基于鼻出血内窥镜影像的高效师生半监督分割方法及装置制造方法及图纸

本发明专利技术涉及鼻出血数据处理领域，具体涉及一种基于鼻出血内窥镜影像的高效师生半监督分割方法及装置，为鼻出血治疗提供了准确的预测数据

【技术实现步骤摘要】
基于鼻出血内窥镜影像的高效师生半监督分割方法及装置


[0001]本专利技术涉及鼻出血数据处理领域，具体涉及一种基于鼻出血内窥镜影像的高效师生半监督分割方法及装置
。

技术介绍

[0002]鼻出血是急诊常见的就诊症状
。
在保守治疗无效时，需尽快在鼻内镜指导下行鼻腔局部血管烧灼闭塞治疗
。
囿于操作者临床经验，有时会因烧灼不足或烧灼过度出现复发
、
鼻腔溃疡
、
鼻中隔穿孔等并发症
。
[0003]现有技术如
CN112259220A
公开的一种基于鼻出血伴随症状预测疾病的系统
、
设备
、
存储介质，系统包括：数据获取模块，用于从病例库中获取病例鼻出血伴随症状以及对应的疾病名称，建立鼻出血疾病原始数据集；数据划分模块，用于将鼻出血分为局部疾病和全身疾病，并对鼻出血疾病原始数据集进行数据划分；向量化模块：用于对鼻出血伴随症状进行向量化表示；数据聚类模块，用于分别采用基于改进的鲸鱼算法优化的聚类算法对对局部疾病数据集和全身疾病数据集聚类；疾病预测模块，用于对待测病例进行数据划分和聚类，在聚类类别中通过计算语义相似度的方式进行疾病预测
。
[0004]上述方案采用改进的鲸鱼算法对病例聚类，然后再进行疾病细分，提高辅助诊断速度
。
但该方案的主要目的是对待测病例进行数据划分和聚类，缺少对鼻出血数据的精细化处理过程，无法实现通过实时采集的鼻出血数据对鼻出血情况进行准确的预测
。

技术实现思路

[0005]本专利技术的目的在于克服现有技术的缺点，提供一种基于鼻出血内窥镜影像的高效师生半监督分割方法及装置，实现了通过实时采集的鼻出血数据对鼻出血情况进行准确的预测，为鼻出血治疗提供了准确的预测数据
。
[0006]本专利技术采取如下技术方案实现上述目的，本专利技术提供一种基于鼻出血内窥镜影像的高效师生半监督分割方法，所述方法包括：
S1、
采集鼻出血医学影像数据集；
S2、
对采集的鼻出血医学影像数据集进行增强；
S3、
将增强后的数据集按照设定比例划分为两部分，一部分图像数据进行标注，另一部分的图像数据不进行标注；
S4、
将标注的图像数据输入学生网络的
U
‑
Net
检测器中，对学生网络进行训练，所述学生网络使用梯度下降法更新参数；
S5、
基于训练好的学生网络，并根据标注数据以及未标注数据半监督训练教师网络；
S6、
通过伪标签分配器对经过教师网络而未被标注的数据进行正负样本分配；
S7、
设置教师
‑
学生网络模型的迭代次数
、
批次大小
、
初始学习率进行迭代训练，得到训练好的教师
‑
学生网络模型；
S8、
将实时获取的鼻出血医学影像数据输入训练好的教师
‑
学生网络模型，对鼻出血情况进行预测
。
[0007]进一步的是，步骤
S1
具体包括：通过鼻内镜设备采集获得鼻出血图像数据，并对采集的鼻出血图像数据进行脱敏处理，所述鼻出血图像数据包括视角模糊
、
反光
、
鼻腔大量出血
、
点状和蔓状出血以及血管畸形
。
[0008]进一步的是，步骤
S2
具体包括：通过随机角度旋转
、
亮度调整
、
对比度增强
、
色度锐度增强和镜像翻转操作对采集的鼻出血医学影像数据集进行增强；同时通过改进后的
GAN
网络对鼻出血医学影像数据集进行增强以及扩充，所述改进后的
GAN
网络融合了鼻出血区域概率图和特征图，使用通道级连接和
Dot
‑
Product Attention
机制将鼻出血区域的概率图与生成器中编码器生成的特征表示进行融合
。
[0009]进一步的是，步骤
S3
中，进行图像标注时，对所有鼻内镜鼻出血图像进行出血位点及畸形血管标注，将出血点类型分为点状出血与蔓状出血
。
[0010]进一步的是，步骤
S5
具体包括：将未标注的图像数据输入教师网络中，通过教师网络对未标注的图像数据进行标注，所述教师网络与学生网络的模型结构完全相同，教师网络不使用梯度下降法更新参数；教师网络通过对学生网络使用指数平均移动更新得到，包括参考当前模型和之前模型的权重，得到一个新的模型，计算公式如下：，表示新的模型，表示当前模型，表示之前的模型，表示权重
。
[0011]进一步的是，步骤
S6
具体包括：设置低阀值与高阀值，然后通过通过伪标签分配器对经过教师网络而未被标注的数据进行分类，分为可信类与不确定类，所述可信类为大于高阀值的标签，用于有监督学习，参与分类重建损失
、
交叉熵损失以及
Focal Loss
的计算；所述不确定类为处于低阀值与高阀值之间的标签，用于无监督学习；通过伪标签计算损失函数的过程如下：检测器中的损失函数是被标注数据和未被标注数据之和，计算公式如下：，表示被标注数据经过学生网络训练得到的损失函数，表示未被标注数据经过教师网络训练得到的损失函数，表示平衡参数，用于平衡两个损失函数；为所有标签数据的重建损失
、
交叉熵损失以及
Focal Loss
之和，计算方式如下：其中
x
为学生网络的输出，为伪标签分配器的结果；重建损失使用
MAE
损失与加权的交叉熵损失进行计算，用于计算模型的输出结果与输入之间的差异
。
同时，加入了带权的
FocalLoss
损失；
包括重建损失
、
交叉熵损失以及
Focal Loss
失共三个部分，计算方式如下：，表示重建损失，表示交叉熵损失，表示
Focal Loss。
[0012]基于鼻出血内窥镜影像的高效师生半监督分割装置，所述装置包括：数据采集模块，用于采集鼻出血医学影像数据集；数据处理模块，用于对采集的鼻出血医学影像数据集进行增强；数据标注模块，用于将增强后的数据集按照设定比例划分为两部分，一部分图像数据进行标注，另一部分的图像数据不进行标注，进行图像标注时，对所有鼻内镜鼻出血图像进行出血位点及畸形血管标注，将出血点类型分为点状出血与蔓状出血；模型训练模块，用于将标注的图像数据输入学生网络的
U
‑
Net
检测器中，对学生网络进行训练，所述学生网络使用梯度下降法更新参数；基于训练好的学生网络，并根据标注数据以及未标注数据半监督训练教师网络；数据分配模块，用于通过本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于鼻出血内窥镜影像的高效师生半监督分割方法，其特征在于，所述方法包括：
S1、
采集鼻出血医学影像数据集；
S2、
对采集的鼻出血医学影像数据集进行增强；
S3、
将增强后的数据集按照设定比例划分为两部分，一部分图像数据进行标注，另一部分的图像数据不进行标注；
S4、
将标注的图像数据输入学生网络的
U
‑
Net
检测器中，对学生网络进行训练，所述学生网络使用梯度下降法更新参数；
S5、
基于训练好的学生网络，并根据标注数据以及未标注数据半监督训练教师网络；
S6、
通过伪标签分配器对经过教师网络而未被标注的数据进行正负样本分配；
S7、
设置教师
‑
学生网络模型的迭代次数
、
批次大小
、
初始学习率进行迭代训练，得到训练好的教师
‑
学生网络模型；
S8、
将实时获取的鼻出血医学影像数据输入训练好的教师
‑
学生网络模型，对鼻出血情况进行预测
。2.
根据权利要求1所述的基于鼻出血内窥镜影像的高效师生半监督分割方法，其特征在于，步骤
S1
具体包括：通过鼻内镜设备采集获得鼻出血图像数据，并对采集的鼻出血图像数据进行脱敏处理，所述鼻出血图像数据包括视角模糊
、
反光
、
鼻腔大量出血
、
点状和蔓状出血以及血管畸形
。3.
根据权利要求1所述的基于鼻出血内窥镜影像的高效师生半监督分割方法，其特征在于，步骤
S2
具体包括：通过随机角度旋转
、
亮度调整
、
对比度增强
、
色度锐度增强和镜像翻转操作对采集的鼻出血医学影像数据集进行增强；同时通过改进后的
GAN
网络对鼻出血医学影像数据集进行增强以及扩充，所述改进后的
GAN
网络融合了鼻出血区域概率图和特征图，使用通道级连接和
Dot
‑
Product Attention
机制将鼻出血区域的概率图与生成器中编码器生成的特征表示进行融合
。4.
根据权利要求1所述的基于鼻出血内窥镜影像的高效师生半监督分割方法，其特征在于，步骤
S3
中，进行图像标注时，对所有鼻内镜鼻出血图像进行出血位点及畸形血管标注，将出血点类型分为点状出血与蔓状出血
。5.
根据权利要求1所述的基于鼻出血内窥镜影像的高效师生半监督分割方法，其特征在于，步骤
S5
具体包括：将未标注的图像数据输入教师网络中，通过教师网络对未标注的图像数据进行标注，所述教师网络与学生网络的模型结构完全相同，教师网络不使用梯度下降法更新参数；教师网络通过对学生网络使用指数平均移动更新得到，包括参考当前模型和之前模型的权重，得到一个新的模型，计算公式如下：，表示新的模型，表示当前模型，表示之前的模型，表示权重
。6.
根据权利要求1所述的基于鼻出血内窥镜影像的高效师生半监督分割方法，其特征在于，步骤
S6
具体包括：
设置低阀值与高阀值，然后通过伪标签分配器对经过教师网络而未被标注的数据进行分类，分为可信类与不确定类，所述可信类为大于高阀值的标签，用于有监督学习，参与重建损失
、
交叉熵损失以及
Focal Loss
的计算；所述不确定类为处于低阀值与高阀值之间的标签，用于无监督学习；通过伪标签计算损失函数的过程如下：检测器中的损失函数是被标注数据和未被标注数据之和，计算公式如下：，表示被标注数据经过学生网络训练得到的损失函数，表示未被标注数据经过教师网络训练得到的损失函数，表示平衡参数，用于平衡两个损失函数；为所有标签数据的重建损失
、
交叉熵损失以及
Focal Loss
之和，计算方式如下：其中
x
为学生网络的输...

【专利技术属性】
技术研发人员：赖孟珍，李军，陈骏扬，罗序濠，王先垚，郭敬杰，卫泽东，
申请(专利权)人：四川农业大学，
类型：发明
国别省市：