CN112837338A - 一种基于生成对抗网络的半监督医学图像分割方法 - Google Patents
一种基于生成对抗网络的半监督医学图像分割方法 Download PDFInfo
- Publication number
- CN112837338A CN112837338A CN202110045408.0A CN202110045408A CN112837338A CN 112837338 A CN112837338 A CN 112837338A CN 202110045408 A CN202110045408 A CN 202110045408A CN 112837338 A CN112837338 A CN 112837338A
- Authority
- CN
- China
- Prior art keywords
- medical image
- semi
- discriminator
- network
- supervised
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于生成对抗网络的半监督医学图像分割方法,包括:(1)构建分割生成网络以及判别网络;(2)加入基于交叉熵的自学习约束;(3)加入数据分布符合约束;(4)分割出原像素大小的图像。本发明通过建立基于深度学习网络的生成对学习体系,用自学习的方式进行半监督的分割任务;生成器将没有标注的数据生成概率特征图,该特征图将由判别器生成的指示器定判定其可靠性;基于交叉熵的自学习约束以及数据分布符合约束将分别提升对于没有标注数据的利用率以及真实标注与生成标注的数据分布一致性。本发明方法能一定程度上解决传统全监督方法对于标注量的依赖性,从而更好的在少量标注的情况下辅助智能医疗分析与诊断。
Description
技术领域
本发明属于生物医学图像分割技术领域,具体涉及一种基于生成对抗网络的半监督医学图像分割方法。
背景技术
医学图像分割是将像素目标区域与背景信息隔离开来的任务,它在医学图像分析领域中发挥着至关重要的作用。为了更好的解决分割任务,大量的方法不断的被提出,尽管模型体系结构各不相同,但是所有这些方法都遵循一条通用流程,即在完全监督的方式下收集数据,注释目标区域以及优化模型参数。这个流程中训练图像数量和图像标注的质量严重影响了最终性能的提高,因此训练图像的数量和图像注释的质量是影响最终性能的核心因素,训练数据标注越多,性能越好。但是对于医学图像而言,收集和注释语义分割数据集非常昂贵;首先,由于医学资源的限制和伦理问题,难以获得大量的训练图像;此外,由于注释者必须具有专业知识,因此使标注过程更加困难。在这种情况下,人们提出了一个自然的问题:如何在没有足够注释的情况下增强算法?半监督学习方法为我们提供了解决此问题的关键。
半监督学习意味着我们只有很少的带注释的训练数据,但是我们可以使用大量未标记的数据作为辅助来提高性能,这些方法的主要方法可归纳为三类:基于图的方法、协同训练方法和自学习方法。
其中使用图形作为数据相关的先验是比较传统的方法,该方法设计了一个非参数贝叶斯高斯随机场来分割图像,可以更好地估计基于图的方法的数据分布。该方法通常将样本及其相似性分别视为节点和边,与样本的百分比及其相似度分别视为图的节点和边缘,连接的节点可能具有相同的标签;但是,多次循环匹配执行操作来匹配所有图结点的标签会导致操作的繁琐性。
随着深度学习的流行,协同训练、自训练的方法逐渐变成了半监督学习的主流方式,协同训练一般是利用不同数据域的数据来协助彼此的训练,不同的视图或者图像特征的补充结构都可以作为协助的内容,但是这种方法仍不能克服数据量限制的问题,大量的不同数据域仍是模型训练的关键。
与需要大量不同数据域来辅助的协同学习不同,自学习只需要本身数据域的数据从而大大减轻了数据量的需求。分类器首先使用有标签的数据进行常规的监督学习,然后剩余的没有标签的数据可以通过传统算法,师生互学习网络,重建辅助或者对抗生成学习来帮助训练。其中目前比较前沿的方法是使用基于注意力结构生成网络,没有标签的数据会输入置信度网络来获得特征图,一张特征图上符合条件的部分会被抽取来进行自学习过程;但是由于该方法只选用了一部分的特征图,全局信息没有被考虑其中,从而网络的学习很可能会被误导。
如何使用少量的标签而且能够吸收足够的全局信息是目前的一大难题。
发明内容
鉴于上述,本发明提供了一种基于生成对抗网络的半监督医学图像分割方法,通过生成器来对没有标签的数据生成相应的标签,同时通过判别器来对其进行置信度认定,同时使用特征相符约束减小生成数据以及真实数据之间数据分布的不一致性。
一种基于生成对抗网络的半监督医学图像分割方法,包括如下步骤:
(1)将未标注以及有标注的医学图像进行分类,并将这些图像归一化成相同的尺寸大小;
(2)将有标注的医学图像输入至基于深度学习神经网络的生成器中提取特征信息,输出对应的特征概率图;
(3)采用交叉熵函数用以约束训练生成器的神经网络,不断迭代直至收敛;
(4)将未标注的医学图像输入至生成器中,生成对应的特征概率图,将该特征概率图经过argmax函数后与原医学图像进行融合并输入至判别器中,判别器会输出一个指示器用于判定以及一个特征向量;
(5)若指示器的值大于设定的阈值,则将步骤(4)中生成的特征概率图作为未标注医学图像的伪标签,进而对生成器的神经网络进行自学习监督训练;
