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:天津大学
摘要:本发明公开一种面向肺癌的智能化靶区及危及器官分割方法,采用面向肺癌的靶区及危及器官的共同分割网络框架进行双路径分割;该共同分割网络框架包含教师模型和学生模型,两个模型均采用nnU‑Net作为主干;对于危及器官和靶区,分别给定预定义的辅助条件信息在上采样过程中嵌入,在解码过程中连接到对应的解码器,融合预测的掩码以获得最终分割结果。本发明的能精确高效地对靶区和危及器官进行分割。
主权项:1.面向肺癌的智能化靶区及危及器官分割方法,其特征在于,采用面向肺癌的靶区及危及器官的共同分割网络框架进行双路径分割;该共同分割网络框架包含教师模型和学生模型,两个模型均采用nnU-Net作为主干;对于危及器官和靶区,分别给定预定义的辅助条件信息在上采样过程中嵌入,在解码过程中连接到对应的解码器,融合预测的掩码以获得最终分割结果;输入的数据中的靶区标记数据与危及器官标记数据作为标记数据,输入学生模型用于有监督的靶区分割,靶区未标记数据输入教师模型用于半监督的危及器官分割;学生模型通过最小化相对于教师模型目标的组合损失和一致性损失来向教师模型学习;教师模型的权重通过学生模型权重的指数移动平均EMA进行更新,以提高不同训练过程中的表现质量;教师模型在生成预测掩码的同时估计危及器官的不确定性特征地图,用以指导学生模型从教师模型学习更可靠的目标;学生模型,通过结合全监督损失和无监督一致性损失进行优化,在有监督的靶区分割中,训练所用CT影像数据和掩码从靶区数据集中随机采样并输入至网络训练,并且靶区分割模型仅通过全监督损失进行优化;利用预定义辅助条件信息,引入条件策略,打破不同独立数据集之间标记目标不同的壁垒,实现不同标记数据集之间的共同学习,引入半监督学习机制辅助危及器官分割,使得靶区和危及器官的分割任务互不干扰,实现对靶区和危及器官的共同学习;输入为数据为CT影像,CT影像来自于LCTSC数据集和MSDLT数据集,其中危及器官标记数据来源于LCTSC数据集,靶区标记数据来源于MSDLT数据集;LCTSC和MSDLT之间的标记数据没有交集;在靶区分割的路径中,监督损失定义为: 其中,主要分割任务用Dice损失辅助分类采用Focal损失优化,yn表示靶区的标记区域,pn表示分割模型预测区域,α和γ为Focal损失系数;在危及器官的分割中,损失定义为: 分割损失基于Dice,分类损失换成交叉熵损失函数,Π表示指数函数,p′υ、pυ和υυ分别表示教师模型、学生模型和不确定性预测的结果,H是选定目标的阈值;辅助条件信息表现形式为条件张量,与其同层下采样的输出和前上采样的输出具有相同的尺寸大小,危及器官和靶区对应的条件张量初始值不相等;双路径分割是通过引入条件策略来执行的,在上采样期间,辅助条件信息将作为附加输入层合并到每个上采样过程中,条件策略在上采样过程中执行的,不干扰下采样过程,编码器的输出是一种可共享的特征图。
全文数据:
权利要求:
百度查询: 天津大学 一种面向肺癌靶区及危及器官智能分割方法
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。