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：南京邮电大学

摘要：本发明公开了一种基于证据学习的不确定性感知半监督胰腺分割方法。首先，引入可变形卷积，构建具有可自适应不同尺度和形变大小感受野的可变形U‑Net，以更好的提取胰腺多变的几何特征；其次，基于MT框架，引入证据深度学习对模型的预测不确定性进行建模，将模型的输出视为证据，并形式化为狄利克雷分布，通过主观逻辑计算预测类别概率以及不确定性，根据不确定性信息生成未标记数据上可靠的伪标签指导模型学习；最后，引入对目标边界分割质量更敏感的边界损失，使模型更关注目标边界的分割效果。本发明克服了现有半监督学习方法难以保证伪标签质量、平衡估计精度及计算成本的问题，并针对胰腺分割任务提供了更具有针对性的解决方案。

主权项：1.一种基于证据学习的不确定性感知半监督胰腺分割方法，其特征在于，所述方法包括以下步骤：步骤1，获取胰腺CT数据集并预处理；步骤2，将步骤1预处理后的数据集划分为训练集和测试集，其中训练集为D＝Dl∪Du，其中，表示N个有标记的CT切片的标记数据集，为具有M个未标记切片的无标记数据集，和分别表示有标签的CT图像和无标记的CT图像，yi表示对应的真实标签；步骤3，基于U-Net模型，将编码器部分所有卷积层中常规卷积替换为可变形卷积，构建可自适应不同形变目标特征的可变形U-Net；步骤4，以步骤3获取的可变形U-Net作为骨干模型，基于MT框架，引入证据学习，设计一种基于证据学习的不确定性感知半监督学习框架；所述框架，首先使用证据深度学习对模型的预测不确定性进行建模，使教师模型可以在单次前向推理中给出预测分割结果和相应的不确定性估计，教师模型对未标记数据的预测作为学生模型学习的目标，学生模型根据不确定性信息通过不确定性感知的一致性损失从可靠的伪标签进行学习；然后，加入对边界分割质量更敏感的Boundary损失进行约束，使模型更加关注目标边界区域的分割效果；步骤5，在训练集D上进行训练，其中对于标记数据Dl，学生模型通过最小化Dl上的监督损失进行优化，对于未标记数据Du，学生模型通过不确定性感知的一致性损失进行优化；教师模型不参与梯度更新，参数通过学生模型参数的指数移动平均方式进行更新，直至收敛；步骤6，将最终训练好的教师模型用于胰腺器官分割。

全文数据：

权利要求：

百度查询： 南京邮电大学 一种基于证据学习的不确定性感知半监督胰腺分割方法