[发明专利]基于双重一致性自集成学习的半监督评估方法及评估系统

权利要求书

1.一种基于双重一致性自集成学习的半监督评估系统，其特征在于，包括：双重一致性平均教师框架模块，包含具有相同网络结构的学生模型和教师模型；所述学生模型和所述教师模型用于输入一患者图像并输出对应的分类结果和相应的注意力掩模；通过监督损失和非监督损失对学生网络进行优化，并通过指数移动平均更新教师模型；

注意力损失函数模块，与所述双重一致性平均教师框架模块连接，用于识别并定位病变通常所在区域，以约束所述注意力掩模的生成；以及

注意力一致性损失函数模块，与所述学生模型和所述教师模型连接，用于控制所述学生模型和所述教师模型同时输出所述分类结果和相应的所述注意力掩模。

2.如权利要求1所述的基于双重一致性自集成学习的半监督评估系统，其特征在于，所述患者图像包括膝关节图像。

3.如权利要求1所述的基于双重一致性自集成学习的半监督评估系统，其特征在于，所述学生模型和所述教师模型输出的分类结果为对应所述患者图像的病变严重程度的概率分布。

4.如权利要求1所述的基于双重一致性自集成学习的半监督评估系统，其特征在于，所述监督损失的方式包括采用交叉熵损失函数和均方误差损失函数的方式进行计算。

5.如权利要求1所述的基于双重一致性自集成学习的半监督评估系统，其特征在于，所述非监督损失的方式包括采用分类一致性损失函数和注意力一致性损失函数的方式进行计算。

6.如权利要求1所述的基于双重一致性自集成学习的半监督评估系统，其特征在于，所述注意力损失函数模块中包括注意力损失函数，所述注意力损失函数中具有正则化项；所述注意力损失函数为

其中，f_θ(x_i)_k表示由学生模型的输入x_i生成的注意力掩模在第i处时k个像素，S(x_i)_k表示相应的分割结果，λ_α和λ_r是注意力损失和正则化项的权重因子，注意力损失和正则化项之和为1。

7.如权利要求1所述的基于双重一致性自集成学习的半监督评估系统，其特征在于，所述注意力一致性损失函数模块包括注意力一致性损失函数，所述注意力一致性损失函数为所述学生模型和所述教师模型的分类结果输出的均方误差，或者为所述注意力掩模输出的均方误差。

8.如权利要求1所述的基于双重一致性自集成学习的半监督评估系统，其特征在于，所述注意力一致性损失函数为所述学生模型和所述教师模型的分类结果输出的均方误差时，所述注意力一致性损失函数为其中，p_θ(x_i)和p_θ′(x_i)是所述教师模型和所述学生模型相对于输入的分类结果的概率；θ和θ’分别表示所述教师模型和所述学生模型的参数；n表示分类类别的数量。

9.如权利要求1所述的基于双重一致性自集成学习的半监督评估系统，其特征在于，所述注意力一致性损失函数为所述注意力掩模输出的均方误差时，所述注意力一致性损失函数为其中，f_θ(x_i)_k表示由学生模型的输入x_i生成的注意力掩模在第i处时k个像素，θ和θ’分别表示所述教师模型和所述学生模型的参数。

10.一种基于双重一致性自集成学习的半监督评估方法，其特征在于，包括以下步骤：

构建双重一致性平均教师框架模块步骤，构建一双重一致性平均教师框架模块，所述双重一致性平均教师框架模块包含具有相同网络结构的学生模型和教师模型；所述学生模型和所述教师模型用于输入一患者图像并输出对应的分类结果和相应的注意力掩模；通过监督损失和非监督损失对学生网络进行优化，并通过指数移动平均更新教师模型；

设置注意力损失函数模块步骤，设置一注意力损失函数模块，与所述双重一致性平均教师框架模块连接，用于识别并定位病变通常所在区域，以约束所述注意力掩模的生成；

设置注意力一致性损失函数模块步骤，设置一注意力一致性损失函数模块，与所述学生模型和所述教师模型连接，所述注意力一致性损失函数模块包括注意力一致性损失函数，用于控制所述学生模型和所述教师模型同时输出所述分类结果和相应的所述注意力掩模；以及

病变评估步骤，向所述双重一致性平均教师框架模块输入一患者图像，所述患者图像包括膝关节图像；所述学生模型和所述教师模型同时输出所述分类结果和相应的所述注意力掩模；所述学生模型和所述教师模型输出的分类结果为对应所述患者图像的病变严重程度的概率分布。