本發(fā)明屬于計算機視覺，具體涉及一種基于偽標(biāo)簽松弛對比損失的含噪聲腸道超聲圖像分類方法和系統(tǒng)。

背景技術(shù)：

1、深度神經(jīng)網(wǎng)絡(luò)(deep?neural?networks,dnn)在計算機視覺領(lǐng)域受到廣泛應(yīng)用，但是dnn的訓(xùn)練需要大量含有準(zhǔn)確標(biāo)簽的圖像的支持，而這類圖像的標(biāo)注需要借助領(lǐng)域?qū)＜业慕?jīng)驗進行。

2、在超聲腸道圖像數(shù)據(jù)集收集過程中，雖然各類醫(yī)院診所積累了大量的腸道圖像數(shù)據(jù)，但是由于缺少標(biāo)注專家，這類樣本往往具有不準(zhǔn)確的標(biāo)簽(噪聲標(biāo)簽)，而噪聲標(biāo)簽樣本易使dnn過擬合，導(dǎo)致dnn判別性能和泛化性能的降低。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于克服現(xiàn)有技術(shù)中的不足，提供一種基于偽標(biāo)簽松弛對比損失的含噪聲腸道超聲圖像分類方法和系統(tǒng)，能夠利用偽標(biāo)簽松弛對比損失來提高dnn模型面對含噪聲標(biāo)簽的腸道超聲圖像集時的測試性能和魯棒性能，從而節(jié)約專家標(biāo)注成本。

2、本發(fā)明提供了如下的技術(shù)方案：

3、第一方面，提供一種基于偽標(biāo)簽松弛對比損失的含噪聲腸道超聲圖像分類方法，包括以下步驟：

4、s1：基于原始含噪聲腸道超聲圖像數(shù)據(jù)集，對兩個dnn模型進行溫和訓(xùn)練；

5、s2：分別利用每個dnn模型，對原始含噪聲腸道超聲圖像數(shù)據(jù)集進行劃分，以獲取與當(dāng)前dnn模型對應(yīng)的有標(biāo)簽集合和無標(biāo)簽集合；

6、s3：使用半監(jiān)督學(xué)習(xí)和偽標(biāo)簽松弛對比學(xué)習(xí)的方式，分別對兩個dnn模型進行魯棒訓(xùn)練，以更新兩個dnn模型；在對第一個dnn模型進行魯棒訓(xùn)練時，基于第二個dnn模型劃分的有標(biāo)簽集合和無標(biāo)簽集合，在對第二個dnn模型進行魯棒訓(xùn)練時，基于第一個dnn模型劃分的有標(biāo)簽集合和無標(biāo)簽集合；

7、s4：重復(fù)執(zhí)行步驟s2-s3，直至達到預(yù)設(shè)的訓(xùn)練總輪次，并輸出最終的dnn模型，以利用最終的dnn模型進行含噪聲腸道超聲圖像的分類。

8、可選地，步驟s3中，使用半監(jiān)督學(xué)習(xí)和偽標(biāo)簽松弛對比學(xué)習(xí)的方式，對當(dāng)前的dnn模型進行魯棒訓(xùn)練，以更新當(dāng)前dnn模型，包括：

9、基于有標(biāo)簽集合和無標(biāo)簽集合，計算所有樣本的ssl損失；

10、使用映射頭，將提取的高維特征映射到低維空間，形成低維特征；

11、基于映射后的低維特征，對于有標(biāo)簽集合和無標(biāo)簽集合中的所有樣本，計算松弛對比損失；

12、結(jié)合所有樣本的ssl損失和松弛對比損失，計算總損失，并根據(jù)總損失進行反向傳播和模型參數(shù)更新，以更新當(dāng)前dnn模型。

13、可選地，所述基于映射后的低維特征，對于有標(biāo)簽集合和無標(biāo)簽集合中的所有樣本，計算松弛對比損失時，需要構(gòu)建負樣本集合；

14、所述構(gòu)建負樣本集合包括：

15、對于樣本xi，假設(shè)其預(yù)測結(jié)果向量；

16、根據(jù)樣本xi的預(yù)測結(jié)果向量，找出預(yù)測結(jié)果中概率最大的前k個分量所對應(yīng)的索引

17、將所有觀測標(biāo)簽不等于給定標(biāo)簽且預(yù)測結(jié)果中概率最大的前k個分量所對應(yīng)的索引和樣本xi對應(yīng)索引沒有交集的樣本的集合，作為負樣本集合；

18、所述負樣本集合ni的公式為：

19、

20、其中，為預(yù)測結(jié)果中概率最大的前k個分量中樣本xj所對應(yīng)的索引，為樣本xi對應(yīng)的索引；

21、所述松弛對比損失lplr為：

22、

23、其中，為原始含噪聲腸道超聲圖像數(shù)據(jù)集的數(shù)量，是樣本xi經(jīng)過變換增強后，被映射頭映射后的低維特征，為經(jīng)過另一種增強后的低維特征，τ為預(yù)設(shè)的銳化參數(shù)，為負樣本集合的低維特征集合。

24、可選地，所述ssl損失lssl為：

25、

26、其中，為通過編號為m的dnn模型劃分的有標(biāo)簽集合，為使用編號為m的dnn模型劃分的無標(biāo)簽集合，ll為基于有標(biāo)簽集合的分類損失，lul為基于無標(biāo)簽集合的分類損失，lreg為正則損失，λu為預(yù)設(shè)的權(quán)重系數(shù)。