(6)将有标注的医学图像xa和未标注的医学图像xu分别输入生成器,对应生成特征概率图Pa和Pu,将Pa与xa进行融合(concatenation拼接操作)形成fa,将Pu与xu进行融合形成fu;
(7)将fa和fu分别输入判别器,判别器将对应输出两个指示器Ia与Iu以及两个特征向量Fa与Fu,将这两个特征向量使用L1范数进行约束,将Ia与1进行二元交叉熵约束,Iu与0进行二元交叉熵约束,完成判别器的训练并最终用以图像分割。
进一步地,所述生成器采用以Resnet-101为基础的Deeplab生成器。
进一步地,所述特征概率图的定义表达如下:
其中:P(i,j,n)为对于第n类图像对应特征概率图中第i行第j列元素的特征概率值,f(i,j,n)为第n类图像中第i行第j列元素的特征信息,N为医学图像的总类别数量。
进一步地,所述交叉熵函数的表达式如下:
其中:P(i,j,n)为对于第n类图像特征概率图中第i行第j列元素的特征概率值,Lce为交叉熵函数,W和H分别为图像的宽和高,ya(i,j,n)为第n类图像中第i行第j列元素对应的标注信息。
进一步地,所述判别器采用四层的神经网络结构。
进一步地,所述步骤(3)和(5)中根据交叉熵函数采用随机梯度下降法对生成器的神经网络进行训练。
进一步地,所述步骤(7)中根据二元交叉熵采用Adam梯度下降算法对判别器的神经网络进行训练。
本发明将深度学习分割网络与生成对抗网络结合在一起,深度学习分割网络使用标记图像执行常规分割任务,同时分割网络也可以作为判别器的生成器来生成伪标签,为判别器提供输入。整个训练过程是一个端到端的闭环,没有标注的数据在生成器以及判别器中以自学习的方式不断进行迭代,从而同时优化两部分结构。在这种自学习的循环操作之下网络将能生成高质量的伪标签来监督学习从而让网络最终的测试结果能达到与全监督类似的效果,从而有效的结局训练标注数据不足的问题。
附图说明
图1为本发明半监督模型的结构示意图。
图2为本发明图像分割方法的步骤流程示意图。
图3(a)为训练集图像可视化结果(轴向切片)。
图3(b)为训练集的逐像素标注可视化结果(轴向切片)。
图3(c)为使用半监督训练使用一半训练标注的生成结果(轴向切片)。
图3(d)为使用全监督训练使用一半训练标注的生成结果(轴向切片)。
图4(a)为测试集图像可视化结果(轴向切片)。
图4(b)为测试集的逐像素标注可视化结果(轴向切片)。
图4(c)为使用半监督模型的生成结果(轴向切片)。
图4(d)为使用全监督模型的生成结果(轴向切片)。
图5(a)为使用一半训练数据生成的半监督、全监督以及本身标注的边缘轮廓图像(轴向切片)。
图5(b)为使用四分之一训练数据生成的半监督、全监督以及本身标注的边缘轮廓图像(轴向切片)。
图5(c)为使用八分之一训练数据生成的半监督、全监督以及本身标注的边缘轮廓图像(轴向切片)。
具体实施方式
为了更为具体地描述本发明,下面结合附图及具体实施方式对本发明的技术方案进行详细说明。
本发明半监督模型如图1所示,有标签的图像xa将输入以Resnet101为基础的Deeplab生成器中提取特征信息f,并且得到相应的输出预测特征图P,预测图将与标签进行交叉熵损失函数的计算,同时没有标签的数据xu同时也会输入生成器中生成概率预测图P,P的定义如下:
其中:(i,j)为特征图f的对应的每一点的坐标位置,N为分类的总类别数量。
为了判定预测图的可靠性,预测图将与xu进行融合输入判别器(判别器为四层神经网络),判别器将输出一个指示器pd,如果指示器的值大于设定的阈值,该概率图将会进过argmax后作为伪标签进行自学习训练,训练的损失函数为:
在每一个迭代周期中,有标签的图像会经过生成器生成一个概率分布图Pa,没有标签的图像也会经过生成器生成一个概率分布图Pu。为了让输出的数据分布就有统一性,Pa将与xa将进行融合(concatenation拼接操作)形成fa;Pu将于xu进行融合形成fu,fa与fu将输入判别器,判别器将输出两个特征向量Fa与Fu,我们将两向量使用L1范数约束即Lfm=‖Fa-Fu‖,增加数据分布的一致性,其中Fa和Fu表达式如下:
Fa=D(C(ya,xa))
Fu=D(C(p,xu))
同时,融合后的fa与fu经过判别网络将生成指示器Ia与Iu,Ia将与1进行耳炎交叉熵约束,Iu将与0进行二元交叉熵约束,基于二元交叉熵的判别器约束Ld如下;在这种约束下,判别器将能更好的判别出生成器生成的伪标签以及真实的标签之间的区别。
其中:Disa、Disu分别为有标注集合以及没有标注集合的数据分布。
本发明重建方法的流程如图2所示,首先随机划分出有标注的数据集:
(xa,ya)=random_select(x,ratio)
然后构建生成器G与判别器D:
对于生成器有标注部分采用SGD梯度下降算法循环迭代对目标函数交叉熵求解,得到以下迭代步骤:
迭代收敛条件如下:
|L′ce-Lce″|≤∈
其中:L′ce与L″ce为前后的算是函数,∈为收敛的阈值,设为10-4。
以下我们使用右心室MRI图像进行实验,以验证本实施方式的有效性。我们在使用本发明方法进行分割的同时,也采用同样数据集划分的情况下的全监督方法进行分割,将两者的分割结果进行对比,分别以的比例进行数据划分,并将图像进行归一化进行实验,表1给出了具体的设置情况:
表1
对于未标记部分,对于分割网络同样使用SGD算法进行梯度下降算法进行模型的收敛,对于判别器我们则使用Adam算法进行梯度下降。
mt=β1*mt-1+(1-β1*gt)
其中:β1、β2、α、∈是超参数分别为0.9、0.999、0.001和10-8,m、v为动量。
