公开(公告)号：CN115527031A

公开(公告)日：2022-12-27

申请号：CN202211168478.6

申请日：2022-09-16

Applicant: 山东科技大学

Inventor： 滕升华 ,  金玲敏 ,  李佐勇

IPC: G06V10/26 ,  G06V10/42 ,  G06V10/774 ,  G06V10/80 ,  G06V10/82 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明公开了一种基于对抗训练的半监督双分支骨髓细胞图像分割方法、计算机设备以及可读存储介质。该方法首先设计包含浅层和深层双分支架构的分割网络，其中，深层分支采用简化的Efficientnetv2网络来提取全局特征，浅层分支采用宽通道的卷积块来提取细节特征；将高分辨率的细节特征和低分辨率的全局特征进行多尺度融合，实现细节特征和全局特征的互补；其次判别网络对分割预测结果和真实标签进行有效区分，通过对抗训练使分割预测结果更接近真实标签，还利用判别网络进行半监督学习，推测出无标签图像分割预测结果中的可靠区域，将其作为伪标签监督分割网络。本发明减少了训练过程中对有标签图像的依赖，仅利用少量有标签图像实现对骨髓细胞的精确分割。

公开(公告)号：CN115527031B

公开(公告)日：2024-04-12

申请号：CN202211168478.6

申请日：2022-09-16

Applicant: 山东科技大学

Inventor： 滕升华 ,  金玲敏 ,  李佐勇

IPC: G06V10/26 ,  G06V10/42 ,  G06V10/774 ,  G06V10/80 ,  G06V10/82 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/0475 ,  G06N3/0895 ,  G06N3/094

Abstract: 本发明公开了一种基于对抗训练的半监督双分支骨髓细胞图像分割方法、计算机设备以及可读存储介质。该方法首先设计包含浅层和深层双分支架构的分割网络，其中，深层分支采用简化的Efficientnetv2网络来提取全局特征，浅层分支采用宽通道的卷积块来提取细节特征；将高分辨率的细节特征和低分辨率的全局特征进行多尺度融合，实现细节特征和全局特征的互补；其次判别网络对分割预测结果和真实标签进行有效区分，通过对抗训练使分割预测结果更接近真实标签，还利用判别网络进行半监督学习，推测出无标签图像分割预测结果中的可靠区域，将其作为伪标签监督分割网络。本发明减少了训练过程中对有标签图像的依赖，仅利用少量有标签图像实现对骨髓细胞的精确分割。