申请/专利权人：华中师范大学

申请日：2021-07-28

公开（公告）日：2024-04-26

公开（公告）号：CN113763406B

主分类号：G06T7/13

分类号：G06T7/13;G06T3/4053;G06T3/4007;G06T3/4046;G06N3/0464;G06V10/32;G06T7/00;G06V10/82;G06N3/045;G06N3/096;G06N3/0895;A61B5/055;A61B5/00

优先权：

专利状态码：有效-授权

法律状态：2024.04.26#授权;2021.12.24#实质审查的生效;2021.12.07#公开

摘要：本发明属于医学图像分割领域，提供一种基于半监督学习的婴儿脑MRI分割方法，该方法利用三维SRGAN模型将正常分辨率的MRI生成为高分辨率的MRI，然后将正常分辨率的MRI和提高分辨率的MRI共同输入到HLUNet模型中进行分割，三维SRGAN模型生成高分辨率的MRI扩充了数据量，提高了婴儿脑组织边界图像分辨率，提高了分割效果。本发明基于半监督学习的脑分割方法，节省了大量的打标签的资源消耗，适用于医学临床场景。

主权项：1.基于半监督学习的婴儿脑MRI分割方法，其特征在于该方法包括以下步骤：1利用无标签的MRI数据训练三维SRGAN模型，生成高分辨率的MRI；三维SRGAN模型是用以提高图像分辨率的生成对抗网络，将正常分辨率的脑MRI输入三维SRGAN模型，在三维SRGAN模型内先经历特征学习，然后使用插值法放大尺寸生成高分辨率的脑MRI；2将三维SRGAN模型生成的高分辨率的MRI和正常分辨率的MRI一起作为分割模型的数据输入，其中分割模型为HLUNet模型；具体为将正常分辨率的MRI定义为XL，高分辨率的MRI定义为XH，其中 即高分辨MRI的长L、宽W、高H是正常分辨率MRI的2倍；HLUNet模型是基于传统UNet模型的修改，用以满足正常图像和其放大2倍长、宽、高的图像的共同输入；具体的，在传统的UNet编码和解码结构基础上，新增了一条专门处理高分辨率图像的编码流程，该流程所产生的特征集和正常分辨率图像编码流程产生的特征集一起作为解码流程输入，正常分辨率图像的编码解码流程是4层结构，而高分辨率图像的编码流程有5层结构，在每一层上，每个输入特征集都经过2次卷积操作，最底层将高分辨率图像特征和正常分辨率图像特征经过拼接后再做卷积操作，得到上采样处理的输入；在解码阶段，将来自高分辨率的特征和正常分辨率的特征以及从下一层上采样而来的特征级联到一起，然后再做卷积操作，经过上述编码解码处理，最后输出分割为灰质、白质、脑脊液和背景4个类别的图像；3使用基于半监督学习的均衡教师框架搭建半监督婴儿脑MRI的分割网络，均衡教师框架内教师网络和学生网络使用的分割模型为步骤2中的HLUNet模型；半监督婴儿脑MRI分割网络结构基于均衡教师框架，均衡教师框架内的学生网络和教师网络都由HLUNet构成，学生网络和教师网络共享权重参数，教师网络指导学生网络通过指数移动平均策略来更新权重参数的值；4对HLUNet模型进行基于均衡教师框架的训练，损失包括分割损失与一致性正则约束损失；具体为正常分辨率的MRI图像和经过三维SRGAN模型提高了分辨率的MRI图像作为整个网络的输入，标签为正常分辨率MRI对应的标签，计算学生网络的输出和标签之间的分割损失，计算教师网络输出和学生网络输出的一致性正则约束损失；教师网络执行两次，然后两次输出分别与学生网络的输出计算一致性损失，将这两个结果的平均值作为一致性正则约束的损失，将一致性正则约束损失和分割损失一起传回网络，调整分割网络的权重参数；分割损失由交叉熵损失LCE和Dice损失LDice构成；交叉熵损失LCE表示为： 其中，N表示样本总数量，Yi表示真实的标签，表示预测的输出；Dice损失LDice表示为： 其中，和|Yi|分别表示预测结果和真实标签，表示和|Y|的交集；分割损失表示为：LSEG＝LCE+LDice使用均方误差LMSE来表示一致性正则约束LC；均方误差LMSE表示如下： 方法总的损失函数loss表示为：loss＝LC+LSEG；5使用经步骤4训练后的HLUNet模型对婴儿脑MRI进行分割，得到分割结果；6对HLUNet模型分割结果和真实标签之间计算相应的指标分数，用以评价模型分割效果，指标分数包括Dice系数和平均表面距离ASD；Dice系数用以评价两个图像之间的相似程度，平均表面距离ASD计算图像内所有点的距离的平均数。

全文数据：

权利要求：

百度查询： 华中师范大学 基于半监督学习的婴儿脑MRI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