申请/专利权人：天津医科大学第二医院;天津医科大学朱宪彝纪念医院(天津医科大学代谢病医院、天津代谢病防治中心)

申请日：2023-08-24

公开（公告）日：2024-03-29

公开（公告）号：CN116797612B

主分类号：G06T7/11

分类号：G06T7/11;G06N3/0895;G06T3/4076;G06T7/70;G06V10/25;G06V10/26;G06V10/774;G06V10/82

优先权：

专利状态码：有效-授权

法律状态：2024.03.29#授权;2023.10.13#实质审查的生效;2023.09.22#公开

摘要：本发明提供基于弱监督深度活动轮廓模型的超声图像分割方法及装置，涉及超声图像处理的技术领域，所述方法包括：获取原始超声图像；对所述原始超声图像进行虚拟标注，获取标注后的超声图像；提取所述标注后的超声图像中病变区域周围的感兴趣区域ROI；将所述标注后的超声图像和所述ROI输入训练好的弱监督深度活动轮廓模型，输出所述原始超声图像的分割图像。本发明通过自动进行虚拟标注，合理的设置训练步骤和损失函数，得到弱监督深度活动轮廓模型，实现图像自动分割，解决了人工标注效率低下且成本高的问题，提高了图像分割的效率和准确率。

主权项：1.基于弱监督深度活动轮廓模型的超声图像分割方法，其特征在于，包括如下步骤：步骤S0，获取原始超声图像；步骤S1，对所述原始超声图像进行虚拟标注，获取标注后的超声图像；所述进行虚拟标注为：基于所述原始超声图像的凝视数据与切片数据，对病变区域进行标注；提取所述标注后的超声图像中病变区域周围的感兴趣区域ROI为：基于所述标注后的超声图像的凝视数据，对所述病变区域进行标注，以获得所述病变区域周围的感兴趣区域ROI；其中，所述凝视数据为用户观看超声图像时所凝视的位置，所述切片数据为切片器对超声图像进行切片处理得到的数据；步骤S2，提取所述标注后的超声图像中病变区域周围的感兴趣区域ROI；步骤S3，将所述标注后的超声图像和所述ROI输入训练好的弱监督深度活动轮廓模型，输出所述原始超声图像的分割图像；弱监督深度活动轮廓模型训练步骤如下：步骤S31，获取历史超声图像；步骤S32，对所述历史超声图像进行虚拟标注，获取标注后的超声图像；步骤S33，提取所述标注后的超声图像中病变区域周围的感兴趣区域ROI；步骤S34，将所述标注后的超声图像和所述ROI输入所述弱监督深度活动轮廓模型，得到生成器网络输出的伪图像；步骤S35，通过所述伪图像和所述标注后的超声图像对所述弱监督深度活动轮廓模型的鉴别器网络进行训练，当所述鉴别器网络判定所述伪图像为真时，训练结束；所述生成器网络的对抗性损失函数如下：lG=lMSE+σlD其中，lG是生成器网络的对抗性损失函数，lMSE是所述生成器网络和所述鉴别器网络内容标准损失函数，而lD是所述鉴别器网络的对抗性损失函数，是10-3；所述鉴别器网络的对抗性损失函数如下： ；其中，N是训练的迭代次数，l是原始图像样本，Gl是根据原始图像样本生成的伪图像，DGl是判定所述生成器网络生成的伪图像为真的概率；所述鉴别器网络的内容标准损失函数如下： ；其中，W为低分辨率的伪图像和高分辨率的伪图像的宽度，H为所述低分辨率的伪图像和高分辨率的伪图像的高度，r是比例，指的是高分辨率的伪图像，指的是低分辨率的伪图像，G是生成器网络。

全文数据：

权利要求：

百度查询： 天津医科大学第二医院;天津医科大学朱宪彝纪念医院(天津医科大学代谢病医院、天津代谢病防治中心) 基于弱监督深度活动轮廓模型的超声图像分割方法及装置

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