一种基于半监督自训练的超声内镜目标检测方法技术

本发明专利技术公开了一种基于半监督自训练的超声内镜目标检测方法，通过在对象级标注数据集上训练教师网络，利用教师网络推断生成图像级标注数据集与无标签数据集的伪标签，最后使用置信度高的伪标签数据集训练学生网络，然后使用已训练的学生网络替代教师网络，不断迭代，进一步提高伪标签的准确性，最终可以优化网络的泛化能力。本方法通过利用自训练方法，无需大量标注对象级数据集，弥补了图像级标注数据集与无标注数据缺少监督信息的缺点，充分提升网络对超声内镜目标的学习能力。本发明专利技术能够解决超声内镜中目标的漏检和误检等问题，使得模型能够提供获得更好的预测能力，进一步提高工作效率。作效率。作效率。

【技术实现步骤摘要】
一种基于半监督自训练的超声内镜目标检测方法


[0001]本专利技术属于生物医学图像处理与深度学习领域，尤其涉及一种基于半监督自训练的超声内窥镜图像目标检测方法。

技术介绍

[0002]随着超声内窥镜的普及应用，高分辨、大范围、高深度的超声图像有着十分重要的作用。超声内窥成像是基于检测超声信号在组织中的回波进行成像，可以对组织层次及附近器官成像，反映组织声阻抗的差异性，从而可用于检查深层信息。然而，超声内窥镜图像使得医生在进行判断分析时需要花费过多的时间，并且往往带有主观性，易造成误判。
[0003]深度学习取得的突破性进展为辅助医生进行超声内窥镜影像分析提供了良好的机会，与时间消耗性强、复现性差、主观性强的人工处理过程相比，基于深度学习的计算机辅助诊断，可以快速、准确、可重现的获得客观的定量数据，从而提高对内窥镜图像的分析效率。在保证准确率的前提下，显著提高观测的复现性、时效性和客观性，可以将基础科学研究者和临床医生从无聊和重复的日常工作中解救出来。
[0004]然而深度学习样本数据集有一个重要的前提，需要有大规模的数据集来支持本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于半监督自训练的超声内镜目标检测方法，其特征在于，包括如下步骤：S1：训练教师网络。获取超声内镜图像，对超声内镜图像中的目标进行对象级标注，得到对象级标注数据集X；在对象级标注数据集上训练教师网络f。S2：生成伪标签。获取在图像级标注数据集与无标签数据集通过教师网络f推断生成伪标签。S3：训练学生网络。在标签数据集X、与无标签数据集上训练学生网络f
noised
。S4：迭代训练。使用步骤S3得到的学生网络f
noised
作为新的教师网络替代步骤S1中的教师网络f，设置迭代次数N，重复S1～S3步骤N次，最后一次训练得到的学生网络作为超声内镜目标检测模型。S5：待检测的超声内镜图像输入步骤S4训练好的超声内镜目标检测模型，得到目标检测结果。2.如权利要求1所述基于半监督自训练的超声内镜目标检测方法，其特征在于，步骤S1中，在对象级标注数据集上训练教师网络f，损失函数为：其中，f为教师网络，θ
t
为教师网络参数，x
i
为对象级数据集第i张图像，y
i
为第i张图像的对象级标注标签，包括c,x,y,w,h。其中c为对象目标的类别，x,y为位置框的中心点坐标，w为框的宽度，h为框的高度。n为对象级标注数据集中图像数量。l为教师网络的损失函数。当损失函数符合预设的要求时，得到训练完成的教师网络模型f。3.如权利要求1所述基于半监督自训练的超声内镜目标检测方法，其特征在于，步骤S2包括以下步骤：S2
‑
1：获取在图像级标注数据集与无标签数据集其中，图像级标注数据集通过时序标注的超声内窥视频帧采样得到，...

【专利技术属性】
技术研发人员：王立强，牛春阳，杨青，高道键，胡冰，
申请(专利权)人：之江实验室，
类型：发明
国别省市：