(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