目的深度學(xué)習(xí)在各種語義分割任務(wù)中取得了優(yōu)異的性能,但需要大量帶有準(zhǔn)確標(biāo)注的訓(xùn)練樣本。乳腺超聲由于其成像特點(diǎn),導(dǎo)致圖像對(duì)比度和分辨率低、斑點(diǎn)噪聲較高、組織間邊界模糊等,這些問題導(dǎo)致精確標(biāo)注十分困難。超聲分割數(shù)據(jù)集中存在較多非準(zhǔn)確的標(biāo)注,這些數(shù)據(jù)即標(biāo)注噪聲。若訓(xùn)練集中包含一定量的噪聲,將會(huì)極大地影響網(wǎng)絡(luò)的分割準(zhǔn)確度。為了解決該問題,提出了一種針對(duì)超聲圖像的動(dòng)態(tài)噪聲指數(shù)及分割算法,實(shí)現(xiàn)在乳腺超聲數(shù)據(jù)包含噪聲的情況下腫瘤區(qū)域的準(zhǔn)確分割。方法針對(duì)超聲圖像的噪聲特點(diǎn)提出動(dòng)態(tài)噪聲指數(shù)（dynamic noise index,DNI）;在網(wǎng)絡(luò)訓(xùn)練過程中實(shí)時(shí)更新DNI,并在每次迭代結(jié)束后計(jì)算整個(gè)訓(xùn)練集的DNI分布,進(jìn)而實(shí)現(xiàn)對(duì)噪聲數(shù)據(jù)的可檢測(cè);提出一個(gè)改進(jìn)的損失函數(shù)以增強(qiáng)網(wǎng)絡(luò)噪聲檢測(cè)性能,同時(shí)結(jié)合DNI降低噪聲對(duì)訓(xùn)練反向傳播的影響。最后本文將動(dòng)態(tài)噪聲指數(shù)和改進(jìn)的損失函數(shù)聯(lián)合形成一個(gè)噪聲容忍框架,該框架可以應(yīng)用于其他分割網(wǎng)絡(luò)。結(jié)果本文將噪聲容忍框架和多種分割網(wǎng)絡(luò)進(jìn)行結(jié)合,并在兩個(gè)數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)。公開數(shù)據(jù)集的實(shí)驗(yàn)結(jié)果顯示,增加噪聲容忍框架的網(wǎng)絡(luò)相比于原網(wǎng)絡(luò)各指標(biāo)提高了8%～12%。本文構(gòu)建了一個(gè)包含1 80... 

【文章來源】：中國圖象圖形學(xué)報(bào). 2020,25(10)北大核心CSCD

【文章頁數(shù)】：9 頁

【部分圖文】：

不同目標(biāo)物體的邊界對(duì)比圖

圖1 不同目標(biāo)物體的邊界對(duì)比圖在圖像分類領(lǐng)域,對(duì)標(biāo)簽噪聲的研究已經(jīng)進(jìn)行了較長時(shí)間,并取得了不錯(cuò)的成果。Goldberger和Ben-Reuven(2016)借鑒通信中的信道模型,利用EM(expectation-maximization)算法尋找網(wǎng)絡(luò)中的正確標(biāo)簽,提出用softmax層替換線性層,增加了模型的穩(wěn)定性。Zhang等人(2016)提出深度神經(jīng)網(wǎng)絡(luò)很容易擬合噪聲標(biāo)簽,噪聲會(huì)讓模型訓(xùn)練結(jié)果的不確定性增加。許多學(xué)者在這個(gè)基礎(chǔ)上展開了研究,如Hu等人(2019a)利用干凈的標(biāo)簽數(shù)據(jù)進(jìn)行輔助預(yù)訓(xùn)練一個(gè)非線性分類器,實(shí)現(xiàn)噪聲標(biāo)簽和真實(shí)標(biāo)簽的映射關(guān)系。非線性分類器方法雖然在分類任務(wù)中取得不錯(cuò)的結(jié)果,但這種映射關(guān)系很難在分割任務(wù)中實(shí)現(xiàn)。也有文獻(xiàn)利用多階段學(xué)習(xí),在網(wǎng)絡(luò)學(xué)習(xí)到區(qū)分噪聲的能力之后開始動(dòng)態(tài)識(shí)別并處理噪聲。Wu等人(2018)根據(jù)多個(gè)訓(xùn)練階段的數(shù)據(jù)分布區(qū)間,對(duì)噪聲數(shù)據(jù)進(jìn)行清洗。

2)提出一種基于噪聲檢測(cè)的動(dòng)態(tài)噪聲約束損失函數(shù)。該損失函數(shù)能抑制噪聲數(shù)據(jù)對(duì)網(wǎng)絡(luò)的干擾,使得在訓(xùn)練集包含一定量噪聲的情況下,網(wǎng)絡(luò)依然能取得可靠的性能。1 相關(guān)工作


本文編號(hào)：3590088