基于半监督学习的痤疮分级方法、系统、设备及存储介质

技术特征：
1.一种基于半监督学习的痤疮分级方法，其特征在于，包括如下步骤：步骤s1，获取样本数据从脸部痤疮公开数据集中获取面部痤疮图像样本数据以及对应的标签，其中，面部痤疮图像样本数据包括有标签样本数据、无标签样本数据，标签包括分级标签和痤疮计数标签；步骤s2，搭建模型搭建半监督学习网络模型，半监督学习网络模型包括一个教师网络和一个学生网络；步骤s3，训练模型利用步骤s1中获取的面部痤疮图像样本数据以及对应的标签，输入步骤s2中搭建的半监督学习网络模型，完成半监督学习网络模型的训练；步骤s4，实时分级将实时获取的面部痤疮图像输入半监督学习网络模型，输出分级结果；在步骤s3进行模型的训练时，具体的训练方法为：先采用有标签样本数据对学生网络进行有监督训练，再采用无标签样本数据对学生网络、教师网络进行半监督训练；训练过程中，采用滑动指数平均方式来通过学生网络的权值更新教师网络的权值，更新公式为：；其中，表示在t时刻时学生网络的权值参数，表示在t时刻时教师网络的权值参数，表示在t-1时刻时教师网络的权值参数，是一个平滑系数的超参数。2.如权利要求1所述的一种基于半监督学习的痤疮分级方法，其特征在于：脸部痤疮公开数据集为脸部痤疮公开数据集acne04。3.如权利要求1所述的一种基于半监督学习的痤疮分级方法，其特征在于：步骤s3中，在采用有标签样本数据对学生网络进行有监督训练时，采用的分级损失函数为：其中，表示输入的第张图片，表示第张图片的分级标签，表示控制分布的维度的参数，被设置为1，表示有序分分级值，其中，表示表示痤疮严重程度的分数总数；表示实际分布概率，表示学生模型预测的属于分级的预测概率分布；在计算实际分布概率时，具体公式计算为:
其中，是控制分布的维度的参数，被设置为1，为有序分级值，其中，表示痤疮严重程度的分数总数，表示第张图片的分级标签，是一个正则化参数以确保整个部分的概率总和为1。4.如权利要求1所述的一种基于半监督学习的痤疮分级方法，其特征在于：步骤s3中，在采用有标签样本数据对学生网络进行有监督训练时，采用的计数损失函数为：其中，表示输入的第张图片，表示第张图片的痤疮计数标签，是分布的标准差，被设置为3，是痤疮病变的数量，，表示痤疮总个数，表示作为输入时学生网络输出的预测计数概率；在计算实际计数概率时，具体公式计算为：其中，是分布的标准差，被设置为3，是痤疮病变的数量，，表示痤疮总个数；表示第张图片的痤疮计数标签。5.如权利要求1所述的一种基于半监督学习的痤疮分级方法，其特征在于：步骤s3中，在采用有标签样本数据对学生网络进行有监督训练时，累计分级损失函数为：其中，表示输入的第张图片，表示第张图片的分级标签，表示第张图片的
痤疮计数标签；是分布的标准差，被设置为3;是有序分分级值，其中，表示表示痤疮严重程度的分数总数; 表示属于分级的痤疮计算范围；在计算实际计数概率时，具体计算公式为：其中，是分布的标准差，被设置为3，是痤疮病变的数量，，表示痤疮总个数；表示第张图片的痤疮计数标签；在计算累计实际分级概率时，具体计算公式为：其中，是分布的标准差，被设置为3;是有序分分级值，其中，表示表示痤疮严重程度的分数总数; 表示第张图片的痤疮计数标签；是痤疮病变的数量，，表示痤疮总个数; 表示属于分级的痤疮计算范围。6.如权利要求1所述的一种基于半监督学习的痤疮分级方法，其特征在于：步骤s3中，在采用无标签样本数据对学生网络、教师网络进行半监督训练时，采用的一致性损失函数为：其中，表示输入的第张图片，是有序分分级值，其中，表示表示痤疮严重程度的分数总数；表示学生网络输出的学生预测分级概率，表示教师网络输出的教师预测分级概率。7.如权利要求1所述的一种基于半监督学习的痤疮分级方法，其特征在于：步骤s3中，在采用无标签样本数据对学生网络、教师网络进行半监督训练时，采用的特征相似度损失函数为：
其中，代表正则，、分别对应学生网络和教师网络的第个相似度列向量，表示训练时从数据集中采样的数据，b表示计算相似度时一次采样的图片的张数，表示无标签数据集，表示有标签数据集。8.一种基于半监督学习的痤疮分级系统，其特征在于，包括：样本数据获取模块，用于从脸部痤疮公开数据集中获取面部痤疮图像样本数据以及对应的标签，其中，面部痤疮图像样本数据包括有标签样本数据、无标签样本数据，标签包括分级标签和痤疮计数标签；模型搭建模块，用于搭建半监督学习网络模型，半监督学习网络模型包括一个教师网络和一个学生网络；模型训练模块，用于利用样本数据获取模块中获取的面部痤疮图像样本数据以及对应的标签，输入模型搭建模块中搭建的半监督学习网络模型，完成半监督学习网络模型的训练；实时分级模块，用于将实时获取的面部痤疮图像输入半监督学习网络模型，输出分级结果；在模型训练模块进行模型的训练时，具体的训练方法为：先采用有标签样本数据对学生网络进行有监督训练，再采用无标签样本数据对学生网络、教师网络进行半监督训练；训练过程中，采用滑动指数平均方式来通过学生网络的权值更新教师网络的权值，更新公式为：；其中，表示在t时刻时学生网络的权值参数，表示在t时刻时教师网络的权值参数，表示在t-1时刻时教师网络的权值参数，是一个平滑系数的超参数。9.一种计算机设备，其特征在于：包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。10.一种计算机可读存储介质，其特征在于：存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1至7中任一项所述方法的步骤。

技术总结
本发明公开了一种基于半监督学习的痤疮分级方法、系统、设备与存储介质，涉及面部痤疮的识别与分级，其目的在于解决现有技术中存在的因模型没有包含分级所需的痤疮计数信息而导致的分级预测准确率低的技术问题。其通过搭建半监督学习网络模型，模型训练时先采用有标签样本数据对学生网络进行有监督训练，再采用无标签样本数据对学生网络、教师网络进行半监督训练；训练过程中，采用滑动指数平均方式来通过学生网络的权值更新教师网络的权值。本申请基于半监督面部痤疮分级，在训练时不需要过多的有标签数据，可以从大量的无标签数据中自动学习特征，从而达到有标签和无标签数据之间互补。互补。互补。


技术研发人员：蒋献 张蕾 刘文杰 李佳奇 杜丹 张楗伟 魏新 王君有
受保护的技术使用者：四川大学华西医院
技术研发日：2022.11.07
技术公布日：2022/12/6