申请/专利权人：中国科学院精密测量科学与技术创新研究院

申请日：2023-12-31

公开（公告）日：2024-06-14

公开（公告）号：CN118196404A

主分类号：G06V10/26

分类号：G06V10/26;G06V10/774;G06V10/764;G06V10/82;G06N3/045;G06N3/0464;G06N3/0895;G06N3/096

优先权：

专利状态码：在审-公开

法律状态：2024.06.14#公开

摘要：本发明公开了基于强扰动图像增强的半监督人工智能MR影像分割方法，包括步骤如下：对原始MR图像进行预处理及数据增强；构建基础教师‑学生模型，初始化教师模型和学生模型的权值；构建不确定性引导的区域丢失策略优化模块，并计算输入图像的每个体素的不确定性，筛选扰动图像块以对原始数据进行增强；设计各项损失函数；在不确定性及整个框架的学习目标的指导下训练模型，并选取最佳模型对待测图像进行分割。本发明减少了训练过程中图像各体素信息的丢失，能充分利用图像各部分信息，同时可以生成比原始数据更具挑战性的训练样本，增强数据的复杂性与多样性，有效提升了分割的准确性与真实性。

主权项：1.基于强扰动图像增强的半监督人工智能MR影像分割方法，其特征在于，包括以下步骤：步骤1、将原始MR图像划分为训练集和测试集，训练集中的原始MR图像按比例划分为有标记原始数据集和无标原始记数据集；获取有标记原始数据集中的原始MR图像对应的真实标签，对应得到有标记的原始MR图像和有标记的原始MR图像对应的真实标签；无标记原始数据集中的原始MR图像作为无标记的原始MR图像；然后对训练集和测试集中所有的原始MR图像进行扰动增强，得到扰动增强训练集以及扰动增强测试集，扰动增强训练集中包括无标记的扰动增强的MR图像、有标记的扰动增强的MR图像以及有标记的扰动增强的MR图像对应的真实标签；步骤2、构建教师-学生模型；教师-学生模型包括教师模型和学生模型；扰动增强训练集中扰动增强的MR图像添加噪声后，得到添加噪声后扰动增强的MR图像，添加噪声后扰动增强的MR图像输入至学生模型，另外，扰动增强训练集中扰动增强的MR图像添加噪声得到添加噪声后扰动增强的MR图像，添加噪声后扰动增强的MR图像输入至教师模型；初始化教师模型和学生模型的权值；步骤3、利用添加噪声后扰动增强的MR图像，对教师模型执行随机前向预测，得到添加噪声后扰动增强的MR图像对应的伪标签；并计算添加噪声后扰动增强的MR图像的每个体素的softmax概率向量；根据每个体素的softmax概率向量计算对应的预测熵，设置自适应阈值，根据预测熵及自适应阈值从添加噪声后扰动增强的MR图像的体素划分出扰动体素，利用扰动体素和添加噪声后扰动增强的MR图像对应的伪标签提取扰动图像块和扰动图像块的掩码；然后利用有标记的扰动增强的MR图像、有标记的扰动增强的MR图像对应的真实标签、扰动图像块以及扰动图像块的掩码构建强扰动增强的MR图像和强扰动增强的MR图像对应的伪标签；步骤4、设计总损失函数；步骤5、利用训练集、强扰动增强的MR图像以及强扰动增强的MR图像对应的伪标签训练教师-学生模型；步骤6、输入待分割的扰动增强的MR图像至训练完成后的学生模型进行分割。

全文数据：

权利要求：

百度查询： 中国科学院精密测量科学与技术创新研究院 基于强扰动图像增强的半监督人工智能MR影像分割方法

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