公开(公告)号：CN109741347B

公开(公告)日：2021-03-16

申请号：CN201811645917.1

申请日：2018-12-30

Applicant: 北京工业大学

Inventor： 刘博 ,  姚柯璐 ,  张佳慧

IPC: G06T7/11 ,  G06N3/04

Abstract: 本发明公开了一种基于卷积神经网络的迭代学习的图像分割方法，基于U‑Net模型，针对病理图像语义分割模型训练过程，提出新的损失计算方式和迭代训练的方法。该方法通过改进模型中损失函数的计算方式，调整求解的目标函数。提出利用模型预测区域与标注区域相补的思想，通过迭代训练，进一步修补不完全、不确切监督区域，得到标注更加精细的样本，从而完成更高精度的语义分割。这种针对不完全、不确切监督问题提出的新的模型学习方法，具有较强的鲁棒性，因而能更好的分割病变区域。在相同训练模型、相同数据集的情况下，采用本方法，相比原始模型能提升0.4‑0.8左右的精度，在比赛、科研的领域中，具有显著的作用。

公开(公告)号：CN109741347A

公开(公告)日：2019-05-10

申请号：CN201811645917.1

申请日：2018-12-30

Applicant: 北京工业大学

Inventor： 刘博 ,  姚柯璐 ,  张佳慧

IPC: G06T7/11 ,  G06N3/04

Abstract: 本发明公开了一种基于卷积神经网络的迭代学习的图像分割方法，基于U-Net模型，针对病理图像语义分割模型训练过程，提出新的损失计算方式和迭代训练的方法。该方法通过改进模型中损失函数的计算方式，调整求解的目标函数。提出利用模型预测区域与标注区域相补的思想，通过迭代训练，进一步修补不完全、不确切监督区域，得到标注更加精细的样本，从而完成更高精度的语义分割。这种针对不完全、不确切监督问题提出的新的模型学习方法，具有较强的鲁棒性，因而能更好的分割病变区域。在相同训练模型、相同数据集的情况下，采用本方法，相比原始模型能提升0.4-0.8左右的精度，在比赛、科研的领域中，具有显著的作用。