27、可選地，步驟s1中，使用交叉損失函數(shù)，對兩個dnn模型進行溫和訓(xùn)練；所述兩個dnn模型的結(jié)構(gòu)一致且初始化參數(shù)不一致；

28、所述交叉損失函數(shù)lce為：

29、

30、其中，pm(xi)為編號為m的dnn模型基于超聲圖像xi的輸出值，xi為第i個超聲圖像，m取值為1或者2，n為原始含噪聲腸道超聲圖像數(shù)據(jù)集中樣本個數(shù)，yi為超聲圖像xi的觀測標(biāo)簽。

31、可選地，步驟s2中，所述對原始含噪聲腸道超聲圖像數(shù)據(jù)集進行劃分，以獲取與當(dāng)前dnn模型對應(yīng)的有標(biāo)簽集合和無標(biāo)簽集合，包括：

32、計算原始含噪聲腸道超聲圖像數(shù)據(jù)集中所有樣本在當(dāng)前dnn模型下的jsd損失值；

33、根據(jù)每個樣本的類別，將jsd損失值劃分為c個子集，并將每個子集中的jsd損失值以升序的方式進行排序；

34、計算每個子集中需要挑選出的樣本數(shù)量r；

35、對所有子集均進行樣本的劃分，以獲取與當(dāng)前dnn模型對應(yīng)的有標(biāo)簽集合和無標(biāo)簽集合；

36、對當(dāng)前子集進行樣本劃分包括：判斷當(dāng)前子集的樣本數(shù)量是否大于需要挑選出的樣本數(shù)量r，若是，則將當(dāng)前子集的前r個樣本放入有標(biāo)簽集合，其余部分放入無標(biāo)簽集合；否則，則將當(dāng)前子集的所有樣本放入有標(biāo)簽集合。

37、可選地，所述計算原始含噪聲腸道超聲圖像數(shù)據(jù)集中所有樣本在當(dāng)前dnn模型下的jsd損失值的公式為：

38、

39、其中，dim為第i個樣本在編號為m的dnn模型下的jsd損失值，為腸道超聲圖像xi的觀測標(biāo)簽，pm(xi)編號為m的dnn模型基于超聲圖像xi的輸出值；jsd(·)為jensen–shannon?divergence函數(shù)；

40、所述計算每個子集中需要挑選出的樣本數(shù)量r的公式為：

41、

42、其中，r為需要挑選出的樣本數(shù)量，r為原始含噪聲腸道超聲圖像數(shù)據(jù)集的噪聲比例，c為jsd損失值劃分的子集數(shù)量，n為原始含噪聲腸道超聲圖像數(shù)據(jù)集的樣本數(shù)量。

43、第二方面，提供一種基于偽標(biāo)簽松弛對比損失的含噪聲腸道超聲圖像分類系統(tǒng)，包括：

44、溫和訓(xùn)練模塊，用于基于原始含噪聲腸道超聲圖像數(shù)據(jù)集，對兩個dnn模型進行溫和訓(xùn)練；

45、集合劃分模塊，用于分別利用每個dnn模型，對原始含噪聲腸道超聲圖像數(shù)據(jù)集進行劃分，以獲取與當(dāng)前dnn模型對應(yīng)的有標(biāo)簽集合和無標(biāo)簽集合；

46、魯棒訓(xùn)練模塊，用于使用半監(jiān)督學(xué)習(xí)和偽標(biāo)簽松弛對比學(xué)習(xí)的方式，分別對兩個dnn模型進行魯棒訓(xùn)練，以更新兩個dnn模型；在對第一個dnn模型進行魯棒訓(xùn)練時，基于第二個dnn模型劃分的有標(biāo)簽集合和無標(biāo)簽集合，在對第二個dnn模型進行魯棒訓(xùn)練時，基于第一個dnn模型劃分的有標(biāo)簽集合和無標(biāo)簽集合；

47、重復(fù)執(zhí)行模塊，用于反饋至集合劃分模塊和魯棒訓(xùn)練模塊，直至達到預(yù)設(shè)的訓(xùn)練總輪次，并輸出最終的dnn模型，以利用最終的dnn模型進行含噪聲腸道超聲圖像的分類。

48、第三方面，提供一種計算機設(shè)備，包括處理器和存儲器；其中，處理器執(zhí)行存儲器中保存的計算機程序時實現(xiàn)第一方面任一項所述的基于偽標(biāo)簽松弛對比損失的含噪聲腸道超聲圖像分類方法的步驟。

49、第四方面，提供一種計算機可讀存儲介質(zhì)，用于存儲計算機程序；計算機程序被處理器執(zhí)行時實現(xiàn)第一方面任一項所述的基于偽標(biāo)簽松弛對比損失的含噪聲腸道超聲圖像分類方法的步驟。

50、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：

51、(1)本發(fā)明提出一種基于偽標(biāo)簽松弛對比損失的含噪聲腸道超聲圖像分類方法和系統(tǒng)，能夠利用偽標(biāo)簽松弛對比損失來提高dnn模型面對含噪聲標(biāo)簽的腸道超聲圖像集時的測試性能和魯棒性能，從而節(jié)約專家進行含噪聲腸道超聲圖像分類的成本。

52、(2)本發(fā)明將均衡選擇策略和偽標(biāo)簽松弛對比損失結(jié)合，從而進一步地提高了dnn模型面對含噪聲標(biāo)簽的腸道超聲圖像集時的測試性能和魯棒性能。