买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：浙江工业大学

摘要：一种基于类别均衡小样本学习的新冠肺炎感染区域分割方法，采用迭代模型，使用标记数据训练一个有监督模型，再使用该模型对无标签数据进行预测，得出预测概率，通过预测概率筛选高置信度样本，再使用有标记数据以及伪标签数据训练新模型，重复以上步骤直至模型效果不出现提升，完成迭代任务。对于多类别分割任务，针对所获得的数据集中存在的类别不均衡现象，本发明提出了一种根据类别像素权重进行重加权的类别均衡方法，通过对不同类别加权，使占比较少的类别增加权重，占比较多的类别相应减少权重，以达到类别均衡的效果。

主权项：1.一种基于类别均衡小样本学习的新冠肺炎感染区域分割方法，其特征在于，所述方法包括以下步骤：步骤1：多类病变标注数据集的采集与制作；步骤2：将采集的数据集进行分析处理，将其进行统一的预处理操作，包括提取肺部区域、窗宽窗位的调整、裁剪、翻转以及图像尺寸大小的归一化处理；步骤3：对预处理后的图像按照设定的比例进行划分，分为有标注信息的训练集和需迭代的无标注的验证集；步骤4：训练多类模型，将训练集通过网络模型进行有监督训练多类病变分割模型，针对这里的新冠肺炎数据的标签进行两类病变分割模型，增加类别均衡机制，计算各类别像素占比，增加对应权重；步骤5：预测未标注数据，加载训练好的UNet模型参数，对无标注验证集进行预测，得到预测概率；步骤6：概率判别，通过预测概率筛选高置信度样本，得到伪标签数据；步骤7：迭代，使用有标记训练集和伪标记验证集用UNet训练新模型，直到新模型效果不再提升；步骤8：图像预处理，对上述迭代模块的两类别病变分割结果进行处理分成两个数据集，即GGO数据集和Consolidation数据集，按照设定的比例再进行划分，分为训练集和验证集；步骤9：训练单类模型，将GGO训练集和Consolidation训练集通过UNet分别进行训练，其中增加类别均衡，计算各类别像素占比，增加对应权重，得到分割模型M1，M2；步骤10：概率预测，使用模型M1对GGO验证集进行预测，得到GGO分割结果，使用模型M2对Consolidation验证集进行预测，得到Consolidation分割结果；步骤11：接收图像，接收上述两类病变分别再训练模块的分割结果，即GGO分割结果和Consolidation分割结果；步骤12：融合图像，将两类病变结果融合成一类，得到最终的分割结果。

全文数据：

权利要求：

百度查询： 浙江工业大学 基于类别均衡小样本学习的新冠肺炎感染区域分割方法