买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：西安电子科技大学

摘要：本发明公开了一种基于自监督特征小样本学习的多器官分割方法，主要解决现有技术使用小样本学习分割法进行多器官分割效果差的问题。其方案是：使用超像素分割法从初始数据集中生成大量包含伪标签的数据，并从中选择图像和伪标签作为支持集；采用数据增强法生成查询集；使用自监督特征学习通过预训练的编码器提取支持集和查询集的图像特征，再计算两者的相似度获得前景信息和先验概率辅助信息特征图；构建分割网络对前景信息进行特征精炼得到支持集原型；根据支持集原型与先验概率辅助信息特征图计算分类概率，获得分割结果。本发明减少了大目标器官的过分割和欠分割现象，提升了小目标器官的识别，可用于医学图像的多器官分割，协助医生诊断疾病。

主权项：1.一种基于自监督特征小样本学习的多器官分割方法，其特征在于，包括：1使用超像素分割方法从原始数据中生成可供小样本学习训练集和测试集；1a以多器官分割影像数据集作为原始数据，利用基于超像素分割的无监督训练数据类别生成方法在原始训练数据中生成大量包含伪标签的数据，将生成的数据按照4:1划分为训练集和测试集；1b从训练集和测试集中分别随机选择一张图像和伪标签作为各自的支持集，并将支持集图像进行转换生成各自的查询集图像；1c将支持集图像对应的伪标签作为支持集标签，并将支持集图像对应的伪标签与图像一同转换为查询集的分割真值；1d由训练集中的支持集图像、标签及其生成的查询集图像、标签共同组成小样本学习训练集；1e由测试集中的支持集图像、标签及其生成的查询集图像、标签共同组成小样本学习测试集；2使用自监督特征学习模块从支持集和查询集中获得前景特征和先验概率辅助信息特征图；2a使用加载了预训练权重的编码器E分别对支持集和查询集的图像进行特征抽取，提取出图像特征图，得到支持集特征图Fs和查询集特征图Fq；实现如下：2a1设小样本学习分割任务的支持集图像为Is，查询集的图像为Iq，2a2将支持集图像Is输入网络E，得到支持集特征图Fs：Fs＝EIs2a3将查询集图像Iq输入网络E，得到查询集特征图Fq：Fq＝EIq；2b将支持集标签进行下采样到Fs的维度，再对Fs与支持集标签卷积得到前景特征Fgs；2c对查询集特征图Fq进行自监督特征学习，得到先验概率辅助信息特征图F′q；实现如下：2c1计算查询集特征图Fq与前景特征Fgs之间的余弦相似度，并对其进行最大化和归一化处理得到自监督先验概率图Msq，实现如下：2c1a计算每个像素查询集特征图Fq像素值与前景特征Fgs中每个像素值的余弦相似度psqi,jh,w： 其中，Fqi,j为查询集特征图Fq中坐标为i,j点的像素值，Fgsh,w为前景特征Fgs中坐标为h,w点的像素值，psqi,jh,w为Fq中的i,j点与Fgs中h,w点之间的余弦相似度；2c1b将所有点之间的余弦相似度psq中前景特征Fgs维度的最大值作为查询集特征图Fq与前景特征Fgs的相似度概率，得到全局相似度概率图p′sq： 其中，p′sqi,j为i,j点处的相似度概率；2c1c使用最大最小值归一化方法，将全局相似度概率图p′sq归一化到0-1区间中，得到查询集特征图Fq与前景特征Fs每个点的相似度自监督先验概率Msqi,j： 2c1d将查询集特征图Fq与前景特征Fgs每个点的相似度自监督先验概率Msqi,j，按照坐标i,j在查询集特征图Fq中的位置连接，组成相似度自监督先验概率图Msq；2c2使用先验概率图Msq和查询集特征图Fq，计算得到查询集的先验概率辅助信息特征图F′q：F′q＝Fq+Fq×Msq；3构建自监督小样本学习分割网络S从前景信息和先验概率辅助信息中获得分割分类概率；3a使用基于SSFs小样本学习分割方法中的分割网络对前景特征Fgs和查询集的先验概率辅助信息特征图F′q进行相似度匹配，得到相似度匹配结果图R，再使用softmax函数将相似度匹配结果图R每个像素点的值换算成标准的分类概率，得到分割网络的输出结果；其中使用基于SSFs小样本学习分割方法中的分割网络对前景特征Fgs和查询集的先验概率辅助信息特征图F′q进行相似度匹配,得到相似度匹配结果图R，实现如下：3a1通过池化操作，从前景特征Fgs中提取出每类最具有代表性的信息，得到表示某一类特征信息的支持集原型Ps：Ps＝maxpoolingFgs＝maxFgs,w其中，Fgs,w为前景特征Fgs中的每个像素点；3a2计算先验概率辅助信息特征图F′q与支持集原型Ps中每一类的相似度，以相似度代表匹配程度，得到先验概率辅助信息特征图F′q每个像素关于每一类的相似度匹配结果Rh,w： 其中，F′q,w为先验概率辅助信息特征图F′q在点,w处的像素值；3a3将每一类的相似度匹配结果Rh,w，按照坐标,w先验概率辅助信息特征图F′q中的位置，组成相似度匹配结果图R；3b使用训练集中的查询集的分割真值和分割网络的输出结果计算该分割网络的损失函数，并利用反向传播的方式迭代更新网络参数，直到进行100000次迭代后，得到训练好的自监督小样本学习分割网络S；4将测试集中的支持集和查询集输入到训练好的分割模型中，得到查询集的多器官分割结果。

全文数据：

权利要求：

百度查询： 西安电子科技大学 基于自监督特征小样本学习的多器官分割方法