(19)国家知识产权局
(12)发明 专利申请
(10)申请公布号
(43)申请公布日
(21)申请 号 202211308588.8
(22)申请日 2022.10.25
(71)申请人 中国科学院深圳先进技 术研究院
地址 518055 广东省深圳市南 山区深圳大
学城学苑大道1068号
(72)发明人 王珊珊 薛珍珍 李程 郑海荣
(74)专利代理 机构 北京市诚辉律师事务所
11430
专利代理师 吴敏 耿慧敏
(51)Int.Cl.
G06T 7/11(2017.01)
G06V 20/70(2022.01)
G06V 10/774(2022.01)
G06V 10/422(2022.01)
G06V 10/80(2022.01)G06V 10/82(2022.01)
(54)发明名称
一种基于部分标注数据学习的多器官分割
方法
(57)摘要
本发明属于医学影像技术领域, 特别涉及一
种基于部分标注数据学习的多器官分割方法, 包
括: 构建不同尺度下的语义特征, 获取不同尺度
下的图像; 图像包括多个器官的图像; 基于图像
的上下文的自适应权重层融合不同尺度下的分
割特征, 并基于器官大小分布的先验损失, 调整
不同器官的输出尺寸均值, 使每个器官的输出尺
寸均值与每个器官的先验比例值近似, 获取多器
官分割网络; 基于多器官分割网络, 对图像的每
个器官进行分割。 该方法能够 充分利用具有部分
标注的数据集, 通过多器官分割网络实现对输入
图像的每 个器官进行精确分割。
权利要求书1页 说明书7页 附图2页
CN 115546234 A
2022.12.30
CN 115546234 A
1.一种基于 部分标注数据学习的多器官分割方法, 其特 征在于, 包括:
构建不同尺度下的语义特 征, 获取不同尺度下的图像; 所述图像包括多个 器官的图像;
基于所述图像的上下文的自适应权重层融合不同尺度下的分割特征, 并基于所述器官
大小分布的先验损失, 调整不同器官 的输出尺寸均值, 使每个器官 的输出尺寸均值与每个
器官的先验比例值近似, 获取多器官分割网络;
基于所述多器官分割网络, 对所述图像的每 个器官进行分割。
2.根据权利要求1所述的基于部分标注数据 学习的多器官分割方法, 其特征在于, 所述
多器官分割网络包括多个数据集, 所述数据集包括完全标注的数据集和部分标注的数据
集;
所述完全标注的数据集包括对每 个器官进行 标注的数据集;
所述部分标注的数据集包括对部分器官进行 标注的数据集。
3.根据权利要求2所述的基于部分标注数据 学习的多器官分割方法, 其特征在于, 所述
数据集包括 LiTS数据集、 KiTS数据集、 Sple en数据集以及 BTCV数据集。
4.根据权利要求1所述的基于部分标注数据 学习的多器官分割方法, 其特征在于, 采用
金字塔输入输出构建不同尺度下的语义特 征。
5.根据权利要求4所述的基于部分标注数据 学习的多器官分割方法, 其特征在于, 所述
采用金字塔输入输出构建不同尺度下的语义特 征, 获取不同尺度下的图像, 包括:
获取医学影 像数据集, 并为所述医学影 像数据集作的图像中所有器官制作分割标签;
对所述医学影 像数据集中的数据进行空间金字塔池化操作, 获取不同尺度下的图像。
6.根据权利要求5所述的基于部分标注数据 学习的多器官分割方法, 其特征在于, 为所
述医学影 像数据集作的图像中所有器官制作分割标签之后, 获取完全标签数据集。
7.根据权利要求6所述的基于部分标注数据 学习的多器官分割方法, 其特征在于, 所述
器官大小分布的先验损失的获取, 包括:
假设平均器官的大小分布接 近平均器官的经验分布;
计算所述完全标签数据集的器官 大小统计信息;
基于所述器官 大小统计信息, 获取 所述器官 大小分布的先验损失。
8.根据权利要求2所述的基于部分标注数据 学习的多器官分割方法, 其特征在于, 所述
基于所述多器官分割网络, 对所述图像的每 个器官进行分割, 包括:
