(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

PDF文档 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
专利 一种基于部分标注数据学习的多器官分割方法 第 1 页 专利 一种基于部分标注数据学习的多器官分割方法 第 2 页 专利 一种基于部分标注数据学习的多器官分割方法 第 3 页
下载文档到电脑,方便使用
本文档由 SC 于 2024-02-18 22:26:50上传分享
站内资源均来自网友分享或网络收集整理,若无意中侵犯到您的权利,敬请联系我们微信(点击查看客服),我们将及时删除相关资源。