申请/专利权人：西北工业大学

申请日：2021-03-22

公开（公告）日：2024-03-19

公开（公告）号：CN113112454B

主分类号：G06T7/00

分类号：G06T7/00;G06T7/11;G06N3/0464;G06N3/0455;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.03.19#授权;2021.07.30#实质审查的生效;2021.07.13#公开

摘要：本发明公开了一种基于任务动态学习部分标记的医学图像分割方法，实现多器官和肿瘤的分割。该方法首先采用卷积神经网络搭建一个编码解码模块，以医学图像作为输入，提取图像的高级语义特征。接着通过一个任务编码模块，将不同任务对应的数据集进行编码，生成的one‑hot编码作为其任务先验。然后设计了一个控制器，以one‑hot编码和图像本身的特征为条件，为每一个图像生成特定任务的卷积核。最后，生成的卷积核在解码模块得到的特征图上进行卷积操作，得到对应任务的分割结果。本发明的分割模型可以在一个简单的分割网络下，高效地实现多个器官、多个肿瘤的同时分割并且能够巧妙地整合多个数据集的资源，能够实现更通用、泛化能力更强的多器官和肿瘤分割。

主权项：1.一种基于任务动态学习部分标记的医学图像分割方法，其特征在于，包括以下步骤：步骤1：采用编码解码器提取图像的特征；采用卷积神经网络构建编码-解码器；给定图像Xij，i表示图像数据集的索引，j表示数据集i里图像的索引；将图像Xij输入编码器生成图像Xij的高级语义特征Fij＝fEXij；θE，fE.表示编码器，θE表示编码器参数；再输入解码器通过上采样操作将图像Xij恢复到原始分辨率，得到预分割特征Mij＝fDXij；θD，fD.表示解码器，θD表示解码器参数；步骤2：对图像的部分标注信息进行任务编码；将图像Xij的部分标注信息编码到一个m维度的one-hot向量Tij∈{0,1}m作为任务编码，1表示带有标注，0表示没有标注；步骤3：以任务编码作为条件，设计控制器为每一幅图像生成相应任务的卷积核参数；所述控制器为单层卷积层或多个卷积层堆叠而成；对图像高级语义特征Fij进行全局平均池化操作，再和任务编码Tij进行级联操作后输入控制器，得到图像Xij的动态卷积核，具体表示如下： 其中，表示控制器，GAP.表示全局平均池化，表示控制器的参数；生成的卷积核ωij被划分为三组，ωij→{ωij1,ωij2,ωij3}，ωij1,ωij2,ωij3分别对应三个卷积层；步骤4：利用步骤3得到的动态卷积核对预分割特征Mij进行卷积操作，得到相应任务的分割图，具体表示如下：Pij＝Mij*ωij1*ωij2*ωij3其中，*表示卷积操作，Pij表示图像Xij在第i个任务上的分割结果；步骤5：每一个器官和相应肿瘤的分割均被视为二值分割问题，使用部分标记数据集中提供的任务标注作为监督信号，采用Diceloss和二值交叉熵损失函数作为损失函数，在整个部分标记数据集上优化步骤1到步骤4构建的图像分割模型，对应的优化公式为： 其中，θ表示整个分割模型的参数，Yij图像Xij的部分标注，表示损失函数，f.表示模型的前向计算，ni表示第i个部分标记数据集中图像的个数；得到最终的基于任务动态学习部分标记的医学图像分割模型。

全文数据：

权利要求：

百度查询： 西北工业大学 一种基于任务动态学习部分标记的医学图像分割方法

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