基于多种监督方式的睑板腺分割网络的训练方法及装置制造方法及图纸

本申请涉及一种基于多种监督方式的睑板腺分割网络的训练方法及装置，属于计算机技术领域，该方法包括：使用第一数据集对UNet进行全监督训练，得到预训练后的UNet；将第一睑板腺样本图像、第二睑板腺样本图像和添加噪声后的第二睑板腺样本图像输入预训练后的UNet，得到第一睑板腺样本图像的预测结果、第二睑板腺样本图像的伪图像标签和添加噪声后的第二睑板腺样本图像的预测结果；基于预测结果和伪图像标签计算自监督学习损失、全监督学习损失和半监督学习损失，以对预训练后的UNet进行多监督训练，得到睑板腺分割网络；相比于只用全监督学习，还引入半监督与自监督学习能从无标注睑板腺图像中挖掘出更有用的信息。睑板腺图像中挖掘出更有用的信息。睑板腺图像中挖掘出更有用的信息。

【技术实现步骤摘要】
基于多种监督方式的睑板腺分割网络的训练方法及装置


[0001]本申请涉及一种基于多种监督方式的睑板腺分割网络的训练方法及装置，属于计算机


技术介绍

[0002]干眼源于泪液的量或质的异常，从而造成了泪膜的不够完整的问题。在临床诊断中发现，超过一半的干眼是由于睑板腺功能障碍引起。近年来，睑板腺红外成像技术已逐渐成为睑板腺功能障碍诊断的重要方法。其中，关键一步是睑板腺腺体区域分割。
[0003]人工判断睑板腺区域主要缺陷在于：一方面长期重复主观性判断导致不够精确，且花费的时间较长。另一方面，从拍摄的睑板腺图像中很难观察到清晰的睑板腺结构。基于此，提出了对睑板腺图像进行自动腺体分割的技术。
[0004]自动腺体分割的技术包括基于图像处理的腺体分割和基于神经网络的腺体分割。
[0005]基于图像处理的腺体分割包括：对睑板腺图像进行预处理，以增强图像对比度，同时去除光照产生的噪声影响；然后，对包含腺体的眼皮进行感兴趣区域提取，将睫毛、眼球与眼皮区域进行分割；最终，对眼皮进行腺体区域提取完成腺体分割。
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多种监督方式的睑板腺分割网络的训练方法，其特征在于，所述方法包括：获取训练数据集，所述训练数据集包括第一数据集和第二数据集，所述第一数据集包括第一睑板腺样本图像和所述第一睑板腺样本图像的真实图像标签，所述真实图像标签包括腺体标签和眼皮标签；所述第二数据集包括第二睑板腺样本图像；使用所述第一数据集对预先创建的UNet进行全监督训练，得到预训练后的UNet，所述UNet包括编码器网络和解码器网络；将所述第一睑板腺样本图像、所述第二睑板腺样本图像和添加噪声后的第二睑板腺样本图像输入所述预训练后的UNet，得到所述第一睑板腺样本图像的预测结果、所述第二睑板腺样本图像的伪图像标签和所述添加噪声后的第二睑板腺样本图像的预测结果，所述伪图像标签包括腺体标签和眼皮标签；基于所述真实图像标签确定所述第一睑板腺样本图像中的感兴趣区域、并基于所述伪图像标签确定所述第二睑板腺样本图像中的感兴趣区域；从所述感兴趣区域中提取锚点图像、N张正例图像和与每张正例图像对应的负例图像；每张正例图像是从所述锚点图像中提取到的，所述正例图像对应的负例图像是对所述正例图像进行拉伸得到的；将所述锚点图像、所述N张正例图像和所述每张正例图像对应的负例图像输入所述预训练后的UNet的编码器网络，得到所述锚点图像对应的第一语义特征、所述正例图像对应的第二语义特征和所述负例图像对应的第三语义特征；计算所述第一语义特征、所述第二语义特征和所述第三语义特征之间的腺体宽度差异和腺体数量差异，得到自监督学习损失；基于所述第一睑板腺样本图像的预测结果和所述真实图像标签确定全监督学习损失；基于所述伪图像标签和所述添加噪声后的第二睑板腺样本图像的预测结果确定半监督学习损失；使用所述自监督学习损失、所述全监督学习损失和所述半监督学习损失对所述预训练后的UNet进行多监督训练，得到所述睑板腺分割网络。2.根据权利要求1所述的方法，其特征在于，所述基于所述真实图像标签确定所述第一睑板腺样本图像中的感兴趣区域、并基于所述伪图像标签确定所述第二睑板腺样本图像中的感兴趣区域，包括：将真实图像标签中的腺体标签指示的腺体与眼皮标签指示的眼皮区域相加，得到包含腺体的整个眼皮区域掩膜；将伪图像标签中的腺体标签指示的腺体与眼皮标签指示的眼皮区域相加，得到包含腺体的整个眼皮区域掩膜；确定所述掩膜中的最大轮廓，并用矩形拟合所述最大轮廓；根据所述最大轮廓从所述第一睑板腺样本图像和所述第二睑板腺样本图像中提取所述感兴趣区域。3.根据权利要求1所述的方法，其特征在于，所述从所述感兴趣区域中提取锚点图像、N张正例图像和与每张正例图像对应的负例图像，包括：将所述感兴趣区域旋转至水平得到图像块；通过边缘截取与填充将所述图像块修正至同一的像素大小；
对于每一张修正后的图像块，选取中心矩形框作为所述锚点图像，并随机取同样大小的矩形框作为所述正例图像。对于每一个所述正例图像，采用高度不变、且宽度小于正例图像的区域，随机从正例图像中截取，并将截取到的图像拉伸至所述正例图像的大小，得到所述负例图像。4.根据权利要求1所述的方法，其特征在于，所述负例图像的腺体宽度大于所述正例图像的腺体宽度、且大于所述锚点图像的腺体宽度；所述负例图像的腺体数量小于所述正例图像的腺体数量；所述腺体宽度差异通过下式表示：L
w
(Z
a
,Z
p
,Z
n
)＝Σmax(L2(Z
a
,Z
p
)
‑
L2(Z
a
,Z
n
)+m1,0)；所述腺体数量差异通过下式表示：L
n
(Z
p
,Z
n
)＝Σmax(f(Z
n
)
‑
f(Z
p
)+m2,0)；其中，Z
a
表示所述第一语义特征、Z
p
表示所述第二语义特征、Z
n
表示所述第三语义特征，L
w
表示所述腺体宽度差异，L2表示向量间的二范式距离，L
n
表示所述腺...

【专利技术属性】
技术研发人员：黄弘杰，赵雷，陈伟，
申请(专利权)人：苏州大学，
类型：发明
国别省市：