基于混合置信度的乳腺超声分类网络

本发明提出了一种基于混合置信度的半监督学习方法，针对超声图像分类中的标注数据匮乏问题，提出了一种基于一致性正则化的半监督学习方法。该方法通过结合高置信度数据的伪标签学习和低置信度数据的Mixup增强策略，提升了分类性能。对于高置信度的未标注数据，采用多种数据扰动和弱扰动的数据一致性正则化方法进行训练。在此过程中，通过对未标注数据进行不同形式的扰动(如噪声、旋转、裁剪等)，并使模型在这些扰动下的输出保持一致性，从而提高高置信度数据对模型学习的贡献。这种正则化方法有助于引导模型关注数据的内在特征，并减少模型对噪声的敏感度。同时，对于低置信度的未标注数据，采用Mixup方法，在标注数据上进行数据增强，通过加权组合不同标签的信息，提升这些数据的置信度，从而进一步增强模型的稳定性和鲁棒性。