我们的实验采用NVIDIA 1080Ti的GPU进行加速运算,整体训练的batchsize为4,图像被重新整理成216×216大小,生成网络和判别网络的初始学习率为0.00025与0.0001,指示器的阈值为0.6,整个训练流程需要迭代10000次;全监督的训练数据集与其相应的半监督的标注数据一致,并且使用一样的生成分割网络。图3(a)和图4(a)为原始图像,图3(b)~图3(d)以及图4(b)~图4(d)分别为使用1/2、1/4、1/8比例的标签得到的右心室结果图,图5(a)~图5(c)分别为使用1/2、1/4、1/8比例的标签得到的右心室分割轮廓线,其中浅色的曲线代表我们半监督的轮廓,深色的曲线代表全监督的轮廓,每一行代表相同的图像。从图3(a)~图3(d)以及图4(a)~图4(d)可以发现随着标注数据量的减少,整体结果的分割结果变差,但是从图5(a)~图5(c)可以看出虽然随着标注数据的减少整体的分割结果变差,但是对比于全监督的方法而言,本发明的结果更加的连续于准确。这显示出,本发明半监督分割方法能最大程度的利用没有标注的数据,达到在少量标注的情况下更好的分割精度;由于医学数据的特殊性,医学数据的逐像素标注是相较较少的,而半监督方法能更好的利用没有标注的数据,因此本发明半监督方法能一定程度上缓解传统全监督算法需要大量标注的问题,在标注量少的情况下更好的协助智能医学图像的分析。
上述对实施例的描述是为便于本技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对上述实施例做出各种修改,并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此,本发明不限于上述实施例,本领域技术人员根据本发明的揭示,对于本发明做出的改进和修改都应该在本发明的保护范围之内。
Claims (8)
1.一种基于生成对抗网络的半监督医学图像分割方法,包括如下步骤:
(1)将未标注以及有标注的医学图像进行分类,并将这些图像归一化成相同的尺寸大小;
(2)将有标注的医学图像输入至基于深度学习神经网络的生成器中提取特征信息,输出对应的特征概率图;
(3)采用交叉熵函数用以约束训练生成器的神经网络,不断迭代直至收敛;
(4)将未标注的医学图像输入至生成器中,生成对应的特征概率图,将该特征概率图经过argmax函数后与原医学图像进行融合并输入至判别器中,判别器会输出一个指示器用于判定以及一个特征向量;
(5)若指示器的值大于设定的阈值,则将步骤(4)中生成的特征概率图作为未标注医学图像的伪标签,进而对生成器的神经网络进行自学习监督训练;
(6)将有标注的医学图像xa和未标注的医学图像xu分别输入生成器,对应生成特征概率图Pa和Pu,将Pa与xa进行融合形成fa,将Pu与xu进行融合形成fu;
(7)将fa和fu分别输入判别器,判别器将对应输出两个指示器Ia与Iu以及两个特征向量Fa与Fu,将这两个特征向量使用L1范数进行约束,将Ia与1进行二元交叉熵约束,Iu与0进行二元交叉熵约束,完成判别器的训练并最终用以图像分割。
2.根据权利要求1所述的半监督医学图像分割方法,其特征在于:所述生成器采用以Resnet-101为基础的Deeplab生成器。
5.根据权利要求1所述的半监督医学图像分割方法,其特征在于:所述判别器采用四层的神经网络结构。
6.根据权利要求1所述的半监督医学图像分割方法,其特征在于:所述步骤(3)和(5)中根据交叉熵函数采用随机梯度下降法对生成器的神经网络进行训练。
7.根据权利要求1所述的半监督医学图像分割方法,其特征在于:所述步骤(7)中根据二元交叉熵采用Adam梯度下降算法对判别器的神经网络进行训练。
8.根据权利要求1所述的半监督医学图像分割方法,其特征在于:该方法将深度学习分割网络与生成对抗网络结合在一起,深度学习分割网络使用标记图像执行常规分割任务,同时分割网络也可以作为判别器的生成器来生成伪标签,为判别器提供输入;整个训练过程是一个端到端的闭环,没有标注的数据在生成器以及判别器中以自学习的方式不断进行迭代,从而同时优化两部分结构;在这种自学习的循环操作之下网络将能生成高质量的伪标签来监督学习从而让网络最终的测试结果能达到与全监督类似的效果,从而有效的结局训练标注数据不足的问题。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110045408.0A CN112837338B (zh) | 2021-01-12 | 2021-01-12 | 一种基于生成对抗网络的半监督医学图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110045408.0A CN112837338B (zh) | 2021-01-12 | 2021-01-12 | 一种基于生成对抗网络的半监督医学图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112837338A true CN112837338A (zh) | 2021-05-25 |
CN112837338B CN112837338B (zh) | 2022-06-21 |
Family
ID=75928083
