基于深度学习的防御烧伤图像对抗样本分割的方法及装置制造方法及图纸

本发明专利技术公开了基于深度学习的防御烧伤图像对抗样本分割的方法及装置，通过调和函数和仿射变换增加样本数量，与深度学习网络结合，通过策略网络调整参数指导目标网络训练，使得目标网络准确分割各种环境下的烧伤图片，从而降低了烧伤图片受环境的噪声影响，准确的分割患者的烧伤区域。通过烧伤患者图像分割烧伤面积，计算烧伤患者的烧伤创面面积占全身表面积的百分比（TBSA%），从而计算出患者的需水量，需水量作为中间环节，为后续的治疗起到辅助的作用，从而提升了后续的烧伤专科医生的诊断效率。

【技术实现步骤摘要】

本专利技术属于深度学习，具体涉及基于深度学习的防御烧伤图像对抗样本分割的方法及装置。

技术介绍

1、传统意义上的烧伤图片处理主要依靠临床医生观察患者烧伤创面的外观、毛细血管和创面对外部刺激的敏感性进行评估，而基于医学成像技术的烧伤深度识别与传统的通过肉眼观察相比能够获得更多的烧伤创面信息，对于提高烧伤深度的准确率有重要作用。

2、尽管dnn模型在众多任务中取得了相当不错的表现，但是对抗性攻击的出现也暴露了它们的缺点。医学图像分类和分割任务的研究表明，即使是最先进的深度神经网络也很容易受到对抗性攻击。

3、在烧伤图像中，由于拍摄的角度、环境光线以及不同拍照设备等各种不可控因素的限制，烧伤图片通常会有许多噪声。在使用深度学习网络对烧伤图片进行辅助诊断的过程中，阴影、光斑等这些噪声对深度学习在烧伤图片的辅助往往对图像的识别形成干扰。

技术实现思路

1、为解决现有技术的不足，避免扰动的影响，实现提高烧伤图像的分割准确率的目的，本专利技术采用如下的技术方案：

2、基于深度学习的防御烧本文档来自技高网...

【技术保护点】

1.基于深度学习的防御烧伤图像对抗样本分割的方法，其特征在于包括如下步骤：

2.根据权利要求1所述的基于深度学习的防御烧伤图像对抗样本分割的方法，其特征在于：所述步骤S2中，攻击策略a包括一组攻击参数，策略网络模型基于给定的输入图像x和策略网络参数θ得到条件分布p(a|x；θ)；

3.根据权利要求2所述的基于深度学习的防御烧伤图像对抗样本分割的方法，其特征在于：构建鲁棒性损失函数和/或干净样本的预测损失函数与策略网络模型产生对抗样本的损失函数组成总损失函数，得到最终的目标函数：

4.根据权利要求1所述的基于深度学习的防御烧伤图像对抗样本分割的方法，其特...

【技术特征摘要】

1.基于深度学习的防御烧伤图像对抗样本分割的方法，其特征在于包括如下步骤：

2.根据权利要求1所述的基于深度学习的防御烧伤图像对抗样本分割的方法，其特征在于：所述步骤s2中，攻击策略a包括一组攻击参数，策略网络模型基于给定的输入图像x和策略网络参数θ得到条件分布p(a|x；θ)；

3.根据权利要求2所述的基于深度学习的防御烧伤图像对抗样本分割的方法，其特征在于：构建鲁棒性损失函数和/或干净样本的预测损失函数与策略网络模型产生对抗样本的损失函数组成总损失函数，得到最终的目标函数：

4.根据权利要求1所述的基于深度学习的防御烧伤图像对抗样本分割的方法，其特征在于：在一定范围内随机生成随机扰动，将扰动添加到干净样本图像中，生成初步对抗样本图像；

5.根据权利要求4所述的基于深度学习的防御烧伤图像对抗样本分割的方法，其特征在于：所述步骤s2中，基于调和函数构造扰动，从烧伤数据集中获取烧伤图像，烧伤图像中像素的坐标空间为复平面，一个像素(x,y)的坐标表示为二元函数z＝x+yi，将复函数的实部或虚部作为调和函数h(x,y)；将选定的调和函数h(x,y)归一化，并通过系数控制调和扰动，将调和函数加入所述烧伤图像中，得...

【专利技术属性】
技术研发人员：陈璐颖，李文钧，岳克强，梁嘉铠，王超，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：