申请/专利权人：吉林大学

申请日：2023-10-26

公开（公告）日：2024-01-12

公开（公告）号：CN117392389A

主分类号：G06V10/26

分类号：G06V10/26;G06V10/764;G06V10/82;G06N3/0895;G06V10/80;G06N3/0464

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.01.30#实质审查的生效;2024.01.12#公开

摘要：基于MT‑SASS网络的肾癌MRI图像分割分类方法属医学图像分割技术领域，本发明使用的网络结构包含生成器和判别器两个网络，生成器中加入分类头部以实现图像分类，判别器中加入注意力模块，损失函数采用监督损失和对抗损失之和进行计算。本发明使用MT‑SASS网络对肾癌MRI图像进行分割和分类，可充分利用未标记数据，能判断Ki67和肾癌细胞纹理结果的相关性。

主权项：1.一种基于MT-SASS网络的肾癌MRI图像分割分类方法，其特征在于包括下列步骤：1构建生成器，使用改进的V-Net网络，包括下列步骤：1.1V-Net是一种深层的卷积神经网络，使用3D卷积层来捕获体积数据中的局部和全局特征；V-Net网络由一个编码器模块和一个具有三个输出分支的解码器模块组成，其中一个输出分支用于分割映射，一个输出分支用于计算带符号距离映射，简称SDM，一个输出分支用于执行分类任务；编码器模块用于提取输入体积的特征表示，解码器模块用于生成分割和分类结果；编码器模块包括卷积块和下采样块，而解码器包括上采样块；在解码器的每个上采样块中，来自编码器的特征与当前阶段的特征相加以进行特征融合，并对融合后的特征图使用全局平均池化进行降维，通过两个线性层进行特征变换，最终输出一个长度为3的向量，用于分类任务；解码器还包括输出层，用于生成最终的分割结果；其中，分类头中使用修正线性单元激活函数，在最后的输出层中，使用双曲正切，简称Tanh激活函数；1.2在V-Net编码器部分并行添加一个轻量级SDM头部，SDM头部由一个3D卷积块和Tanh激活组成；给定输入图像，其数学表达式为：X∈RH×W×D其中：R为全体实数集；H为高度；W为宽度；D为深度；分割头部生成置信度评分映射，其数学表达式为：M∈[0,1]H×W×D,SDM头部生成SDM，其数学表达式为：S∈[-1,1]H×W×D置信度评分映射的生成公式和SDM的生成公式分别为：M＝fsegX；θ和S＝fsdmX；θ；其中：fseg表示V-Net网络中分割部分；fsdm表示V-Net网络中SDM部分；θ是分割网络的参数；S中的每个元素表示归一化后对应体素到其最近的表面点的带符号距离；2构建判别器网络DAM，包括下列步骤：判别器网络DAM由混合注意力模块、五个卷积层和一个多层感知器组成，以SDM和输入体积作为输入，通过卷积层将它们融合，并预测其被标记数据的类概率；DAM的损失函数称为对抗损失；3综合损失函数综合损失函数采用监督损失和对抗损失的和进行计算，其中：监督损失在标记集上，对改进的V-Net网络的损失采用一个Dice损失SDM损失分类损失为加权相加得到； 其中：α是和两个损失项的加权系数； 其中：yi是网络对输入图像Xi的SDM预测，y′i是真实的SDM值，n是样本数量； 其中：xi是真实的类别标签的独热编码，x′i是网络对类别i的预测概率；对抗损失该损失在标记集和未标记集上强制SDM预测的一致性，通过区分来自标记集的预测SDM，由于监督，这些预测SDM应该是高质量的，以及来自未标记集的预测SDM；最小化由该判别器引起的对抗损失使网络学习有效的形状感知特征； 其中：D表示判别器，将其参数定义为ζ；Sn＝fsdmXn；θ6Sm＝fsdmXm；θ7将最终的损失函数定义为： 其中：γ是平衡两个损失项的权重系数。

全文数据：

权利要求：

百度查询： 吉林大学 基于MT-SASS网络的肾癌MRI图像分割分类方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD