(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211128245.3 (22)申请日 2022.09.16 (71)申请人 杭州电子科技大 学 地址 310018 浙江省杭州市下沙高教园区2 号大街 (72)发明人 刘现文　王亚奇　贾刚勇　顾人舒　 (74)专利代理 机构 杭州奥创知识产权代理有限 公司 33272 专利代理师 王佳健 (51)Int.Cl. G06V 10/26(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06V 10/32(2022.01) G06V 10/30(2022.01)G06T 7/194(2017.01) (54)发明名称 一种基于不确定性的半监督OCT图像视网膜 分割方法 (57)摘要 本发明公开了一种基于不确定性的半监督 OCT图像视网膜分割方法。 对于有标签数据， 通过 第一网络得到的特征图， 经过提取得到注意力 图， 对输入图片进行注意力增强， 然后再次送入 第一网络和第二网络中进行训练； 对于无标签数 据， 为了减小伪标签的错误， 采用第一网络和第 二网络的交叉监督， 并辅以不确定性指导； 通过 第一网络得到多尺度的特征与不确定性图， 一同 送入不确定性修复模块， 得到修复后的伪标签再 去监督第一网络的输出， 计算加权不确定性修复 损失； 每轮迭代之后在测试集上测试结果， 当前 Dice系数高于 上一轮迭代的结果时， 保存模型参 数。 本发明很好的提高模型的泛化性、 解决伪标 签误导的问题， 并且提高伪标签的边界分割精 度。 权利要求书2页 说明书5页 附图4页 CN 115512108 A 2022.12.23 CN 115512108 A 1.一种基于不确定性的半监 督OCT图像视网膜分割方法， 其特 征在于包括以下步骤： S1、 将OCT图像数据集划分为训练集和 测试集； 训练集和测试集图像， 通过裁剪、 调整比例以及统一数据尺寸进行数据 预处理， 然后将 训练集输入 模型进行训练； S2、 对于有标签数据， 通过第一网络得到的特征图， 经过提取得到注意力图， 然后再次 送入第一网络和第二网络中进行训练； S21、 将有标签数据输入第一网络和第二网络， 然后与对应的标签用Dice函数计算第一 监督损失； S22、 选取经过第 一网络四次下采样之后得到的特征图， 采用降维操作生成多个注意力 图， 然后随机 选取一个注意力图； S23、 在步骤S22选取的注意力图上， 随机生成多个正方形的黑色遮挡区域， 并叠加在原 图上， 得到增强后的图片； S24、 将增强后的图片输入到第一网络和第二网络， 然后与对应的标签利用Dice函数计 算第二监督损失； 综合第一 监督损失和第二 监督损失， 得到总的有监 督损失函数； S3、 对于无 标签数据， 采用第一网络和第二网络的交叉监 督， 并辅以不确定性指导； S31、 将无标签数据输入第一网络和第二网络， 得到图像分割概率图， 然后基于阈值对 图像分割概 率图进行二 值化， 得到对应的图像分割掩码； S32、 第一网络和第二网络开启dropout功能， 随机前向预测多次， 得到多个图像分割概 率图； 计算平均概 率图， 然后使用信息熵计算公式， 计算对应的不确定性图； S33、 不确定性图结合MSE函数， 指导第二网络的图像分割掩码与第一网络的图像分割 概率图、 第一网络的图像分割掩码与第二网络的图像分割概率图， 计算得到加权不确定性 损失； S4、 通过第一网络得到多尺度的特征与不确定性图， 一同送入不确定性修复模块， 得到 修复后的伪标签再去监 督第一网络的输出， 计算加权不确定性 修复损失； S41、 第一网络的解码器阶段， 每个阶段经过反卷积网络上采样到与下一阶段相同维度 后拼接， 得到多尺度特 征图； S42、 将第一网络的不确定性图与多尺度特征图输入不确定性修复模块， 得到边界更清 晰的修复后的伪标签； S43、 使用Dice函数计算伪标签， 监督经步骤S31得到的分割概率图， 并计算得到加权不 确定性修复损失； S5、 每轮迭代之后在测试集上测试结果， 得到分割后的OCT图像， 测试指标为Dice系数， 当前Dice系数高于上一轮迭代的结果时， 保存 模型参数； 所述第一网络为U ‑net网络模型， 第二网络为Sw in‑Unet网络模型。 2.根据权利要求1所述一种基于不确定性的半监督OCT图像视网膜分割方法， 其特征在 于： 步骤S1所述训练集由10%的有标签图像和90%无 标签图像组成。 3.根据权利要求1所述一种基于不确定性的半监督OCT图像视网膜分割方法， 其特征在 于： 步骤S4所述不确定性修复模块是 由三层相同结构的卷积层和池化层， 以及只有卷积层权　利　要　求　书 1/2 页 2 CN 115512108 A 2的第四层组成； 卷积层是由3x3卷积核构成， 池化层是由3x3的核构成， 并且采用残差结构， 除第一层外 每层的输入为前一层的输出和输入拼接， 每层的输入通过一层3x3卷积层经过归一化层和 Relu激活函数提取图像特征， 再通过3x3的最大池化层 对图像进 行压缩， 经过多次反复操作 之后得到边界更清晰的图像分割掩码。 4.根据权利要求1所述一种基于不确定性的半监督OCT图像视网膜分割方法， 其特征在 于： 步骤S22按照每个注意力图自身的均值， 与所有注意力图自身均值之和的比值， 作为抽 样概率， 选取出一个注意力图。 5.根据权利要求1所述一种基于不确定性的半监督OCT图像视网膜分割方法， 其特征在 于： 步骤S32随机前向预测多次， 每次都随机对输入数据加入随机噪声。权　利　要　求　书 2/2 页 3 CN 115512108 A 3