一种基于非对称的双分类器模型的领域自适应方法技术

本发明专利技术提供了一种基于非对称的双分类器模型的领域自适应方法，该方法包括：获取训练集，其包括多个源域样本

【技术实现步骤摘要】
一种基于非对称的双分类器模型的领域自适应方法


[0001]本专利技术涉及神经网络
，具体来说涉及基于神经网络进行医疗图像分级的领域，更具体地说，涉及一种基于非对称的双分类器模型的领域自适应方法
。

技术介绍

[0002]随着医疗图像数据的快速增长和医学技术的进步，利用计算机视觉和机器学习技术进行医疗图像分析已经成为一种重要的手段
。
这种方法可以帮助医生快速准确地辅助评估疾病的严重程度，以针对性地为患者提供对应的医疗护理
。
[0003]然而，图像级有监督的医疗分级任务面临着一些困难和挑战
。
以糖尿病视网膜病变
DR
分级为例，根据国际临床糖尿病视网膜病变分级提出，将糖尿病视网膜病变
(DR0)
分成五个等级，即无视网膜病变
、
轻度非增殖性糖尿病视网膜病变
(DR1)、
中度非增殖性糖尿病视网膜病变
(DR2)、
重度非增殖性糖尿病视网膜病变
(DR3)
和增殖性糖尿病视网膜病变...

【技术保护点】

【技术特征摘要】
1.
一种基于非对称的双分类器模型的领域自适应方法，包括：获取训练集，其包括多个源域样本
、
多个目标域样本
、
用于指示每个源域样本所属眼底类别的标签，源域样本和目标域样本均为眼底图像；获取双分类器模型，其包括：用于对输入的眼底图像提取眼底特征的特征提取器，用于根据所述眼底特征确定的第一
Logit
向量进行分类的常规分类器，以及用于根据所述眼底特征确定的第二
Logit
向量进行分类的贝叶斯分类器，其中，第一
Logit
向量和第二
Logit
向量均包括对应的眼底图像属于预设眼底分类任务中每种眼底类别对应的
Logit
值，所述常规分类器是基于经验风险最小化构建的；利用所述训练集对特征提取器和两个分类器进行多次对抗训练，得到经训练的双分类模型，每次对抗训练包括：将各源域样本分别输入当前的双分类器模型，得到各源域样本对应的第一
Logit
向量和第二
Logit
向量；将各目标域样本分别输入当前的双分类器模型，得到各目标域样本对应的第一
Logit
向量和第二
Logit
向量；在固定特征提取器的参数的情况下，根据每个源域样本在常规分类器上的第一分类子损失和在贝叶斯分类器上的第二分类子损失更新两个分类器的参数，其中，第一分类子损失根据每个源域样本对应的第一
Logit
向量中每种眼底类别的
Logit
值减去与该眼底类别的源域样本的占比正相关的正向分布补偿值之差与标签确定，第二分类子损失根据每个源域样本对应的第二
Logit
向量中每种眼底类别的
Logit
值减去与该眼底类别的源域样本的占比负相关的反向分布补偿值之差与标签确定；在固定两个分类器的参数的情况下，根据两个分类器分别对各源域样本的分类子损失和两个分类器对每个目标域样本之间的分类差异更新特征提取器的参数
。2.
根据权利要求1所述的方法，其特征在于，一个眼底类别对应的正向分布补偿值为对该眼底类别的源域样本在训练集中的占比取对数得到的值，或者，一个眼底类别对应的正向分布补偿值为对该眼底类别的源域样本在训练集中的占比取对数得到的值与预设的衡量分布补偿程度的超参数的乘积
。3.
根据权利要求2所述的方法，其特征在于，一个眼底类别对应的反向分布补偿值为对该眼底类别的源域样本在训练集中的占比的倒数取对数得到的值，或者，一个眼底类别对应的反向分布补偿值为对该眼底类别的源域样本在训练集中的占比的倒数取对数得到的值与预设的衡量分布补偿程度的超参数的乘积
。4.
根据权利要求3所述的方法，其特征在于，在固定特征提取器的参数的情况下，用于更新两个分类器的参数的损失按照以下方式确定：其中，表示当前对抗训练所采用的各源域样本的第一分类子损失的均值，表示当前对抗训练所采用的各源域样本的第二分类子损失的均值，
α
表示的权重，
β
表示的权重
。5.
根据权利要求4所述的方法，其特征在于，在固定两个分类器的参数的情况下，用于
更新特征提取器的参数的损失按照以下方式确定：其中，表示基于常规分类器根据特征提取器
F(
·
)
对当前对抗训练采用的各源域样本
x
s
提取的眼底特征确定的第一
Logit
向量求
Softmax
值后与标签计算的分类子损失的均值，表示基于贝叶斯分类器根据特征提取器
F(
·
)
对当前对抗训练采用的各源域样本
x...

【专利技术属性】
技术研发人员：陈益强，马媛，谷洋，郭帅，文世杰，
申请(专利权)人：中国科学院计算技术研究所，
类型：发明
国别省市：