【技术实现步骤摘要】
一种半监督分割模型构建与图像分析方法、设备及系统
[0001]本专利技术涉及计算机视觉和图像分析领域，更具体地，涉及一种半监督分割模型构建与图像分析方法、设备、系统、计算机可读存储介质及其应用。
技术介绍
[0002]随着计算机视觉与计算机技术的结合与发展，使用计算机技术辅助处理各种图形数据与模型的方法成为近年来的热点之一。在视觉领域中有大量图像需要识别和处理，以往都是采用人工方式，由具有丰富经验的工作人员对图像进行综合分析，但是分析速度慢，且评判标准与分析正确率因人而异。如脑电图数据，仅凭人工观察，仅能得到少量诊断信息，或如化验工作进行某种细胞计数或是计算组织切片各部分面积，这些工作既费时又费力。针对不同特性的医学影像数据，已经开发了许多种不同的识别算法，但基于研究者的不同需求，仍然需要进一步的解决方案。
[0003]目前，拍摄的图像分辨率高达6000x4000，每组实验样本图像较多，标注过程枯燥且耗时，在科研工作中占用了大量时间，而且受实验样本数量和个体差异的制约，需要分析的样本图像数量多，且组内和组间个体的染色...
【技术保护点】
【技术特征摘要】
1.一种半监督分割模型构建方法，所述模型的构建过程：步骤a：获取弱标注数据集、伪标注数据集和无标注数据集；步骤b：将所述弱标注数据集中的图像输入到全卷积网络进行监督训练，基于监督损失训练得到训练好的全卷积网络模型；步骤c：基于训练好的全卷积网络模型预测所述伪标注数据集中图像的弱标注语义分割信息，得到伪标注图像；步骤d：使用伪标注生成算法对弱标注数据集和伪标注图像进行处理，生成具有全部目标类别标签的伪标签图像；步骤e：基于生成的伪标签图像对分割网络进行监督训练，通过计算有监督损失值优化分割网络，对分割网络中的第一编码器、第一主解码器和第一辅助解码器的参数进行更新；步骤f：基于无标注数据集中的无标签图像，通过无监督一致性损失计算的无监督损失值优化分割网络，对分割网络中的第二编码器、第二主解码器和第二辅助解码器的参数进行更新；步骤g：基于伪标签图像和无标签图像，通过交叉伪监督损失函数来优化并计算无监督损失值，进而计算模型训练的总损失值，同时根据总损失值迭代更新参数，输出训练好的半监督分割模型；其中，所述总损失值的计算如下：其中，λ1和λ2分别为无监督一致性损失与交叉伪监督损失的权重，L
s
表示有监督损失值，L
c
表示通过无监督一致性损失计算的无监督损失值，L
p
表示通过交叉伪监督损失函数来计算的无监督损失值。2.根据权利要求1所述的半监督分割模型构建方法，其特征在于，所述交叉伪监督损失函数基于所有训练数据进行半监督分割模型的伪标签交叉自监督一致性训练结构的构建，通过两个不同初始化参数网络的预测分割图像之一作为伪标签指导另一个分支网络的训练，来优化并计算无监督损失值L
p
；优选的，所述无监督损失值L
p
的计算，如下：其中，表示训练集中所有图像，W和H为输入网络中的图像X的高和宽，H(
·
)表示交叉熵函数，与分别为a和b两个分支网络对应的主解码器产生的置信度信息，与为对应的主解码器的one
‑
hot编码信息；所述伪标签交叉自监督一致性训练结构的构建还包括有监督损失值L
s
的监督，优选的，所述有监督损失值L
s
的计算，如下：其中，H(
·
)表示交叉熵函数，y
i
表示像素x
i
所对应的伪标注，x
i
表示输入图像X中索引标号为i的像素，和分别表示a、b两个分支网络产生的伪标注预测图像，W和H为输入网络中的图像X的高和宽，X、Y表示获取的待预测的心脏染色切片图像，表示弱标注数据
集，表示伪标注数据集。3.根据权利要求1所述的半监督分割模型构建方法，其特征在于，所述半监督分割模型的构建还包括在编码器与辅助解码器之间增加特征扰动模块，所述特征扰动模块对编码器基于输入图像生成的编码特征图像中的特征信息添加不同类型噪声输入到主解码器，根据主解码器的预测结果指导辅助解码器预测结果学习，通过无监督一致性损失函数计算无监督损失值L
c
优化分割网络，对分割网络中第二编码器、第二主解码器和第二辅助解码器的参数进行更新；优选的，所述无监督损失值L
c
的计算，如下：的计算，如下：的计算，如下：的计算，如下：其中，a、b为半监督分割模型中的两个分支网络，x
i
为图像中索引i处的像素，表示无标注数据集，和分别表示a、b两个分支网络产生的预测图像，表示辅助解码器产生的预测图像，h
a、
h
b
分别表示a、b两个分支...
【专利技术属性】
技术研发人员：朱小柯，蔡雨龙，陈小潘，厉丹阳，董令赟，
申请(专利权)人：河南大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。