申请/专利权人:上海大学
申请日:2024-04-09
公开(公告)日:2024-07-05
公开(公告)号:CN118297976A
主分类号:G06T7/12
分类号:G06T7/12;G06T7/13;G06V10/774;G06V10/764;G06V10/82;G06V10/74;G06N3/0895
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.07.23#实质审查的生效;2024.07.05#公开
摘要:本发明涉及一种互伪监督边缘感知双CNN的半监督医学图像分割方法,通过将待分割的医学图像输入预训练好的基于互伪监督边缘感知的双CNN架构模型中,实现医学图像分割,模型的训练过程包括如下步骤:将训练集中的已标记样本和未标记样本输入分别作为双CNN架构模型中两个分支网络的输入,分别通过边缘感知注意模块得到预测的分割图,通过使其中一个分支网络预测的分割图作为伪标签监督另一个分支网络,计算半监督损失实现双CNN架构模型的迭代训练;在迭代训练过程中,利用Dice相似度系数对双CNN架构模型进行评估,并保存评估结果最好的模型作为预训练好的双CNN架构模型。本发明具有分割准确,对高精度样本的依赖低等优点。
主权项:1.一种互伪监督边缘感知双CNN的半监督医学图像分割方法,其特征在于,通过将待分割的医学图像输入预训练好的基于互伪监督边缘感知的双CNN架构模型中,实现医学图像分割,其中,所述双CNN架构模型的训练过程包括如下步骤:将训练集中的已标记样本和未标记样本输入分别作为双CNN架构模型中两个分支网络的输入,分别通过边缘感知注意模块得到预测的分割图,通过使其中一个分支网络预测的分割图作为伪标签监督另一个分支网络,计算半监督损失实现双CNN架构模型的迭代训练;在迭代训练过程中,利用Dice相似度系数对双CNN架构模型进行评估,并保存评估结果最好的模型作为预训练好的双CNN架构模型。
全文数据:
权利要求:
百度查询: 上海大学 互伪监督边缘感知双CNN的半监督医学图像分割方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。