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：西华大学

摘要：本发明涉及腺体分割技术领域，具体涉及一种腺体分割方法、装置及电子设备，该方法包括如下步骤：S1：基于深度学习技术，从结直肠腺组织学RGB图像中提取出腺体对象，获得腺体分割预测结果；S2：基于学生‑教师网络框架训练网络，对于有标签数据和无标签数据的总损失，通过误差反向传播的方式更新学生网络参数，教师网络参数通过学生网络参数进行更新；S3：基于深度学习技术，将整个模型通过端到端训练的方式进行学习，将待分割图像通过训练后的学生网络，输出分割预测图。本发明，有效解决了参数量大的问题，使得网络更加简洁高效；同时，采用半监督方法训练网络，训练过程只依赖一小部分标签数据，解决了标签难获取的问题。

主权项：1.一种腺体分割方法，其特征在于，包括如下步骤：S1：基于深度学习技术，从结直肠腺组织学RGB图像中提取出腺体对象，在编码器中，利用ResNet-18作为骨干进行特征提取获得低分辨率的腺体特征图；在解码器中，使用基于非线性脉冲神经P系统的NSNP型卷积神经元结构的解码器进行特征恢复，获得腺体分割预测结果；S2：基于学生-教师网络框架训练网络，对于有标签数据，利用学生网络生成分割掩码并与对应的标签计算监督损失；对于无标签数据，同时将数据输入到学生网络和教师网络，利用教师网络生成伪标签，并与学生网络的分割掩码计算一致性损失；总损失为二者之和，并通过误差反向传播的方式更新学生网络参数，教师网络参数通过学生网络参数进行更新；S3：基于深度学习技术，将整个模型通过端到端训练的方式进行学习，将待分割图像通过训练后的学生网络，输出分割预测图；其中，S1包括：S1-1：非线性脉冲神经P系统的简化定义如下：∏＝O,σ1,σ2,…,σk,syn,W其中，∏表示非线性脉冲神经P系统；O＝{a}表示一个字母集合，a表示脉冲；σ1,σ2,…,σk表示非线性脉冲神经P系统的k个神经元，并且每个神经元由一个二元组表示为xi，ri，xi∈R表示神经元σi的脉冲值，表明当前神经元的状态，R表示实数集；其中σi为σ1,σ2,…,σk中的第i个神经元，ri表示一系列规则：gxi表示线性或非线性函数，→表示脉冲的生成，fxi表示非线性函数； 表示神经元的连接；W＝wijk×k表示神经元间的连接权重矩阵，wij表示神经元σi到神经元σj的权重值，其中σj为σ1,σ2,…,σk中的第j个神经元，k×k表示连接权重矩阵的大小；非线性脉冲神经P系统的状态方程定义为： 其中，xit+1表示神经元更新后的状态，xit表示神经元当前状态，gx表示神经元脉冲消耗函数，fx表示神经元脉冲生成函数，j,i∈syn指示神经元σj与神经元σi之间有突触连接，xjt表示神经元σj的当前状态；假设上一状态的神经元脉冲全部消耗并且所有神经元一直处于激活状态时，得到的状态方程如下： 其中，j,i∈syn指示神经元σj与神经元σi之间有突触连接，xjt表示神经元σj的当前状态；w1,w2,wi,wk表示各个突触连接间的权重，fx1t,fx2t,…,fxkt表示k个神经元对应生成的脉冲，而fxit是神经元σi生成的脉冲；从而推导出NSNP型卷积结构，其数学模型定义为： 其中，y表示模型的输出，X＝[x1,x2,...,xk]T，表示输入的特征图矩阵；W＝[w1,w2,...,wk]T，表示卷积权重矩阵，符号f.表示神经网络中的非线性激活函数，b表示神经元偏置，符号T表示转置操作；S1-2：获取待分割的图像，输入图像为RGB图像，训练时对图像进行数据增强后输入图像，推理时直接输入图像；去除ResNet-18的全连接层，将其作为编码器提取特征，在解码器中重新设计解码器结构；NSNP型卷积定义为：FkX＝WkfNormX+b其中,Norm表示归一化，f表示激活函数，Wk表示卷积层权重矩阵，Fk表示卷积层输出，k表示卷积核大小k＝1,3，X为输入的特征图，b表示神经元偏置；将ResNet-18提取的特征图输入到解码器中恢复分辨率并获得腺体分割结果,解码器模块定义为：Xout＝F1Xin+F3Xin其中，Xout表示解码器模块的输出特征图，Xin为解码器模块输入特征图，F1和F3均表示卷积层输出,在解码器中，上采样操作通过使用最邻近插值将特征图大小放大到原来的2倍；S1-3：解码器模块的输出特征图通过一个1×1卷积层调整通道数,并使用Sigmoid函数进行像素分类，获得像素级分割预测掩码。

全文数据：

权利要求：

百度查询： 西华大学 一种腺体分割方法、装置及电子设备