System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及医学图像处理,特别涉及应用于医学图像分割的一种基于注意力校正特征与边界约束的知识蒸馏方法及系统。
技术介绍
1、医学图像分割是医学图像处理与分析领域的复杂而关键的步骤,其目的是将医学图像中具有某些特殊含义的部分分割出来,并提取相关特征,为临床诊疗和病理学研究提供可靠的依据,辅助医生作出更为准确的诊断。
2、知识蒸馏是模型压缩的一种常用的方法,不同于模型压缩中的剪枝和量化,知识蒸馏是通过构建一个轻量化的小模型,利用性能更好的大模型的监督信息,来训练这个小模型,以期达到更好的性能和精度。这个大模型称之为teacher(教师模型),小模型称之为student(学生模型)。来自teacher模型输出的监督信息称之为知识,而student学习迁移来自teacher的监督信息的过程称之为蒸馏。
3、目前,在现有技术中,第一种是:基于特征的知识蒸馏通常需要在教师网络中引入辅助模块以促进知识传递。第二种是:采用硬边界蒸馏(hard hd),根据边界检测算法获得边界,将边界滤波器应用于教师和学生的向量(logits) 层,以获得边界logits特征,通过边界损失将教师的边界logits特征蒸馏给学生,从而获得出色的分割效果。
4、然而,第一种现有技术向教师引入辅助模块,需要重新预训练教师网络,大大限制了基于特征的知识蒸馏在医学图像分割中的应用。第二种现有技术虽然硬边界蒸馏能有效提高学生的边界感知能力,但值得注意的是,它也容易受到噪声干扰,这就限制了学生网络能够提升的最大程度。因此,现有技术中,通过向教
技术实现思路
1、基于此,本申请提出一种基于注意力校正特征与边界约束的知识蒸馏方法及系统,旨在能够解决现有技术中,通过向教师引入辅助模块或者采用硬边界蒸馏方法难以得到一个轻量级的图像分割学生模型,并且所述两种方法训练得到的学生模型的性能和精度不足的问题。
2、实施例的第一方面提供了一种基于注意力校正特征与边界约束的知识蒸馏方法,该方法包括:
3、获取医学图像数据集并分别构建教师模型和学生模型,将所述医学图像数据集分别输入所述教师模型和所述学生模型,提取教师的中间特征和学生的中间特征;
4、根据非负矩阵分解原理,获得教师的残差校正因子和学生的注意力校正因子,根据所述残差校正因子和所述教师的中间特征获得教师的残差校正特征,根据所述注意力校正因子和所述学生的中间特征获得学生的注意力校正特征;
5、将学生的注意力校正因子模仿教师的残差校正因子所获得的损失定义为校正因子蒸馏损失,将学生模仿所述教师的残差校正特征指导所述学生学习的注意力校正特征所获得的损失定义为基于注意力的特征蒸馏损失,对所述校正因子蒸馏损失和所述基于注意力的特征蒸馏损失进行综合,得到融合损失;
6、分别构建硬边界蒸馏模型和软边界蒸馏模型,将所述医学图像数据集分别输入所述硬边界蒸馏模型和所述软边界蒸馏模型,以得到硬边界蒸馏损失和软边界蒸馏损失;
7、将融合损失、硬边界蒸馏损失和软边界蒸馏损失进行综合,得到整体损失;
8、使所述整体损失达到预设最小值时结束周期训练,得到轻量级的医学图像分割学生模型。
9、作为第一方面的一种可选实施方式,所述根据非负矩阵分解原理,获得教师的残差校正因子和学生的注意力校正因子的步骤包括:
10、根据非负矩阵分解原理,构建输入的图像特征分别通过残差连接施加的加法校正与注意力机制施加的乘法校正之间的对应关系,通过所述对应关系将所述残差连接转化为所述注意力机制;
11、通过残差连接施加的加法校正表示为:
12、,
13、得到残差校正因子,
14、
15、其中,表示第l层经过更新后的输入特征,表示第l层的输入特征,代表学习率,表示误差,表示特征变换,表示第l+1层的输入特征,表示第l层的网络权重,+表示逐元素相加;
16、通过注意力机制施加的乘法校正表示为:
17、,
18、得到注意力校正因子,
19、其中,表示逐元素相乘。
20、作为第一方面的一种可选实施方式,所述教师的残差校正特征的表达式为:
21、,
22、其中,表示教师的残差校正特征,表示教师中间特征;
23、所述学生的注意力校正特征的表达式为:
24、,
25、其中,表示学生的注意力校正特征,表示教师中间特征。
26、4.根据权利要求3所述方法,其特征在于,所述校正因子蒸馏损失的函数表达式为:
27、,
28、其中,表示校正因子蒸馏损失,表示at损失,表示将注意力校正因子转换为残差校正因子;
29、所述基于注意力的特征蒸馏损失的函数表达式为:
30、,
31、其中,表示基于注意力的特征蒸馏损失;
32、所述融合损失的函数表达式为:
33、,
34、其中,表示融合损失。
35、作为第一方面的一种可选实施方式,所述硬边界蒸馏损失的函数表达式为:
36、
37、其中,表示硬边界蒸馏损失,b表示批量大小,c表示类别数量,k表示样本,c表示类别,表示kl散度,表示softmax函数,τ表示蒸馏温度,、分别表示教师和学生中每个类别c的边界logits;
38、所述软边界蒸馏损失的函数表达式为:
39、,
40、其中,表示软边界蒸馏损失,表示学生预测边界,表示教师预测边界,表示哈达玛积,表示所有像素的集合,表示距离图中任意像素点到教师预测边界的无符号距离,表示距离图中任意像素点到学生预测边界的无符号距离,表示分割误差的惩罚度。
41、作为第一方面的一种可选实施方式,所述整体损失的函数表达式为:
42、,
43、其中,表示整体损失,是一个线性递减函数。
44、作为第一方面的一种可选实施方式,所述使所述整体损失达到预设最小值时结束周期训练,得到轻量级的医学图像分割学生模型的步骤包括:
45、训练开始时γ= 1,随着每个训练周期线性递减,直到γ= 0.5时训练结束。
46、本申请实施例的第二方面提供了一种基于注意力校正特征与边界约束的知识蒸馏系统,包括:
47、获取特征模块,用于获取医学图像数据集并分别构建教师模型和学生模型,将所述医学图像数据集分别输入所述教师模型和所述学生模型,提取教师的中间特征和学生的中间特征;
48、特征校正模块,用于根据非负矩阵分解原理,获得教师的残差校正因子和学生的注意力校正因子,根据所述残差校正因子和所述教师的中间特征获得教师的残差校正特征,根据所述注意力校正因本文档来自技高网...
【技术保护点】
1.一种基于注意力校正特征与边界约束的知识蒸馏方法,其特征在于,所述方法包括:
2.根据权利要求1所述方法,其特征在于,所述根据非负矩阵分解原理,获得教师的残差校正因子和学生的注意力校正因子的步骤包括:
3.根据权利要求2所述方法,其特征在于,所述教师的残差校正特征的表达式为:
4.根据权利要求3所述方法,其特征在于,所述校正因子蒸馏损失的函数表达式为:
5.根据权利要求4所述方法,其特征在于,所述硬边界蒸馏损失的函数表达式为:
6.根据权利要求5所述方法,其特征在于,所述整体损失的函数表达式为:
7.根据权利要求6所述方法,其特征在于,所述使所述整体损失达到预设最小值时结束周期训练,得到轻量级的医学图像分割学生模型的步骤包括:
8.一种基于注意力校正特征与边界约束的知识蒸馏系统,其特征在于,所述系统包括:
9.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器,其中:
10.一种存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器
...【技术特征摘要】
1.一种基于注意力校正特征与边界约束的知识蒸馏方法,其特征在于,所述方法包括:
2.根据权利要求1所述方法,其特征在于,所述根据非负矩阵分解原理,获得教师的残差校正因子和学生的注意力校正因子的步骤包括:
3.根据权利要求2所述方法,其特征在于,所述教师的残差校正特征的表达式为:
4.根据权利要求3所述方法,其特征在于,所述校正因子蒸馏损失的函数表达式为:
5.根据权利要求4所述方法,其特征在于,所述硬边界蒸馏损失的函数表达式为:
6.根据权利要求5所述方法,其特征在于,所述整体...
【专利技术属性】
技术研发人员:于祥春,张鼎文,郑剑,吴剑青,
申请(专利权)人:江西理工大学,
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。