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110045408.0A Active CN112837338B (zh) | 2021-01-12 | 2021-01-12 | 一种基于生成对抗网络的半监督医学图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112837338B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113657455A (zh) * | 2021-07-23 | 2021-11-16 | 西北工业大学 | 一种基于三重网络与标注一致性正则化的半监督学习方法 |
CN114240955A (zh) * | 2021-12-22 | 2022-03-25 | 电子科技大学 | 一种半监督的跨领域自适应的图像分割方法 |
CN116344004A (zh) * | 2023-05-31 | 2023-06-27 | 苏州恒瑞宏远医疗科技有限公司 | 一种影像样本数据扩增方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110110745A (zh) * | 2019-03-29 | 2019-08-09 | 上海海事大学 | 基于生成对抗网络的半监督x光图像自动标注 |
CN110310345A (zh) * | 2019-06-11 | 2019-10-08 | 同济大学 | 一种基于自动分工隐聚类生成对抗网络的图像生成方法 |
CN110443815A (zh) * | 2019-08-07 | 2019-11-12 | 中山大学 | 结合生成对抗网络的半监督视网膜oct图像层分割方法 |
CN110503654A (zh) * | 2019-08-01 | 2019-11-26 | 中国科学院深圳先进技术研究院 | 一种基于生成对抗网络的医学图像分割方法、***及电子设备 |
US20200193269A1 (en) * | 2018-12-18 | 2020-06-18 | Samsung Electronics Co., Ltd. | Recognizer, object recognition method, learning apparatus, and learning method for domain adaptation |
CN112041912A (zh) * | 2018-02-12 | 2020-12-04 | 美商史柯比人工智慧股份有限公司 | 用于诊断肠胃肿瘤的***和方法 |
-
2021
- 2021-01-12 CN CN202110045408.0A patent/CN112837338B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112041912A (zh) * | 2018-02-12 | 2020-12-04 | 美商史柯比人工智慧股份有限公司 | 用于诊断肠胃肿瘤的***和方法 |
US20200193269A1 (en) * | 2018-12-18 | 2020-06-18 | Samsung Electronics Co., Ltd. | Recognizer, object recognition method, learning apparatus, and learning method for domain adaptation |
CN110110745A (zh) * | 2019-03-29 | 2019-08-09 | 上海海事大学 | 基于生成对抗网络的半监督x光图像自动标注 |
CN110310345A (zh) * | 2019-06-11 | 2019-10-08 | 同济大学 | 一种基于自动分工隐聚类生成对抗网络的图像生成方法 |
CN110503654A (zh) * | 2019-08-01 | 2019-11-26 | 中国科学院深圳先进技术研究院 | 一种基于生成对抗网络的医学图像分割方法、***及电子设备 |
CN110443815A (zh) * | 2019-08-07 | 2019-11-12 | 中山大学 | 结合生成对抗网络的半监督视网膜oct图像层分割方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113657455A (zh) * | 2021-07-23 | 2021-11-16 | 西北工业大学 | 一种基于三重网络与标注一致性正则化的半监督学习方法 |
CN113657455B (zh) * | 2021-07-23 | 2024-02-09 | 西北工业大学 | 一种基于三重网络与标注一致性正则化的半监督学习方法 |
CN114240955A (zh) * | 2021-12-22 | 2022-03-25 | 电子科技大学 | 一种半监督的跨领域自适应的图像分割方法 |
CN114240955B (zh) * | 2021-12-22 | 2023-04-07 | 电子科技大学 | 一种半监督的跨领域自适应的图像分割方法 |
CN116344004A (zh) * | 2023-05-31 | 2023-06-27 | 苏州恒瑞宏远医疗科技有限公司 | 一种影像样本数据扩增方法及装置 |
CN116344004B (zh) * | 2023-05-31 | 2023-08-08 | 苏州恒瑞宏远医疗科技有限公司 | 一种影像样本数据扩增方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112837338B (zh) | 2022-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112837338B (zh) | 一种基于生成对抗网络的半监督医学图像分割方法 | |
Xia et al. | 3d semi-supervised learning with uncertainty-aware multi-view co-training | |
Huang et al. | Foreground-action consistency network for weakly supervised temporal action localization | |
WO2022041307A1 (zh) | 一种构建半监督图像分割框架的方法及*** | |
Li et al. | Contour knowledge transfer for salient object detection | |
Wang et al. | Tokencut: Segmenting objects in images and videos with self-supervised transformer and normalized cut | |
CN108765383B (zh) | 基于深度迁移学习的视频描述方法 | |
Basak et al. | Pseudo-label guided contrastive learning for semi-supervised medical image segmentation | |
Feng et al. | Deep graph cut network for weakly-supervised semantic segmentation | |
Wang et al. | When cnn meet with vit: Towards semi-supervised learning for multi-class medical image semantic segmentation | |
CN112927266B (zh) | 基于不确定性引导训练的弱监督时域动作定位方法及*** | |
CN114359298A (zh) | 一种用于心脏mri的半监督动态自学习分割方法 | |
Chong et al. | Erase then grow: Generating correct class activation maps for weakly-supervised semantic segmentation | |
CN115311605A (zh) | 基于近邻一致性和对比学习的半监督视频分类方法及*** | |
Liu et al. | Random geometric prior forest for multiclass object segmentation | |
CN105809671A (zh) | 前景区域标注与深度次序推理的联合学习方法 | |
Wang et al. | CWC-transformer: a visual transformer approach for compressed whole slide image classification | |
Sun et al. | Attentional prototype inference for few-shot segmentation | |
Zhu et al. | Inherent consistent learning for accurate semi-supervised medical image segmentation | |
Deng et al. | Boosting semi-supervised learning with Contrastive Complementary Labeling | |
Jin et al. | Inter-and intra-uncertainty based feature aggregation model for semi-supervised histopathology image segmentation | |
Banerjee et al. | Explaining deep-learning models using gradient-based localization for reliable tea-leaves classifications | |
CN116580225A (zh) | 一种基于空间信息驱动的直肠癌ct图像分类方法 | |
Chen et al. | EVIL: Evidential inference learning for trustworthy semi-supervised medical image segmentation | |
Wickramasinghe et al. | Weakly supervised volumetric image segmentation with deformed templates |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |