数据/>的概率预测。
3)计算各个虚拟类中心与对应类别的全局虚拟类中心的结构匹配损失,具体可表示为:
其中,C为分类数,C为第c类全局虚拟类中心。
4)计算学生网络和教师网络的预测一致性损失,具体可表示为:
其中,η和η′表示不同的扰动。θu和θ′u表示学生和教师网络的网络参数。
5)利用学生网络和教师网络输出的标准化特征计算伪标自纠正损失,具体可表示为:
其中,知/>分别为学生网络和教师网络的标准化特征输出,Q是一个大小为C×J的动态队列,J是来自每个伪类的样本数量,P(i)表示所有正样本的集合索引,τ是温度超参数。
步骤7:将步骤6中计算到的结构匹配损失、一致性损失以及伪标自纠正加权求和成最终的损失函数来优化无标记客户端模型参数。具体计算如下:
Lu=λ1·Lcs+λ2·Linter+λ3·Lintra (16)
步骤8:将无标记客户端模型参数发送给服务器,服务器端将有标记客户端模型参数和无标记客户端模型参数进行平均来更新全局模型参数,并平均有标记客户端的虚拟类中心来更新全局虚拟类中心。
步骤9:重复上述步骤3-8,直到全局模型收敛。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所做的等效结构或等流程变换,或直接或间接运用在相关技术领域,均同理包括在本发明的专利保护范围。
Claims (5)
1.一种基于结构对齐和伪标自纠正的联邦半监督医学图像诊断方法,步骤如下:
步骤1:m个标记数据客户端{S1,S2,L,Sm}采集各自私有的带标记医学图像数据,其中第l个客户端Sl包含Nl个数据和标签对表示第i个样本,/>表示第i个样本的标签;n个未标记数据客户端{Sm+1,Sm+2,L,Sm+n}采集各自私有的无标记医学图像数据,其中第u个客户端Su包含Nu个数据/>
步骤2:将有标记客户端的医学图像输入深度网络训练固定的次数,得到标记客户端的网络模型参数,同时利用学习到的深度特征计算特定类的虚拟类中心,并将有标记客户端的网络模型参数和虚拟类中心上传到中央服务器;
步骤3:中央服务器将有标记客户端上传的网络模型参数和虚拟类中心作为初始化全局模型参数和全局虚拟类中心。服务器将全局模型参数下发给有标记客户端以及无标记客户端,同时将全局虚拟类中心下发给无标记客户端;
步骤4:有标记客户端利用全局模型参数初始化并进行训练,利用学习到的深度特征计算特定类的虚拟类中心,并将更新后的网络模型参数和虚拟类中心上传到中央服务器;
步骤5:无标记客户端接收服务器端发送的全局模型参数和全局虚拟类中心,并利用全局模型参数对本地模型进行初始化;
步骤6:无标记客户端将无标记医学图像数据进行随机数据增强,重复两次得到两组增强后的数据分别输入平均教师模型的学生网络和教师网络,学生网络利用学习到的深度特征计算特定类的虚拟类中心,计算各个虚拟类中心与对应类别的全局虚拟类中心的结构匹配损失,并计算学生网络和教师网络的预测一致性损失,同时利用学生网络和教师网络输出的标准化特征计算伪标自纠正损失;
步骤7:将步骤6中计算到的结构匹配损失、一致性损失以及伪标自纠正加权求和成最终的损失函数来优化无标记客户端模型参数;
步骤8:将无标记客户端模型参数发送给服务器,服务器端利用有标记客户端模型参数和无标记客户端模型参数来更新全局模型参数,利用有标记客户端的虚拟类中心作为全局虚拟类中心。
步骤9:重复上述步骤3-8,直到全局模型收敛。
2.根据权利要求1所述的一种基于结构对齐和伪标自纠正的联邦半监督医学图像诊断方法,其特征在于,步骤2和步骤3中,所述的客户端的虚拟类中心,具体地,是由各客户端本地网络模型学习的深度特征,通过对特定类的深度特征进行平均来提取各个类的虚拟类中心。对于步骤2中的标记数据客户端的虚拟类中心具体可表示为:
虚拟类中心点更新方式如下:
其中,为数据集Dl中第c类的样本数量,l[·]是条件筛选函数,/>为网络模型从样本/>中学习的深度特征。/>表示第t次迭代的平均中心点,/>表示第t+1次迭代第l个客户端的第c类虚拟类中心点,β为平衡参数,本发明取值0.002。类似地,可以定义步骤3中的未标记数据客户端的虚拟类中心/>具体可表示为:
其中,为数据集Du中第c类的样本数量,/>为网络模型从样本/>中学习的深度特征。/>是网络模型对无标记数据/>的概率预测。
3.根据权利要求1所述的一种基于结构对齐和伪标自纠正的联邦半监督医学图像诊断方法,其特征在于,引入跨客户端的结构信息匹配策略。中央服务器从所有标记数据客户端收集虚拟类中心进行平均得到全局虚拟类中心,并将全局虚拟类中心发送给各个未标记数据客户端。未标记数据客户端将本地虚拟类中心于全局虚拟类中心进行结构对齐,具体可表示为:
其中,C为分类数,C为第c类全局虚拟类中心。
4.根据权利要求1所述的一种基于结构对齐和伪标自纠正的联邦半监督医学图像诊断方法,其特征在于,引入伪标自纠正策略,利用学生网络和教师网络输出的标准化特征计算对比损失,具体可表示为:
其中,和/>分别为学生网络和教师网络的标准化特征输出,Q是一个大小为C×J的动态队列,J是来自每个伪类的样本数量,P(i)表示所有正样本的集合索引,τ是温度超参数。
5.根据权利要求1所述的一种基于结构对齐和伪标自纠正的联邦半监督医学图像诊断方法,其特征在于,将步骤6中计算到的结构匹配损失、一致性损失以及伪标自纠正加权求和成最终的损失函数来优化无标记客户端模型参数。具体可表示为:
Lu=λ1·Lcs+λ2·Linter+λ3·Lintra (8)
其中,λ1、λ2和λ3分别为一致性损失、结构匹配损失和伪标自纠正损失的加权系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310806733.3A CN116958656A (zh) | 2023-07-03 | 2023-07-03 | 一种基于结构对齐和伪标自纠正的联邦半监督医学图像诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310806733.3A CN116958656A (zh) | 2023-07-03 | 2023-07-03 | 一种基于结构对齐和伪标自纠正的联邦半监督医学图像诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116958656A true CN116958656A (zh) | 2023-10-27 |
Family
ID=88448488