在所述多器官分割网络 中, 基于所述图像的上下文的自适应权重层融合不同尺度 下的
分割特征, 吸收图像的丰富信息, 获取训练模型;
对所述训练模型进行优化, 获取分割模型;
基于所述分割模型, 对所述图像的每 个器官进行分割。
9.根据权利要求8所述的基于部分标注数据 学习的多器官分割方法, 其特征在于, 依次
在所述完全标注的数据集、 所述部分标注的数据集的数据上交替训练和优化所述训练模
型, 获取分割模型。
10.根据权利要求1至9任一项所述的基于部分标注数据学习的多器官分割方法, 其特
征在于, 所述语义特征包括: 数据标准化、 扫描 数据的内部结构一致以及内部器官具有固定
的解剖和空间关系。权 利 要 求 书 1/1 页
2
CN 115546234 A
2一种基于部 分标注数据 学习的多器 官分割方 法
技术领域
[0001]本发明涉及医学影像技术领域, 尤其涉及 一种基于部分标注数据学习的多器官分
割方法。
背景技术
[0002]随着深度卷积神经网络的发展, 深度卷积神经网络在单器官分割方面表 现出良好
的性能。 然而, 在临床 应用中经常面临多器官分割问题。 使用单器官分割算法对多个器官进
行独立分割, 虽然简单明了, 但却失去了图像的全局性。 因此, 分割性能可能会下降。
[0003]然而, 为训练算法收集多器官标注比为单个器官数据集标注要困难得多。 在医学
图像分析领域, 大部分的数据出于各种研究目的标注的是不同的潜在危险器官。 如果能够
将这些多 单一器官标注的数据集结合起来训练一个多器官分割网络, 通过多器官分割网络
对图像进行多器官分割, 将具有极大的优势。
发明内容
[0004]针对上述现有技术, 本发明提出一种基于部分标注数据学习的多器官分割方法,
解决现有的分割方法欠 缺图像的全局性以及分割性能不佳的问题。
[0005]为了解决上述技术问题, 本发明提供了一种基于部分标注数据学习的多器官分割
方法, 包括: 构建不同尺度下 的语义特征, 获取不同尺度下 的图像; 所述图像包括多个器官
的图像; 基于所述图像的上下文的自适应权重层融合不同尺度下 的分割特征, 并基于所述
器官大小分布的先验损失, 调整不同器官 的输出尺寸均值, 使每个器官 的输出尺寸均值与
每个器官的先验比例值近似, 获取多器官分割网络; 基于所述多器官分割网络, 对所述图像
的每个器官进行分割。
[0006]一些示例性实施例中, 所述多器官分割网络包括多个数据集, 所述数据集包括完
全标注的数据集和部分标注的数据集; 所述完全标注的数据集包括对每个器官进 行标注的
数据集; 所述部分标注的数据集包括对部分器官进行 标注的数据集。
[0007]一些示例性实施例中, 所述数据集包括LiTS数据集、 KiTS数据集、 Spleen数据集以
及BTCV数据集。
[0008]一些示例性实施例中, 采用金字塔输入输出构建不同尺度下的语义特 征。
[0009]一些示例性实施例中, 所述采用金字塔输入输出构建不 同尺度下的语义特征, 获
取不同尺度下的图像, 包括: 获取医学影像数据集, 并为所述医学影像数据集作的图像中所
有器官制作分割 标签; 对所述医学影像数据集中的数据进行空间金字塔池化操作, 获取不
同尺度下的图像。
[0010]一些示例性实施例中, 为所述医学影像数据集作的图像中所有器官制作分割标签
之后, 获取完全标签数据集。
[0011]一些示例性实施例中, 所述器官大小 分布的先验损失的获取, 包括: 假设平均器官
的大小分布接近平均器官 的经验分布; 计算所述完全标签数据集的器官大小统计信息; 基说 明 书 1/7 页
3
CN 115546234 A
3
专利 一种基于部分标注数据学习的多器官分割方法
文档预览
中文文档
11 页
50 下载
1000 浏览
0 评论
0 收藏
3.0分
温馨提示:本文档共11页,可预览 3 页,如浏览全部内容或当前文档出现乱码,可开通会员下载原始文档
本文档由 SC 于 2024-02-18 22:26:50上传分享