技术特征：
1.一种基于迭代学习的半监督人眼多要素分割方法，其特征在于，包括以下步骤：(1)将可见光下眼部数据集划分为有标签眼部数据集和无标签眼部数据集；(2)基于所述有标签眼部数据集利用有监督深度学习网络进行训练，得到预训练模型；(3)基于所述预训练模型通过前向推理获取所述无标签眼部数据集的伪标签；(4)基于所述有标签眼部数据集对所述无标签眼部数据集和伪标签进行筛选，得到信任数据集；(5)将所述有标签眼部数据集和信任数据集输入至所述有监督深度学习网络进行再训练，若未达到训练完成要求，则返回所述步骤(3)，否则结束训练得到人眼分割模型；(6)采用所述人眼分割模型对人眼进行多要素分割。2.根据权利要求1所述的基于迭代学习的半监督人眼多要素分割方法，其特征在于，所述步骤(4)具体为：(41)基于所述有标签眼部数据集中的标签获取标准参数；(42)基于所述伪标签获取所述无标签眼部数据集中每张图像数据的伪标签参数；(43)将所述标准参数与所述伪标签参数进行比较，若所述伪标签参数的总错误率小于阈值，则将所述伪标签参数对应的图像数据和伪标签加入到所述信任数据集中。3.根据权利要求2所述的基于迭代学习的半监督人眼多要素分割方法，其特征在于，所述步骤(41)具体为：根据所述标签提取巩膜标签、虹膜标签和瞳孔标签，由所述巩膜标签、虹膜标签和瞳孔标签合成全眼标签；分别计算所述全眼标签、虹膜标签和瞳孔标签的凸性和坚固性；分别求所述全眼标签、虹膜标签和瞳孔标签的平均凸性和平均坚固性，并将所述平均凸性和平均坚固性作为标准参数。4.根据权利要求3所述的基于迭代学习的半监督人眼多要素分割方法，其特征在于，所述步骤(42)具体为：根据所述伪标签提取伪巩膜标签、伪虹膜标签和伪瞳孔标签，由所述伪巩膜标签、伪虹膜标签和伪瞳孔标签合成伪全眼标签；分别计算每张图像数据对应的伪全眼标签、伪虹膜标签和伪瞳孔标签的凸性和坚固性。5.根据权利要求4所述的基于迭代学习的半监督人眼多要素分割方法，其特征在于，所述步骤(43)具体为：分别计算每张图像数据对应的伪全眼标签、伪虹膜标签和伪瞳孔标签的凸性和坚固性与所述平均凸性和平均坚固性的差值；根据所述差值采用加权求和的方式计算总错误率；若所述伪标签参数的总错误率小于阈值，则将所述伪标签参数对应的图像数据和伪标签加入到所述信任数据集中。6.根据权利要求2所述的基于迭代学习的半监督人眼多要素分割方法，其特征在于，所述步骤(41)具体为：根据所述标签提取巩膜标签、虹膜标签和瞳孔标签；分别计算所述巩膜标签、虹膜标签和瞳孔标签的hu矩；计算所述巩膜标签、虹膜标签和瞳孔标签的hu矩统计量作为标准参数。7.根据权利要求6所述的基于迭代学习的半监督人眼多要素分割方法，其特征在于，所述步骤(42)具体为：根据所述伪标签提取伪巩膜标签、伪虹膜标签和伪瞳孔标签；分别计算每张图像数据对应的伪巩膜标签、伪虹膜标签和伪瞳孔标签的hu矩。8.根据权利要求7所述的基于迭代学习的半监督人眼多要素分割方法，其特征在于，所述步骤(43)具体为：分别计算每张图像数据对应的伪巩膜标签、伪虹膜标签和伪瞳孔标签的hu矩与所述巩膜标签、虹膜标签和瞳孔标签的hu矩统计量的差值；根据所述差值采用加
权求和的方式计算总错误率；若所述伪标签参数的总错误率小于阈值，则将所述伪标签参数对应的图像数据和伪标签加入到所述信任数据集中。
技术总结
本发明涉及一种基于迭代学习的半监督人眼多要素分割方法，包括以下步骤：将可见光下眼部数据集划分为有标签眼部数据集和无标签眼部数据集；基于有标签眼部数据集利用有监督深度学习网络进行训练，得到预训练模型；基于预训练模型通过前向推理获取无标签眼部数据集的伪标签；基于有标签眼部数据集对无标签眼部数据集和伪标签进行筛选，得到信任数据集；将有标签眼部数据集和信任数据集输入至有监督深度学习网络进行再训练，若未达到训练完成要求，则返回上述的伪标签获取步骤，否则结束训练得到人眼分割模型；采用人眼分割模型对人眼进行多要素分割。本发明能够在使用少量标签数据的情况下，提升模型的精度和鲁棒性。提升模型的精度和鲁棒性。提升模型的精度和鲁棒性。
技术研发人员：祁若宸 朱冬晨 张广慧 石文君 李嘉茂 张晓林
受保护的技术使用者：中国科学院上海微系统与信息技术研究所
技术研发日：2022.05.09
技术公布日：2022/9/26