【技术实现步骤摘要】
本专利技术属于医学图像处理，具体涉及面向红外睑板腺图像的不确定性估计涂鸦监督分割方法。
技术介绍
1、睑板腺功能障碍(meibomian glanddysfunction,mgd)是一种常见的眼科疾病，在临床上医生利用红外睑板腺图像观察腺体的形态和脱落情况，作为诊断mgd的重要参考，但医生仅凭借肉眼和经验对患者的红外睑板腺图像进行评估存在主观性强、可重复性低、缺乏客观量化指标和效率低等局限性。实现红外睑板腺图像的腺体分割能在一定程度上克服人工诊断存在的问题，对进一步完善mgd的诊断和治疗体系，促进mgd诊断和治疗水平的提升具有重要意义。
2、当前对睑板腺图像腺体分割方法的研究处于起步阶段，因此模型的性能有待提高，并且当前的研究方法大都依赖于精细标签。然而，获得大量高质量的睑板腺精细标签是耗时的，并且需要专业知识，这阻碍了依赖于这些数据来训练具有良好分割性能的模型的广泛应用。
技术实现思路
1、为了缓解深度学习中对高成本精细标签训练数据集的需求，本专利技术使用涂鸦标签进行睑板腺图像分割。受制于涂鸦标签监督信息有限的困境，本专利技术考虑生成伪标签来进行网络的监督训练。如何利用有限的监督信息来构建一个稳定可靠的红外睑板腺图像腺体分割框架是提高睑板腺图像分割效果、实现红外睑板腺图像自动化分析的关键所在。
2、针对红外睑板腺图像分割精度不高、且需要依赖大量精细标签数据的问题，本专利技术的目的是使用涂鸦标签构建出一个稳定可靠的红外睑板腺图像腺体分割框架，能有效缓解传统方
3、本专利技术以学生教师模型为基础，设计了伪标签生成与不确定性估计两大组成模块。其中，学生模型利用涂鸦标签对模型预测进行监督、引导，考虑到由涂鸦监督所带来的监督信息不足的问题，引入了伪标签生成模块进行模型预测集成融合来充实模型信息。鉴于伪标签中包含较多的噪声，直接使用伪标签将损害模型性能，设计了不确定性估计模块，有效的过滤伪标签中的噪声与错误。不确定性估计模块中过滤掉的信息可能也包含着一些有用的隐式信息，因此引入教师模型来充分利用此类信息。使用涂鸦标签的分割方法有效解决了使用传统精细标签所带来的高成本问题，同时，通过引入伪标签生成模块与不确定性估计模块，极大解决了使用涂鸦标签所带来的监督信息不足与分割精度低的困难，可有效应用于红外睑板腺图像中腺体形态分析与量化分析，更好的辅助睑板腺功能障碍疾病的临床诊断与治疗。
4、本专利技术解决其技术问题具体采用的技术方案是：
5、一种面向红外睑板腺图像的不确定性估计涂鸦监督分割方法：采用双解码器的学生教师分割模型；将数据集送入学生模型得到两个预测值，使用涂鸦标签对学生模型进行监督约束，并对得到的预测进行集成融合得到伪标签；对学生模型得到的两个预测进行不确定性判断，对确定性标签使用伪标签进行监督约束；对不确定性标签通过教师模型进行监督约束，其中通过学生模型的指数移动平均更新教师模型的参数。
6、进一步地，以涂鸦标签作为训练样本，并构建以学生教师模型为基础的融合伪标签不确定性估计的涂鸦监督分割框架，包括伪标签生成模块和不确定性估计模块；其中，学生模型利用涂鸦标签对模型预测进行监督、引导，伪标签生成模块用于进行模型预测集成融合以充实模型信息；利用不确定性估计模块，以过滤伪标签中的噪声与错误；并通过教师模型利用不确定性估计模块中过滤的部分隐式信息；
7、包括以下步骤：
8、步骤s1：数据集处理：对红外睑板腺图像进行数据增强，得到增强数据集；
9、步骤s2：伪标签生成：以具有双解码器的u型网络作为基础分割网络，学生模型通过指数移动平均更新教师模型；将数据集送入学生模型，分别得到对应的分割预测p1、p2，首先使用涂鸦标签对学生模型进行监督损失计算，记为ls，然后将分割预测进行集成融合生成伪标签；
10、步骤s3：不确定性引导：在学生模型中，依据模型的分割预测进行不确定性判断；对确定性标签使用伪标签进行监督损失计算，记为lp，对于不确定性标签使用教师模型进行监督损失计算，记为lc；
11、步骤s4：模型训练与参数更新：根据计算得到的三个监督损失ls、lp、lc以进行学生网络的训练以及参数更新。
12、进一步地，步骤s1中数据增强内容包括：对图像进行随机裁剪、随机平移、随机缩放、随机旋转、垂直翻转和水平翻转。
13、进一步地，步骤s2中的指数移动平均具体为：设学生网络上一次更新的参数为θn-1，最新更新的参数为θn，教师模型的参数为θt，则θt的计算公式如下：
14、θt＝β×θn-1+(1-β)×θn
15、其中β为平滑系数。
16、进一步地，步骤s2中分割结果的集成融合具体为：设学生网络的分割结果分别为p1、p2，集成融合后的结果为pl，则pl的计算公式如下：
17、pl＝α×p1+(1-α)×p2
18、其中，α＝random(0，1)。
19、进一步地，步骤s3中不确定性判断的具体为：对于在相同位置处的两个分割预测p1、p2，如果二者前后背景预测一致则将此处标签打上确定性标签，反之打上不确定性标签。
20、进一步地，步骤s3中教师模型对不确定性标签的处理具体为：使用学生模型与教师模型的一致性约束进行监督处理。
21、相比于现有技术，本专利技术及其优选方案有如下优点：
22、(1)使用涂鸦标签进行网络的监督训练，有效降低了对高成本精细标签地依赖，推动此类问题的向前发展。
23、(2)能在使用涂鸦标签情况下，通过使用不确定性估计与伪标签生成方法，极大的弥补了监督信息不足与伪标签噪声多的问题，实现红外睑板腺图像的高精度分割。
本文档来自技高网...【技术保护点】
1.一种面向红外睑板腺图像的不确定性估计涂鸦监督分割方法，其特征在于：
2.根据权利要求1所述的面向红外睑板腺图像的不确定性估计涂鸦监督分割方法，其特征在于：
3.根据权利要求1所述的面向红外睑板腺图像的不确定性估计涂鸦监督分割方法，其特征在于：步骤S1中数据增强内容包括：对图像进行随机裁剪、随机平移、随机缩放、随机旋转、垂直翻转和水平翻转。
4.根据权利要求1所述的面向红外睑板腺图像的不确定性估计涂鸦监督分割方法，其特征在于：
5.根据权利要求1所述的面向红外睑板腺图像的不确定性估计涂鸦监督分割方法，其特征在于：
6.根据权利要求1所述的面向红外睑板腺图像的不确定性估计涂鸦监督分割方法，其特征在于：步骤S3中不确定性判断的具体为：对于在相同位置处的两个分割预测P1、P2，如果二者前后背景预测一致则将此处标签打上确定性标签，反之打上不确定性标签。
7.根据权利要求1所述的面向红外睑板腺图像的不确定性估计涂鸦监督分割方法，其特征在于：步骤S3中教师模型对不确定性标签的处理具体为：使用学生模型与教师模型的一致性约
...【技术特征摘要】
1.一种面向红外睑板腺图像的不确定性估计涂鸦监督分割方法，其特征在于：
2.根据权利要求1所述的面向红外睑板腺图像的不确定性估计涂鸦监督分割方法，其特征在于：
3.根据权利要求1所述的面向红外睑板腺图像的不确定性估计涂鸦监督分割方法，其特征在于：步骤s1中数据增强内容包括：对图像进行随机裁剪、随机平移、随机缩放、随机旋转、垂直翻转和水平翻转。
4.根据权利要求1所述的面向红外睑板腺图像的不确定性估计涂鸦监督分割方法，其特征在于：
5.根据权利要求1所述的...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。