目的深度學習在各種語義分割任務中取得了優(yōu)異的性能,但需要大量帶有準確標注的訓練樣本。乳腺超聲由于其成像特點,導致圖像對比度和分辨率低、斑點噪聲較高、組織間邊界模糊等,這些問題導致精確標注十分困難。超聲分割數據集中存在較多非準確的標注,這些數據即標注噪聲。若訓練集中包含一定量的噪聲,將會極大地影響網絡的分割準確度。為了解決該問題,提出了一種針對超聲圖像的動態(tài)噪聲指數及分割算法,實現在乳腺超聲數據包含噪聲的情況下腫瘤區(qū)域的準確分割。方法針對超聲圖像的噪聲特點提出動態(tài)噪聲指數（dynamic noise index,DNI）;在網絡訓練過程中實時更新DNI,并在每次迭代結束后計算整個訓練集的DNI分布,進而實現對噪聲數據的可檢測;提出一個改進的損失函數以增強網絡噪聲檢測性能,同時結合DNI降低噪聲對訓練反向傳播的影響。最后本文將動態(tài)噪聲指數和改進的損失函數聯合形成一個噪聲容忍框架,該框架可以應用于其他分割網絡。結果本文將噪聲容忍框架和多種分割網絡進行結合,并在兩個數據集上進行實驗。公開數據集的實驗結果顯示,增加噪聲容忍框架的網絡相比于原網絡各指標提高了8%～12%。本文構建了一個包含1 80... 

【文章來源】：中國圖象圖形學報. 2020,25(10)北大核心CSCD

【文章頁數】：9 頁

【部分圖文】：

不同目標物體的邊界對比圖

圖1 不同目標物體的邊界對比圖在圖像分類領域,對標簽噪聲的研究已經進行了較長時間,并取得了不錯的成果。Goldberger和Ben-Reuven(2016)借鑒通信中的信道模型,利用EM(expectation-maximization)算法尋找網絡中的正確標簽,提出用softmax層替換線性層,增加了模型的穩(wěn)定性。Zhang等人(2016)提出深度神經網絡很容易擬合噪聲標簽,噪聲會讓模型訓練結果的不確定性增加。許多學者在這個基礎上展開了研究,如Hu等人(2019a)利用干凈的標簽數據進行輔助預訓練一個非線性分類器,實現噪聲標簽和真實標簽的映射關系。非線性分類器方法雖然在分類任務中取得不錯的結果,但這種映射關系很難在分割任務中實現。也有文獻利用多階段學習,在網絡學習到區(qū)分噪聲的能力之后開始動態(tài)識別并處理噪聲。Wu等人(2018)根據多個訓練階段的數據分布區(qū)間,對噪聲數據進行清洗。

2)提出一種基于噪聲檢測的動態(tài)噪聲約束損失函數。該損失函數能抑制噪聲數據對網絡的干擾,使得在訓練集包含一定量噪聲的情況下,網絡依然能取得可靠的性能。1 相關工作


本文編號：3590088