金兰依, 郭树旭, 马树志, 刘晓鸣, 孙长建, 李雪妍

(吉林大学 电子科学与工程学院, 长春 130012)

0　引　言

传统的机器学习算法需要采用大量的有标记样本进行学习, 从而建立模型用于预测未知样本的标记, 即监督学习。监督学习是机器学习中被研究最多, 且应用最广泛的一种学习途径[1]。近年来, 随着计算机技术的飞速发展, 数据的收集和存储已变得相当容易, 使深度学习技术在人工智能的许多领域取得了卓越的成果[2]。

目前, 深度学习的方法大多采用监督学习模式[3-5], 而实际应用中, 获取大量有标记的示例可能需要耗费大量的人力物力。利用少量标注样本和大量未标注样本进行的机器学习, 即介于无监督学习和有监督学习之间的半监督学习, 减少了对人工标注的依赖。

在许多实际任务中, 标签数据很少, 标签可能需要人工注释、 特殊装置或缓慢的实验获得。半监督学习在标签实例较少的情况下, 可利用标记数据和未标记的数据实现与监督学习相同的性能水平[6,7]。因此, 半监督学习的现实需求非常强烈, 具有巨大的实践价值[8]。例如, 医疗影像仪器(如： CT(Computed Tomography)、 MIR(Magnetic Resonance Imaging)、 PET(Positron Emission Tomography)等)的诊断信息均以影像的形式表现, 医院中有大量的医学影像数据, 但若依靠医学专家把影像中的感兴趣区域全部标注是不现实的。因此, 利用计算机辅助医学影像分析, 把医学影像划分为若干个互不相交的连通区域, 使医学影像在整个区域内都满足局部特征, 从而提取出感兴趣区域, 为医学影像的特征提取、 识别、 三维可视化以及定量分析等提供分析基础。……