(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 202211332281.1 (22)申请日 2022.10.28 (71)申请人 湖南大学 地址 410082 湖南省长 沙市岳麓区麓山 南 路2号 (72)发明人 梁桥康　秦海　肖海华　邹坤霖　 (74)专利代理 机构 长沙市融智专利事务所(普 通合伙) 43114 专利代理师 熊开兰 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/26(2022.01) G06V 10/774(2022.01) G06V 20/70(2022.01) (54)发明名称 低标注成本的皮肤病图像分割方法、 装置、 设备及介质 (57)摘要 本发明公开了一种低标注成本的皮肤病图 像分割方法、 装置、 设备及介质， 方法包括： 构建 皮肤病图像数据集， 包括未标注和已标注的皮肤 病图像； 设计低标注成本的皮肤病图像分割网 络， 包括N个预测模型和多模型融合模块； 使用皮 肤病图像数据集分批次对各预测模型进行训练 和标注， 其中采用多不确定性策略的主动学习方 法和基于共享查询值策略的半监督学习方法， 使 用当前训练得到的预测模型与专家标注相结合， 对当前任意批次未标注的皮肤病图像进行标注； 使用已标注的皮肤病图像对每个预测模型重复 迭代训练； 使用训练好的皮肤病图像 分割网络对 待分割的皮肤病图像进行分割标注。 本发明在标 注样本较少的条件下仍能获得良好的分割效果。 权利要求书3页 说明书8页 附图3页 CN 115393361 A 2022.11.25 CN 115393361 A 1.一种低标注成本的皮肤病图像分割方法， 其特 征在于， 包括： 构建皮肤病图像数据集， 包括未标注的皮肤病图像和已标注的皮肤病图像， 且未标注 的皮肤病图像的数量大于已标注的皮肤病图像； 设计低标注成本的皮肤病图像分割网络， 包括 N个预测模型和多模型融合模块； 使用皮肤病图像数据集分批次对各预测模型进行训练和标注： 首先将未标注的皮肤病 图像分为若干批次； 然后使用当前已标注的皮肤病图像训练预测模型； 再采用多种不确定 性策略的主动学习方法和基于共享查询值策略的半监督学习方法， 使用当前训练得到的预 测模型与专家标注相结合， 对当前任意批次未标注的皮肤病图像进行标注； 再使用多模型 融合模块对各 预测模型的输出 标签进行融合； 直到所有皮肤病图像标注完成； 使用已标注的皮肤病图像对每 个预测模型重复迭代训练， 直到各 预测模型收敛； 使用训练好的各预测模型分别对待分割的皮肤病图像进行分割标注， 再使用多模型融 合模块对各 预测模型的输出 标签进行融合， 完成待分割皮肤病图像的分割标注。 2.根据权利要求1所述的皮肤病图像分割方法， 其特征在于， 所述采用多种不确定性策 略的主动学习方法和基于共享查询值策略的半监督学习方法， 使用当前训练得到的预测模 型与专家标注相结合， 对当前任意批次未 标注的皮肤病图像进行 标注， 具体包括： 采用两种主动学习不确定性策略 和 ， 分别对未标注的皮肤病图像中的像素 进行预分类， 记预分类分别为 和 ； 引入随机查询因子 ， 对随机查询因子 和预分类 、 进行加权 得到像素 的分类置信度 ； 通过共享分类置信度 ， 为分类置信度达到预设值的像素分配伪标签完成标注， 其余像素作为 不确定像素交由专 家完成标注。 3.根据权利要求2所述的皮肤病图像分割方法， 其特征在于， 采用两种 主动学习不确定 性策略 和 对像素进行 预分类的方法为： 式中， 表示第 个预测模型， 表示像素类别， 表示像素的类别种数量， 表示像 素 的标签， 表示预测模型 对像素 的输出标签 的概率。 4.根据权利要求3所述的皮肤病图像 分割方法， 其特征在于， 共享分类置信度 为 分类置信度达 到预设值的像素分配伪标签的方法为： 式中， 为分配的伪标签。权　利　要　求　书 1/3 页 2 CN 115393361 A 25.根据权利要求3所述的皮肤病图像分割方法， 其特征在于， 所述多模型融合模块根据 投票熵的大小对像素进行分类， 投票熵 的计算方法为： 式中， 表示第 个预测模型对像素 的输出标签或专 家标注的标签。 6.一种低标注成本的皮肤病图像分割装置， 其特 征在于， 包括： 数据集构建模块， 用于： 构建皮肤病图像数据集， 包括未标注的皮肤病图像和已标注的 皮肤病图像， 且未 标注的皮肤病图像的数量大于已标注的皮肤病图像； 分割网络设计模块， 用于： 设计低标注成本的皮肤病图像分割网络， 包括N个预测模型 和多模型融合模块； 图像标注模块， 用于： 使用皮肤病图像数据集分批次对各预测模型进行训练和标注： 首 先将未标注的皮肤病图像分为若干批次； 然后使用当前已标注的皮肤病图像训练预测模 型； 再采用多种不确定性策略的主动学习 方法和基于共享查询值策略的半监督学习方法， 使用当前训练得到的预测模型与专家标注相结合， 对当前任意批次未标注的皮肤病图像进 行标注； 再使用多模型融合模块对各预测模型 的输出标签进行融合； 直到所有皮肤病图像 标注完成； 模型训练模块， 用于： 使用已标注的皮肤病图像对每个预测模型重复迭代训练， 直到各 预测模型收敛； 图像分割模块， 用于： 使用训练好的各预测模型分别对待分割的皮肤病图像进行分割 标注， 再使用多模型融合模块对各预测模型 的输出标签进行融合， 完成待分割皮肤病图像 的分割标注。 7.根据权利要求6所述的皮肤病图像分割装置， 其特征在于， 所述图像标注模块对皮肤 病图像进行 标注的具体过程包括： 采用两种主动学习不确定性策略 和 ， 分别对未标注的皮肤病图像中的像素 进行预分类， 记预分类分别为 和 ； 引入随机查询因子 ， 对随机查询因子 和预分类 、 进行加权 得到像素 的分类置信度 ； 通过共享分类置信度 ， 为分类置信度达到预设值的像素分配伪标签完成标注， 其余像素作为 不确定像素交由专 家完成标注； 使用当前 标注好的皮肤病图像， 继续对预测模型进行训练。 8.根据权利要求6所述的皮肤病图像分割装置， 其特征在于， 采用两种 主动学习不确定 性策略 和 对像素进行 预分类的方法为：权　利　要　求　书 2/3 页 3 CN 115393361 A 3