申请/专利权人：东华大学

申请日：2023-12-19

公开（公告）日：2024-03-22

公开（公告）号：CN117745734A

主分类号：G06T7/10

分类号：G06T7/10;G06V10/764;G06V10/774;G06N3/0455;G06N3/09

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.09#实质审查的生效;2024.03.22#公开

摘要：本发明涉及一种基于自监督学习的慢性伤口图像分割方法，通过引入自监督的对比学习方法，对慢性伤口进行针对性优化，在伤口图像标注数据稀少时有效提升分割效果；使用聚类算法对慢性伤口图像进行自动分类，解决慢性伤口种类繁多，训练样本不平衡问题；针对慢性伤口边缘优化了不确定性算法，同时结合阈值自适应方法，提高模型分割精度。模型的各项指标经过自监督学习的框架训练和学习后，精确度、召回率、MIoU这些指标都有提升，其中召回率提升幅度最大，在初始训练阶段达到了17％的提升，虽然随着训练不断迭代，这个领先幅度会有所下降，但是相对普通的UNet分割模型始终保持了一定领先优势。

主权项：1.一种基于自监督学习的慢性伤口图像分割方法，其特征在于，具体包括如下步骤：1首先采用全量无标注慢性伤口图像数据送入用来进行自监督的预训练模型对分割模型中的编码器进行预训练,获得训练后编码器；2预训练结束后取出编码器，和共享参数的解码器拼接出分割模型，将全量无标注慢性伤口图像数据送入分割模型进行第一次训练，训练得到的模型作为初始模型，同时选择使用最低置信度方法对分割模型输出的矩阵进行不确定性度量；3全量无标注慢性伤口图像数据送入池中进行聚类，全量无标注数据聚类为多个簇，依次对每个簇内无标注慢性伤口图像数据送入初始模型中进行预测，根据步骤2的不确定性度量挑选出簇中不确定性样本数据加入到待标注队列，直到待标注队列的数据达到数量，送往人工标注，完成图像数据标注，获得全量标注慢性伤口图像数据；4将步骤3获得的全量标注慢性伤口图像数据送入初始模型进行训练，获得训练后分割模型，用于慢性伤口图像分割。

全文数据：

权利要求：

百度查询： 东华大学 基于自监督学习的慢性伤口图像分割方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD