申请/专利权人：湘潭大学;湘潭市中心医院

申请日：2024-03-28

公开（公告）日：2024-06-14

公开（公告）号：CN118196418A

主分类号：G06V10/26

分类号：G06V10/26;G06V10/774;G06V10/764;G06V10/40;G06V10/82;G06N3/0895;G06N3/096;G06N3/0499

优先权：

专利状态码：在审-公开

法律状态：2024.06.14#公开

摘要：本发明公开了一种基于平均教师的半监督胚胎图像细胞碎片分割方法。其步骤为：使用带有图像级标签的数据集训练分类网络，生成类激活映射图CAM，将CAM进行形状重建与归一化操作生成距离映射图；构建包括学生模型和教师模型的半监督图像分割网络；使用均值教师架构训练半监督分割网络，使用标签数据集训练学生模型，得到像素分类概率图，计算出监督型分割损失；教师模型中应用蒙特卡罗计算输出的不确定性，生成不确定性图；并计算距离损失及一致性损失；更新教师模型权重；将胚胎图像输入学生模型生成胚胎碎片的分割结果。本发明中加入了不确定性来提升精度，并用距离损失来进一步指导分割训练，分割网络的准确率得到显著提升。

主权项：1.一种基于平均教师的半监督胚胎图像细胞碎片分割方法，其特征在于，包括以下步骤：步骤S1，收集带有胚胎碎片的胚胎图像数据集，包括像素级标注图像，图像级标注图像，无标注图像；步骤S2，选择OR-Net分类网络作为图像分类模型F,使用带有图像级标签的数据集对模型F进行监督训练，得到分类概率，且进一步结合对应图像标签以计算出监督型分类损失；步骤S3，将分类模型F输出的浅层特征图f与对应权重w生成CAM:CAM＝BNConvf,w；步骤S4，利用步骤S3生成的类激活映射图进行形状重建、归一化操作生成距离映射图V；步骤S5，构建包括学生模型和教师模型的半监督图像分割网络；步骤S6，使用带有像素级标签的数据集对学生模型DS进行监督训练，得到像素分类概率图，且进一步结合对应图像标签以计算出监督型分割损失；步骤S7，在教师模型中应用蒙特卡罗dropout，利用dropout计算模型输出的不确定性，生成不确定性图；步骤S8，将无标签数据集输入学生模型上生成像素预测概率图，结合步骤S4所生成的距离映射图V通过公式计算距离损失： u为无标注图像，其中V为距离映射图,取值范围为0,1，PS为学生模型生成像素预测概率图，取值范围为0,1，表示点乘；将无标签数据集输入学生模型上生成像素预测概率图，结合步骤S7生成的教师模型最终预测结果PEnd通过公式计算一致性损失： 其中N表示无标签图像数量；将距离损失，一致性损失，结合步骤S6生成的监督型分割损失进行加权求和，作为模型的总损失函数，用于训练学生模型DS，来更新学生模型DS的权重θS，总损失函数L的公式如下：Ltotal＝LS+λ1LCSL+aLD；其中LS表示监督损失，LCSL表示一致性损失，LD表示距离损失，λ1为控制一致性损失与距离权重的超参数，本文使用时间相关的高斯预热函数41来控制监督损失和无监督损失之间的平衡，a为控制距离损失权重的超参数。步骤S9，更新教师模型权重，教师模型Dt的权重θt通过学生模型DS的权重θS使用指数移动平均的方法进行更新，如下所示： 表示当前时刻学生模型的网络参数，表示当前时刻教师模型的网络参数，表示上一时刻教师模型的网络参数，α是EMA衰减控制更新率的系数；步骤S10，重复步骤S6-S9，直至学生模型收敛；步骤S11，将医院胚胎图像输入学生模型生成胚胎碎片的分割结果。

全文数据：

权利要求：

百度查询： 湘潭大学;湘潭市中心医院 一种基于平均教师的半监督胚胎图像细胞碎片分割方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD