基于距离度量损失框架的半监督学习方法

为了解决半监督学习方法训练过程中因损失函数类型不同、损失尺度不统一而导致的损失权重难以调节,模型优化方向不统一与泛化能力不足的问题,提出基于距离度量损失框架的半监督学习方法.该方法从距离度量损失的角度出发,提出统一损失框架函数,实现了半监督任务中不同损失函数之间的损失权重调节.针对损失框架中嵌入向量的目标区域问题,引入自适应相似度权重,以避免传统度量学习损失函数优化方向的冲突,提高模型的泛化性能.为了验证方法的有效性,分别采用CNN13网络和ResNet18网络,在CIFAR-10、CIFAR-100、SVHN、STL-10标准图像数据集和医疗肺炎数据集Pneumonia Chest X-ray上,构建半监督学习模型与常用半监督方法进行比较.实验结果表明,在同等标签数目的条件下,提出方法具有最优的分类准确度.

基于多源信息融合的医学图像分割方法

医学图像中各成像方式存在自身缺陷,以单一源数据作为输入进行分割模型的构建与训练易导致病灶的分割准确率不足,因此提出基于多源信息融合的医学图像分割方法,并以乳腺癌微钙化簇病灶诊断中的FFDM与DBT这2类数据源为例,验证方法的有效性.方法利用Yolov4区域候选网络对FFDM数据进行可疑区域筛选;根据同一病人FFDM可疑区域进行DBT图像预处理;以预处理后的DBT图像作为改进U-Net模型的输入实现病灶分割;通过基于序贯相似性判别的断层分割结果融合策略,综合DBT中多断层结果完成病灶最终分割.方法在20例病人的FFDM与DBT数据上得到98.52%的真阳性率、10.45%的假阳性率与94.07%的精度.结果表明,本研究提出的基于多源信息融合的医学图像分割方法,有效利用多源数据优势,最终实现病灶的快速精确分割,可以为医学图像诊疗智能化提供一种全新的解决方案.