申请/专利权人：河北工业大学

申请日：2024-04-07

公开（公告）日：2024-07-05

公开（公告）号：CN118297959A

主分类号：G06T7/10

分类号：G06T7/10;G06N3/0455;G06N3/0464;G06N3/096;G06N3/0895

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.07.23#实质审查的生效;2024.07.05#公开

摘要：本发明公开了一种基于双任务一致性学习的半监督三维冠状动脉分割方法，首先获取若干三维冠状动脉CTA图像，并进行预处理；然后，构建平均教师模型；平均教师模型包括学生模型和教师模型，学生模型和教师模型均包括编码器和解码器；编码器包括多个自适应残差特征增强模块，自适应残差特征增强模块之间进行下采样；解码器包括多个卷积模块，卷积模块之间进行上采样；编码器的各个自适应残差特征增强模块和解码器对应的卷积模块之间进行跳跃连接；最后，引入双任务一致性学习，对平均教师模型进行半监督训练，将训练后的教师模型或学生模型作为分割模型，用于三维冠状动脉的分割。该方法使用的分割模型能够捕获更多的冠状动脉细节，自适应地增强更重要的特征，使得分割结果更加准确；双任务一致性学习关注跨任务一致性无监督损失的同时还关注任务内一致性无监督损失。

主权项：1.一种基于双任务一致性学习的半监督三维冠状动脉分割方法，其特征在于，包括以下步骤：第一步，获取若干三维冠状动脉CTA图像，并对图像进行预处理；第二步，构建平均教师模型；平均教师模型包括学生模型和教师模型，学生模型和教师模型均包括编码器和解码器；编码器包括多个自适应残差特征增强模块，自适应残差特征增强模块之间进行下采样；解码器包括多个卷积模块，卷积模块之间进行上采样；编码器的各个自适应残差特征增强模块和解码器对应的卷积模块之间进行跳跃连接；第三步，引入双任务一致性学习，对平均教师模型进行半监督训练，将训练后的教师模型或学生模型作为分割模型，用于三维冠状动脉的分割；有标签数据和经过强增强的无标签数据输入到学生模型或教师模型中，经过双任务一致性学习将输出特征图分别通过Tanh函数和3D卷积操作转换为符号距离图fdis和分割预测图fseg；经过弱增强的无标签数据输入到教师模型或学生模型，经过双任务一致性学习将输出特征图分别通过Tanh函数和3D卷积操作转换为符号距离图f'dis和分割预测图f'seg；根据式3计算训练损失：L＝LS+λiLitc+λcLctc3式中，LS表示监督损失，Litc表示任务内一致性无监督损失，Lctc表示跨任务一致性无监督损失，λi和λc是高斯斜率加权系数；任务内一致性无监督损失Litc定义为： 式中，u表示教师模型得到的分割预测图的估计不确定度，uth表示不确定度阈值；m·是指标函数，用于筛选估计不确定度小于不确定度阈值的分割预测图；β是权重系数；跨任务一致性无监督损失Lctc定义为：Lctc＝||fseg-T-1fdis||212式中，T-1fdis表示符号距离图的逆变换。

全文数据：

权利要求：

百度查询： 河北工业大学 基于双任务一致性学习的半监督三维冠状动脉分割方法

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。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD