CN116309403A - 基于相似性度量半监督对比学习医学图像分割方法 - Google Patents

基于相似性度量半监督对比学习医学图像分割方法 Download PDF

Info

Publication number
CN116309403A
CN116309403A CN202310196976.XA CN202310196976A CN116309403A CN 116309403 A CN116309403 A CN 116309403A CN 202310196976 A CN202310196976 A CN 202310196976A CN 116309403 A CN116309403 A CN 116309403A
Authority
CN
China
Prior art keywords
supervised
loss
semi
similarity
contrast learning
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.)
Pending
Application number
CN202310196976.XA
Other languages
English (en)
Inventor
路文
徐浩然
王晓琴
朱振杰
郑永
张立泽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
Original Assignee
Xidian University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xidian University filed Critical Xidian University
Priority to CN202310196976.XA priority Critical patent/CN116309403A/zh
Publication of CN116309403A publication Critical patent/CN116309403A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • G06T7/0012Biomedical image inspection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • G06N3/084Backpropagation, e.g. using gradient descent
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/70Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761Proximity, similarity or dissimilarity measures
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/70Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/70Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06V10/7753Incorporation of unlabelled data, e.g. multiple instance learning [MIL]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/70Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20081Training; Learning
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20084Artificial neural networks [ANN]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30004Biomedical image processing
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02TCLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00Road transport of goods or passengers
    • Y02T10/10Internal combustion engine [ICE] based vehicles
    • Y02T10/40Engine management systems

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)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了基于相似性度量半监督对比学习医学图像分割方法,具体过程为:将体素格式的待分割医学图像数据集划分为训练集、验证集和测试集,并对数据集进行预处理;构建对比学习半监督分割模型;利用训练集与验证集对构建的对比学习半监督分割模型进行迭代训练,得到训练好的对比学习半监督分割模型;将测试集作为训练好的对比学习半监督分割模型的输入进行前向推理,得到每个测试样本的分割分数。本发明方法解决了现有分割方法中没有利用医学图像中体素数据之间的相似性,导致选取的负对中存在假阴性,影响模型的分割性能的问题。

Description

基于相似性度量半监督对比学习医学图像分割方法
技术领域
本发明属于医学图像分割技术领域,具体涉及基于相似性度量半监督对比学习医学图像分割方法。
背景技术
在医学图像分割领域,由于医学图像的复杂性和多变性,传统的分割算法在分割结果的准确性和稳定性上存在很大的不足。针对这些问题,学者们提出了各种改进的算法,如基于深度学习的分割算法和基于传统机器学习的分割算法等。
然而,基于深度学习的医学图像分割算法通常需要大量的手工标注数据来训练分割模型,而这些标注数据往往需要由专业医生手动标注,该过程耗时耗力且成本高。于是提出了利用少量标签数据和大量无标签数据的半监督学习方法,在一定程度上解决上述存在的问题,相对于全监督算法,半监督算法的性能有更高的提升空间,对比学习作为一种自监督学习方法,通过将正对距离拉近,将负对距离拉远,以提高模型的特征提取性能。然而与自然图像不同,医学图像多以体素形式呈现,不同切片图像之间具有较高的相似性,但现有的基于对比学习的医学图像分割方法缺乏利用医学图像体素数据切片之间的相似性,会导致选取的负对存在假阴性的问题。
发明内容
本发明的目的是提供基于相似性度量半监督对比学习医学图像分割方法,解决了现有分割方法中没有利用医学图像中体素数据之间的相似性,导致选取的负对中存在假阴性,影响模型的分割性能的问题。
本发明所采用的技术方案是,基于相似性度量半监督对比学习医学图像分割方法,具体按照以下步骤实施:
步骤1,将体素格式的待分割医学图像数据集划分为训练集、验证集和测试集,并对数据集进行预处理;
步骤2,构建对比学习半监督分割模型;
步骤3,利用训练集与验证集对步骤2构建的对比学习半监督分割模型进行迭代训练,得到训练好的对比学习半监督分割模型;
步骤4,将测试集作为训练好的对比学习半监督分割模型的输入进行前向推理,得到每个测试样本的分割分数。
本发明的特点还在于,
步骤1中,对数据集进行预处理的具体过程为:对数据集进行虚拟分块,得到虚拟图像块,并计算虚拟图像块之间的相似度,根据相似度筛选每个虚拟图像块的不完全正对集、负对集及完全正对,将每个虚拟图像块对应的不完全正对集、负对集以坐标映射的形式分别存储在不完全正对字典与不完全负对字典中。
采用直方图或巴氏系数计算虚拟图像块之间的相似度。
根据相似度划分不完全正对集、负对集及完全正对的具体过程为:当两个虚拟图像块的相似度大于0.7小于1.0时,则将该两个虚拟图像块归属于不完全正对集,当两个虚拟图像块的相似度小于0.5时,则将该两个虚拟图像块归属于负对集。
步骤2中,对比学习半监督分割模型由教师网络和学生网络组成,教师网络和学生网络均采用U-Net中编码器和解码器提取特征并且教师网络和学生网络均在编码器的末端添加特征投影头进行提取特征,特征投影头用于对比学习。
对比学习半监督分割模型采用的损失函数包括对比损失、无监督一致性损失、全监督损失;
则对比损失为:
Figure BDA0004107521530000031
Figure BDA0004107521530000032
Figure BDA0004107521530000033
Lcontr(q,k)=Lcontr1(q,k)+w×Lcontr2(q,k)
式中,Lcontr1表示完全对比损失,Lcontr2表示不完全对比损失,q表示当前选中的虚拟特征块,k+表示q对应的虚拟图像块经过教师网络的特征投影头得到的输出虚拟特征块,NF表示负对特征集,为不完全负对字典中对应的虚拟图像块输入教师网络中,从特征投影头输出的虚拟特征分块集,PF表示不完全正对特征集,为不完全正对字典中对应的虚拟图像块集输入教师网络中,从特征投影头输出的虚拟特征分块集,k_表示NF中的单个虚拟特征分块,
Figure BDA0004107521530000034
表示PF中的单个虚拟特征分块,sim(·,·)表示余弦相似度,τ表示温度超参数,是一个标量,w为权重系数;
对含有标签的数据,使用交叉熵损失Lce和Dice损失Ldice作为全监督损失Lsup,表达式为:
Figure BDA0004107521530000041
Figure BDA0004107521530000042
Figure BDA0004107521530000043
式中,P为模型输出并经过softmax函数处理得到的概率图,pi为概率图中单个位置的概率值,H表示输入体素图像的长,W表示体素图像宽,D表示体素图像的深度,Y表示原始的标签数据;
对无标签的数据,使用一致性损失Lcons和熵最小化损失Lent作为无监督损失,并取其平均值作为最终的无监督损失Lunsup,表达式为:
Lcons(P,P')=(P-P')2
Figure BDA0004107521530000044
Figure BDA0004107521530000045
则模型的最终总体损失函数为:
L=Lsup(Y,P)+λ(t)×(Lunsup(P,P')+Lcontr(q,k))
Figure BDA0004107521530000046
式中,L表示对比学***衡。
步骤3中,训练过程中采用损失函数L=Lcontr+Lsup+Lunsup进行反向传播,更新模型的超参数。
本发明的有益效果是:本发明方法采用半监督学习方法,降低对标签数据的依赖,引入教师、学生网络,充分的从大量无标签数据中学习知识,在降低对标签数据依赖的同时,提高对比学习半监督分割模型的性能上限,同时设计了新的对比学习策略,引入虚拟分块和相似性度量机制,筛选每一个虚拟图像块对应的不完全正对集、负对集及完全正对,该策略充分利用医学图像中组织之间相似性特点,使得模型在训练过程中能充分利用对比学习学习数据的特征分别,提高了模型对输入医学图像的分割性能。
附图说明
图1为本发明基于相似性度量半监督对比学习医学图像分割方法的流程图;
图2为本发明方法中待分割医学图像的坐标;
图3为本发明方法中虚拟图像块的示意图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明基于相似性度量半监督对比学习医学图像分割方法,如图1所示,具体按照以下步骤实施:
步骤1中,将体素格式的待分割医学图像数据集划分为训练集、验证集和测试集,再对数据集进行虚拟分块,得到大小相等的虚拟图像块,并计算虚拟图像块之间的相似度,根据相似度筛选每个虚拟图像块的不完全正对集、负对集及完全正对,将每个虚拟图像块对应的不完全正对集、负对集以坐标映射的形式分别存储在不完全正对字典(PositiveDictionary,PD)与不完全负对字典(Negative Dictionary,ND)中;
训练集包含少量有标签的数据和大量无标签的数据;
如图3所示,虚拟分块指通过坐标的形式将待分割医学图像划分大小相同的块且未进行裁剪,得到虚拟图像块,即通过左上角坐标和右下角坐标获取虚拟图像块的的位置信息;例如,将如图2所示的每一张待分割医学图像按照4*4大小分块,如图3所示,即每一张待分割医学图像被分成16个虚拟图像块,假设虚拟图像块6号的不完全正对为10号,负对为1号、2号、16号,6号对应的坐标信息是[64,128],[128,192],则10号对应的坐标信息是[64,64],[128,128],存储于不完全正对字典PD中;
计算虚拟图像块之间的相似度采用直方图或巴氏系数进行;
根据相似度划分不完全正对集、负对集及完全正对的具体过程为:
当两个虚拟图像块的相似度大于0.7小于1.0时,则将该两个虚拟图像块归属于不完全正对集,当两个虚拟图像块的相似度小于0.5时,则将该两个虚拟图像块归属于负对集,当相似度等于1.0时,则虚拟图像块为完全正对,即当前虚拟图像块本身;
步骤2,构建对比学习半监督分割模型;
对比学习半监督分割模型由教师网络和学生网络组成,教师网络和学生网络均采用U-Net中编码器和解码器提取特征并且教师网络和学生网络均在编码器的末端添加特征投影头进行提取特征,该特征投影头用于对比学习;
对比学习半监督分割模型采用的损失函数包括对比损失、无监督一致性损失、全监督损失;
训练过程中将步骤1得到的虚拟图像块输入教师网络和学生网络后在特征投影头输出得到虚拟特征分块,则从不完全正对字典中对应的虚拟图像块集输入教师网络中,从特征投影头输出的虚拟特征分块归属于不完全正对特征集,从不完全负对字典中对应的虚拟图像块集输入教师网络中,从特征投影头输出的虚拟特征分块归属于负对特征集;
则对比损失为:
Figure BDA0004107521530000071
Figure BDA0004107521530000072
Figure BDA0004107521530000073
Lcontr(q,k)=Lcontr1(q,k)+w×Lcontr2(q,k)
式中,Lcontr1表示完全对比损失,Lcontr2表示不完全对比损失,q表示当前选中的虚拟特征块,k+表示q对应的虚拟图像块经过教师网络的特征投影头得到的输出虚拟特征块,NF表示负对特征集,为不完全负对字典中对应的虚拟图像块输入教师网络中,从特征投影头输出的虚拟特征分块集,PF表示不完全正对特征集,为不完全正对字典中对应的虚拟图像块集输入教师网络中,从特征投影头输出的虚拟特征分块集,k_表示NF中的单个虚拟特征分块,
Figure BDA0004107521530000081
表示PF中的单个虚拟特征分块,sim(·,·)表示余弦相似度,τ表示温度超参数,是一个标量,w为权重系数,为一个常数由人工设置;
对训练集中含有标签的数据,使用交叉熵损失Lce和Dice损失Ldice作为全监督损失Lsup,表达式为:
Figure BDA0004107521530000082
Figure BDA0004107521530000083
Figure BDA0004107521530000084
式中,P为模型输出并经过softmax函数处理得到的概率图,pi为概率图中单个位置的概率值,H表示输入体素图像的长,W表示体素图像宽,D表示体素图像的深度,H×W×D默认为256*256*24,Y表示原始的标签数据;
对训练集中无标签的数据,使用一致性损失Lcons和熵最小化损失Lent作为无监督损失,并取其平均值作为最终的无监督损失Lunsup,表达式为:
Lcons(P,P')=(P-P')2
Figure BDA0004107521530000085
Figure BDA0004107521530000091
则最终模型的总体损失函数为:
L=Lsup(Y,P)+λ(t)×(Lunsup(P,P')+Lcontr(q,k))
Figure BDA0004107521530000092
式中,L表示对比学***衡,随着训练迭代次数的增加,该数值逐渐增大;
步骤3,利用训练集与验证集对步骤2构建的对比学习半监督分割模型进行迭代训练,训练过程中采用损失函数L=Lcontr+Lsup+Lunsup进行反向传播,更新模型的超参数,得到训练好的对比学习半监督分割模型;
步骤4,将测试集作为训练好的对比学习半监督分割模型的输入进行前向推理,得到每个测试样本的分割分数。
实施例
对脑出血图像进行分割,本发明方法对训练集中的标签数据与无标签数据按照1:32或1:16或1:8或1:4的比例进行划分进行实验验证集对比。
表1本发明方法按照1:32比例划分与现有技术的分割结果对比
Figure BDA0004107521530000093
Figure BDA0004107521530000101
由表1可知,本发明方法半监督方法可以从无标签的数据中学习到额外的知识以提升模型的分割性能,同时本方法的分割结果最好。
表2本发明方法分别按照不同划分比例进行的分割结果对比
标签比例 Dice↑ HD95↓ ASD↓
1/32 0.832 9.214 2.137
1/16 0.861 4.845 1.513
1/8 0.898 3.137 1.502
1/4 0.903 3.128 0.762
由表2可知,随着标签数量的增加,模型的分割性能可以进一步的提升。

Claims (7)

1.基于相似性度量半监督对比学习医学图像分割方法,其特征在于,具体按照以下步骤实施:
步骤1,将体素格式的待分割医学图像数据集划分为训练集、验证集和测试集,并对数据集进行预处理;
步骤2,构建对比学习半监督分割模型;
步骤3,利用训练集与验证集对步骤2构建的对比学习半监督分割模型进行迭代训练,得到训练好的对比学习半监督分割模型;
步骤4,将测试集作为训练好的对比学习半监督分割模型的输入进行前向推理,得到每个测试样本的分割分数。
2.根据权利要求1所述的基于相似性度量半监督对比学习医学图像分割方法,其特征在于,步骤1中,对数据集进行预处理的具体过程为:对数据集进行虚拟分块,得到虚拟图像块,并计算虚拟图像块之间的相似度,根据相似度筛选每个虚拟图像块的不完全正对集、负对集及完全正对,将每个虚拟图像块对应的不完全正对集、负对集以坐标映射的形式分别存储在不完全正对字典与不完全负对字典中。
3.根据权利要求2所述的基于相似性度量半监督对比学习医学图像分割方法,其特征在于,采用直方图或巴氏系数计算虚拟图像块之间的相似度。
4.根据权利要求2所述的基于相似性度量半监督对比学习医学图像分割方法,其特征在于,根据相似度划分不完全正对集、负对集及完全正对的具体过程为:当两个虚拟图像块的相似度大于0.7小于1.0时,则将该两个虚拟图像块归属于不完全正对集,当两个虚拟图像块的相似度小于0.5时,则将该两个虚拟图像块归属于负对集。
5.根据权利要求2所述的基于相似性度量半监督对比学习医学图像分割方法,其特征在于,步骤2中,对比学习半监督分割模型由教师网络和学生网络组成,教师网络和学生网络均采用U-Net中编码器和解码器提取特征并且教师网络和学生网络均在编码器的末端添加特征投影头进行提取特征,特征投影头用于对比学习。
6.根据权利要求5所述的基于相似性度量半监督对比学习医学图像分割方法,其特征在于,所示对比学习半监督分割模型采用的损失函数包括对比损失、无监督一致性损失、全监督损失;
则对比损失为:
Figure FDA0004107521520000021
Figure FDA0004107521520000022
Figure FDA0004107521520000023
Lcontr(q,k)=Lcontr1(q,k)+w×Lcontr2(q,k)
式中,Lcontr1表示完全对比损失,Lcontr2表示不完全对比损失,q表示当前选中的虚拟特征块,k+表示q对应的虚拟图像块经过教师网络的特征投影头得到的输出虚拟特征块,NF表示负对特征集,为不完全负对字典中对应的虚拟图像块输入教师网络中,从特征投影头输出的虚拟特征分块集,PF表示不完全正对特征集,为不完全正对字典中对应的虚拟图像块集输入教师网络中,从特征投影头输出的虚拟特征分块集,k-表示NF中的单个虚拟特征分块,
Figure FDA0004107521520000031
表示PF中的单个虚拟特征分块,sim(·,·)表示余弦相似度,τ表示温度超参数,是一个标量,w为权重系数;
对含有标签的数据,使用交叉熵损失Lce和Dice损失Ldice作为全监督损失Lsup,表达式为:
Figure FDA0004107521520000032
Figure FDA0004107521520000033
Figure FDA0004107521520000034
式中,P为模型输出并经过softmax函数处理得到的概率图,pi为概率图中单个位置的概率值,H表示输入体素图像的长,W表示体素图像宽,D表示体素图像的深度,Y表示原始的标签数据;
对无标签的数据,使用一致性损失Lcons和熵最小化损失Lent作为无监督损失,并取其平均值作为最终的无监督损失Lunsup,表达式为:
Lcons(P,P')=(P-P')2
Figure FDA0004107521520000035
Figure FDA0004107521520000036
则模型的最终总体损失函数为:
L=Lsup(Y,P)+λ(t)×(Lunsup(P,P')+Lcontr(q,k))
Figure FDA0004107521520000037
式中,L表示对比学***衡。
7.根据权利要求1所述的基于相似性度量半监督对比学习医学图像分割方法,其特征在于,步骤3中,训练过程中采用损失函数L=Lcontr+Lsup+Lunsup进行反向传播,更新模型的超参数。
CN202310196976.XA 2023-03-03 2023-03-03 基于相似性度量半监督对比学习医学图像分割方法 Pending CN116309403A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310196976.XA CN116309403A (zh) 2023-03-03 2023-03-03 基于相似性度量半监督对比学习医学图像分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310196976.XA CN116309403A (zh) 2023-03-03 2023-03-03 基于相似性度量半监督对比学习医学图像分割方法

Publications (1)

Publication Number Publication Date
CN116309403A true CN116309403A (zh) 2023-06-23

Family

ID=86812541

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310196976.XA Pending CN116309403A (zh) 2023-03-03 2023-03-03 基于相似性度量半监督对比学习医学图像分割方法

Country Status (1)

Country Link
CN (1) CN116309403A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117291921A (zh) * 2023-11-27 2023-12-26 哪吒港航智慧科技(上海)有限公司 集装箱偶发残损样本挖掘及学习方法、装置、设备、介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117291921A (zh) * 2023-11-27 2023-12-26 哪吒港航智慧科技(上海)有限公司 集装箱偶发残损样本挖掘及学习方法、装置、设备、介质
CN117291921B (zh) * 2023-11-27 2024-03-12 哪吒港航智慧科技(上海)有限公司 集装箱偶发残损样本挖掘及学习方法、装置、设备、介质

Similar Documents

Publication Publication Date Title
CN108288035A (zh) 基于深度学习的多通道图像特征融合的人体动作识别方法
CN109448001B (zh) 一种图片自动裁剪方法
CN109214353B (zh) 一种基于剪枝模型的人脸图像快速检测训练方法和装置
CN111105393B (zh) 一种基于深度学习的葡萄病虫害识别方法及装置
CN110287777A (zh) 一种自然场景下的金丝猴躯体分割算法
CN113420643B (zh) 基于深度可分离空洞卷积的轻量级水下目标检测方法
CN111524140B (zh) 基于cnn和随机森林法的医学图像语义分割方法
CN110097060A (zh) 一种面向树干图像的开集识别方法
CN116309403A (zh) 基于相似性度量半监督对比学习医学图像分割方法
CN113177587B (zh) 基于主动学习和变分自编码器的广义零样本目标分类方法
CN111611972A (zh) 基于多视图多任务集成学习的作物叶片种类识别方法
CN115984308A (zh) 基于平均教师模型的半监督肺叶分割方法
CN112767411A (zh) 一种肺部多器官同步分割方法
CN116543282A (zh) 基于多尺度融合与CBAM-ResNet50的农作物病害分割方法、***、设备及介质
CN114821299B (zh) 一种遥感图像变化检测方法
CN112270370B (zh) 一种车辆表观毁伤评估方法
CN112446417B (zh) 基于多层超像素分割的纺锤形果实图像分割方法及***
CN116523877A (zh) 一种基于卷积神经网络的脑mri图像肿瘤块分割方法
CN116543019A (zh) 一种基于精确边界框预测的单目标跟踪方法
CN115880477A (zh) 一种基于深度卷积神经网络的苹果检测定位方法与***
CN113139556B (zh) 基于自适应构图的流形多视图图像聚类方法及***
CN111401519B (zh) 一种基于物体内和物体间相似性距离的深层神经网络无监督学习方法
CN114463732A (zh) 一种基于知识蒸馏的场景文本检测方法及装置
CN110827238A (zh) 一种改进的全卷积神经网络的侧扫声纳图像特征提取方法
CN117994509B (zh) 一种基于交互式的眼底图像无灌注区域智能识别方法

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