买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：江苏济远医疗科技有限公司

摘要：本发明公开了一种基于DETR的半监督医学图像目标检测方法，首先，通过对图像进行去模糊处理，使用不准确的模糊核和加性高斯噪声对图像退化进行建模，结合多种先验知识和优化算法来恢复清晰图像。其次，采用一对具有相同网络架构的教师和学生模型，利用未标记图像的强增强和弱增强版本进行训练，通过教师模型的伪标签来指导学生模型的训练。同时，基于成本的伪标签挖掘模块动态地挖掘出未标记数据中可靠的伪边界框，用于跨视图查询一致性计算。最后，结合监督损失、无监督损失和跨视图一致性损失，以及相应的权重，来指导模型的训练。本发明方法简单高效，能够适应复杂多变的医学图像结构，为临床诊断提供准确的目标检测信息。

主权项：1.一种基于DETR的半监督医学图像目标检测方法，其特征在于，包括以下步骤：步骤1：去模糊使用不准确的模糊核和核误差、加性高斯噪声来建模图像退化过程；结合深度残差先验、总变差先验和稀疏先验来限定解空间，分别对残差、清晰图像和伪影进行建模；通过分解最小化问题为两个子问题，并使用基于梯度的ADAM算法和近端梯度下降法求解；输入模糊图像和参数，输出恢复的图像和残差；步骤2：训练数据对于恢复的图像x，在训练过程中使用带标签图像集和未标记图像集Ns和Nu分别表示带标签和未标记图像的数量；对于带标签的图像xs，注释ys包含所有边界框的坐标和对象类别；步骤3：教师-学生模型在遵循SSOD中流行的教师-学生范例的同时，半监督DETR采用了一对具有相同网络架构的教师和学生模型；具体来说，在每个训练迭代中，弱增强和强增强的未标记图像分别馈入教师和学生；然后，教师生成的伪标签用置信度得分大于τs作为训练学生的监督；通过反向传播更新学生的参数，而教师模型的参数是学生的指数移动平均值；步骤4：阶段混合匹配基于DETR的框架依赖于端到端目标检测的一对一映射；对于基于DETR的多任务学习系统，使用匈牙利算法在学生预测和教师生成的伪标签之间进行最优一对一匹配；然而，在SSOD训练的早期阶段，教师生成的伪标签通常是不准确且不可靠的，这在一对一分配策略下会导致稀疏低质量建议的风险很高；为了利用多个正查询实现高效的半监督学习，提出用一对多的分配代替一对一的分配；使用高阶组合来分类分数s和IoU值u作为匹配成本度量；在一对一分配中，选择具有最大m值的M个提议作为正样本，而将剩余的提议视为负样本；在半监督训练的早期阶段使用一对一分配对模型进行T1次迭代，在此阶段修改分类损失和回归损失，在第二阶段在训练中切换回一对一配对；步骤5：跨视图查询一致性在非基于DETR的SSOD框架中，使用一致性正则化来最小化教师模型fθ和学生模型f′θ；提出一种跨视图查询一致性模块，使基于DETR的架构能够学习不同增强视图之间的对象查询语义不变特征；对于每张未标记的图像，在伪边界框集合b上，对通过RoIAlign提取的RoI特征应用几个MLP；然后，ct和cs被视为跨视图查询嵌入，并附加到另一个视图中的原始对象查询，作为解码器的输入；在输入跨视图查询嵌入的语义引导下，解码特征的对应关系得到保证；步骤6：基于成本的伪标签挖掘为了挖掘更多带有有意义语义信息的伪边界框，以实现跨视图查询的一致性学习，提出了一种基于代价的伪标签挖掘模块，该模块在未标记的数据中动态地挖掘出可靠的伪边界框；具体来说，在初始过滤后的伪边界框与预测提议之间进行额外的二分匹配，并利用匹配成本来描述伪边界框的可靠性；随后，在每个训练批次中通过拟合高斯混合模型来将初始伪框聚类为两种状态；进一步设置可靠伪框聚类中心的成本值作为阈值，并收集所有低于阈值的伪框以用于跨视图查询一致性计算；步骤7：损失函数最终损失L如下所示： 其中和分别为监督损失和无监督损失，包含分类损失和回归损失；Lc表示跨视图一致性损失；wu和wc是无监督损失权重和一致性损失权重；t是当前训练迭代次数，T1是SHM模块第一阶段训练的时间长度；通过以上步骤，实现端到端的半监督医学图像目标检测。

全文数据：

权利要求：

百度查询： 江苏济远医疗科技有限公司 一种基于DETR的半监督医学图像目标检测方法