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310806733.3A Pending CN116958656A (zh) | 2023-07-03 | 2023-07-03 | 一种基于结构对齐和伪标自纠正的联邦半监督医学图像诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116958656A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117708681A (zh) * | 2024-02-06 | 2024-03-15 | 南京邮电大学 | 基于结构图指导的个性化联邦脑电信号分类方法及系统 |
-
2023
- 2023-07-03 CN CN202310806733.3A patent/CN116958656A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117708681A (zh) * | 2024-02-06 | 2024-03-15 | 南京邮电大学 | 基于结构图指导的个性化联邦脑电信号分类方法及系统 |
CN117708681B (zh) * | 2024-02-06 | 2024-04-26 | 南京邮电大学 | 基于结构图指导的个性化联邦脑电信号分类方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mobiny et al. | Risk-aware machine learning classifier for skin lesion diagnosis | |
CN112949786A (zh) | 数据分类识别方法、装置、设备及可读存储介质 | |
Zhao et al. | Mt-uda: Towards unsupervised cross-modality medical image segmentation with limited source labels | |
CN113821668A (zh) | 数据分类识别方法、装置、设备及可读存储介质 | |
CN116664930A (zh) | 基于自监督对比学习的个性化联邦学习图像分类方法及系统 | |
CN113724228A (zh) | 舌色苔色识别方法、装置、计算机设备及存储介质 | |
CN111401156B (zh) | 基于Gabor卷积神经网络的图像识别方法 | |
CN116958656A (zh) | 一种基于结构对齐和伪标自纠正的联邦半监督医学图像诊断方法 | |
Cai et al. | A robust interclass and intraclass loss function for deep learning based tongue segmentation | |
Zhang et al. | Semi-supervised action quality assessment with self-supervised segment feature recovery | |
CN116258695A (zh) | 基于Transformer与CNN交互的半监督医学影像分割方法 | |
Lei et al. | Spatial–spectral cross-correlation embedded dual-transfer network for object tracking using hyperspectral videos | |
Cao et al. | Embedding learning on spectral–spatial graph for semisupervised hyperspectral image classification | |
CN116245828A (zh) | 一种融合医学领域知识的胸部x线质量评价方法 | |
Zhang et al. | ST-MetaDiagnosis: Meta learning with spatial transform for rare skin disease diagnosis | |
Gao et al. | A fast and accurate few-shot detector for objects with fewer pixels in drone image | |
Christinal et al. | Segmentation in 2D and 3D image using tissue-like P system | |
Chen et al. | Underwater target detection lightweight algorithm based on multi-scale feature fusion | |
Lyu et al. | Accurate Detection Algorithm of Citrus Psyllid Using the YOLOv5s-BC Model | |
Dong et al. | A polarimetric scattering characteristics-guided adversarial learning approach for unsupervised PolSAR image classification | |
Zhang et al. | Enhanced Adjacency Matrix-Based Lightweight Graph Convolution Network for Action Recognition | |
Zhu et al. | An improved tiered head pose estimation network with self-adjust loss function | |
CN115565013A (zh) | 一种基于半监督学习的心肌梗死图像分割方法及系统 | |
CN116543192A (zh) | 一种基于多视角特征融合的遥感图像小样本分类方法 | |
Kumar et al. | Segmentation of lung field in HRCT images using U-net based fully convolutional 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 |