[发明专利]针对少样本腰椎医学影像的半监督循环自学习方法及模型

权利要求书

1.一种针对少样本腰椎医学影像的半监督循环自学习方法，其特征在于，包括以下步骤：

预准备步骤：利用训练集中的已标注样本训练容量可变定位模型，得到训练后的容量可变定位模型，该训练后的容量可变定位模型预测未标注样本并筛选得到预测样本；

迭代步骤：利用前序步骤得到的预测样本扩充训练集中的已标注样本，扩容前序步骤得到的容量可变定位模型，其中容量可变定位模型包括多个卷积层，通过对每次卷积操作的通道数进行调节，设置不同的调节因子改变容量可变定位模型的容量，其中当调节因子依次增大时，对应的容量可变定位模型的容量也依次增加，利用扩充后的已标注样本训练对应扩容后的容量可变定位模型，得到再次训练后的容量可变模型，再次训练后的容量可变模型预测剩余的未标注样本并筛选得到预测样本；

循环步骤：若未达到迭代条件，以迭代步骤作为前序步骤循环执行迭代步骤。

2.根据权利要求1所述的针对少样本腰椎医学影像的半监督循环自学习方法，其特征在于，容量可变定位模型的容量大小和已标注样本的样本数据量大小成正比。

3.根据权利要求1所述的针对少样本腰椎医学影像的半监督循环自学习方法，其特征在于，容量可变定位模型包括对应设置的特征编码模块和特征解码模块，其中特征编码模型和特征解码模块均由多个卷积层堆叠形成至少两卷积组，特征编码模块输出结果输入到特征解码模块中被解码，卷积组的输出通道数设计可调节的调节因子。

4.根据权利要求1所述的针对少样本腰椎医学影像的半监督循环自学习方法，其特征在于，容量可变定位模型筛选得到预测样本的步骤包括：选择置信度大于设定阈值的预测样本。

5.根据权利要求1所述的针对少样本腰椎医学影像的半监督循环自学习方法，其特征在于，扩充训练集中的已标注样本的步骤包括：对预测样本和已标注样本进行修正处理。

6.根据权利要求5所述的针对少样本腰椎医学影像的半监督循环自学习方法，其特征在于，容量可变定位模型预测未标注样本时，对容量可变定位模型的特征编码模型编码得到的高斯热图上每个拟标注点的置信度做减少随机数值的操作，随机数值为0-0.1的任意值。

7.根据权利要求5所述的针对少样本腰椎医学影像的半监督循环自学习方法，其特征在于，对已标注样本添加随机的噪音干扰。

8.根据权利要求1所述的针对少样本腰椎医学影像的半监督循环自学习方法，其特征在于，未标注样本分批次加入训练集中进行训练，迭代条件为达到设定的迭代次数或将所有未标注样本进行筛选。

9.根据权利要求1所述的针对少样本腰椎医学影像的半监督循环自学习方法，其特征在于，已标注样本为标注多个腰椎关键点的腰椎医学影像。

10.一种包含容量可变定位模型的计算机系统，其特征在于，根据其上权利要求1到9任一所述的针对少样本腰椎医学影像的半监督循环自学习方法学习得到。