申请/专利权人：厦门大学

申请日：2020-10-29

公开（公告）日：2024-04-05

公开（公告）号：CN112308834B

主分类号：G06T7/00

分类号：G06T7/00;G06V10/26;G06V10/82;G06N3/0464;G06N3/0455;G06N3/084

优先权：

专利状态码：有效-授权

法律状态：2024.04.05#授权;2021.02.23#实质审查的生效;2021.02.02#公开

摘要：本发明公开了一种基于前向相关性的one‑shot脑图像分割方法，其包括以下步骤：S1、获取有标注图像和未标注图像y；S2、将有标注图像进行预处理并划分为图集x；S3、构建SiamENet模型，图集x及未标注图像y输入孪生编码器模块得到相关特征图；S4、双注意模块接收孪生编码器模块的相关特征图，融合图集x和未标注图像y的特征，得到融合特征；S5、将融合特征输送给解码器模块，解码器模块将相关特征图和融合特征进行融合，得到前向映射Δp；S6、图集x和前向映射Δp分别通过warp操作，得到重建图像和有标注重建图像本发明通过计算机视觉学习，进行映射建模，在现有的有标注图像基础上，学习图像的分割标签，提高了效率。

主权项：1.一种基于前向相关性的one-shot脑图像分割方法，其特征在于，包括以下步骤：S1、获取脑解剖结构图像并进行分类，得到有标注图像和未标注图像y；S2、将有标注图像进行预处理并划分为图集x；S3、构建SiamENet模型，SiamENet模型包括孪生编码器模块、双注意模块、解码器模块及损失函数模块，图集x及未标注图像y组成一组数据对并输入孪生编码器模块，分流处理得到这组数据的相关特征图；S4、双注意模块接收孪生编码器模块的相关特征图，并捕捉相关特征图的局部特征及全局特征，融合图集x和未标注图像y的特征，得到融合特征；S5、将融合特征输送给解码器模块，解码器模块同时接收孪生编码器模块分流处理得到的相关特征图和双注意模块的融合特征，将相关特征图和融合特征进行融合，配合损失函数模块约束得到图集x到未标注图像y的前向映射Δp；S6、图集x通过warp操作，得到重建图像y，将前向映射Δp通过warp操作应用在图集x的标注上，配合损失函数模块得到有标注重建图像ys；所述孪生编码器模块包括若干个用于学习图像浅层特征的编码子模块，通过编码子模块分流处理图集x和未标注图像y，将处理得到的结果进行特征融合后得到相关特征图，输入双注意模块，通过双注意模块分别学习相关特征图空间和通道的信息并传输给解码器模块；所述编码子模块具有5个分别为第一编码子模块、第二编码子模块、第三编码子模块、第四编码子模块及第五编码子模块组成处理流，孪生编码器具有2个处理流，每个处理流具有4个编码子模块，2个处理流同时连接第五编码子模块，第五编码子模块与双注意模块相连接；所述双注意模块包括空间注意模块及通道注意模块，分别在空间维度和通道维度上捕捉信息，将空间注意模块与通道注意模块的结果相加，得到新的特征图；所述解码器模块设有与编码子模块数量相匹配的解码子模块，分别为第一解码子模块、第二解码子模块、第三解码子模块、第四解码子模块及第五解码子模块，第一解码子模块分别与第五编码子模块及双注意模块相连接，第二解码子模块分别与2个处理流的第四编码子模块及第一解码子模块相连接，第三解码子模块分别与2个处理流的第三编码子模块及第二解码子模块相连接，第四解码子模块分别与2个处理流的第二编码子模块及第三解码子模块相连接，第五解码子模块与第四解码子模块相连接。

全文数据：

权利要求：

百度查询： 厦门大学 一种基于前向相关性的one-shot脑图像分割方法

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