[发明专利]一种基于模型框架的半监督学习方法及装置

权利要求书

1.一种基于模型框架的半监督学习方法，其特征在于，包括以下步骤：

S101:设置网络整体框架,网络整体框架包含学生模型、教师模型、投影器网络以及输出层网络；

S102:将医学图像输入至学生模型、教师模型，将学生模型、教师模型的输出经过投影器网络得到投影特征表示；

S103:将投影特征表示输入至输出层网络，得到学生模型、教师模型的最终分割结果；

S104:设计网络损失函数，使用网络损失函数对网络整体框架进行训练。

2.根据权利要求1所述的基于模型框架的半监督学习方法，其特征在于，学生模型和教师模型均采用V-Net作为主干网络，网络编码器和解码器分别包含4个卷积-池化层，卷积层的卷积核为3x3x3，池化层的卷积核为2x2x2，输出通道分别为16、32、64、128、128、64、32、16，激活函数使用ReLU。

3.根据权利要求1所述的基于模型框架的半监督学习方法，其特征在于，投影器网络包含两个卷积层，第一个卷积层的输出通道为16，第二个卷积层的输出通道为8，卷积核大小均为3x3x3。

4.根据权利要求1所述的基于模型框架的半监督学习方法，其特征在于，输出层网络为一个卷积层,输入为V-Net的输出，通道数为16，输出层网络的输出通道为2，卷积核大小为1x1x1。

5.根据权利要求1所述的基于模型框架的半监督学习方法，其特征在于，网络损失函数分为四个部分，为学生模型有监督损失、学生-教师模型一致性损失、学生-教师模型交叉损失以及学生-教师模型对比损失之和。

6.根据权利要求5所述的基于模型框架的半监督学习方法，其特征在于，对于学生模型的有监督损失，给定训练数据集D＝{(x₁,y₁),(x₂,y₂),…,(x_N,y_N)}，其中，x＝{x₁,x₂，…,x_N}网络输入图像，y＝{y₁,y₂，…,y_N}是从医生标注的图像，N是训练样本的总数；学生监督损失使用Dice损失和交叉熵损失，表示为：

其中表示学生模型对带标签数据的预测结果，ε是一个很小的常数。

7.根据权利要求5所述的基于模型框架的半监督学习方法，其特征在于，学生模型、教师模型的一致性损失和交叉损失均使用均方误差损失，表示为：

y_1i和分别为学生模型和教师模型的输出结果。

8.根据权利要求5所述的基于模型框架的半监督学习方法，其特征在于，学生模型、教师模型对比损失表示为：

其中是一个指示性函数，当且仅当k≠i时，其值为1，否为0；τ是一个常数；是一个余弦相似度函数；z_i和z_j分别为学生模型和教师模型的投影输出结果。

9.根据权利要求1所述的基于模型框架的半监督学习方法，其特征在于，采用Adam优化器来优化损失函数。

10.一种基于模型框架的半监督学习装置，其特征在于，包括：

框架设置单元，用于设置网络整体框架,网络整体框架包含学生模型、教师模型、投影器网络以及输出层网络；

投影特征表示获取单元，用于将医学图像输入至学生模型、教师模型，将学生模型、教师模型的输出经过投影器网络得到投影特征表示；

最终分割结果获取单元，用于将投影特征表示输入至输出层网络，得到学生模型、教师模型的最终分割结果；

网络损失函数设计单元，用于设计网络损失函数，使用网络损失函数对网络整体框架进行训练。