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：北京建筑大学;中国人民解放军总医院第八医学中心

摘要：本发明提出一种基于特征扰动和多尺度注意门的半监督心室图像分割方法，通过给予特征扰动增加模型多样性以及最小化不同输出之间的差异建立起一种端到端的分割方式。该方法能够从未标记数据中的边缘区域捕获到更多有价值的特征。从预测的分割结果中计算出的骰子系数DiceSimilariyCoefficient,DSC、杰卡德系数Jaccardsimilaritycoefficient，Jaccard、95％豪斯多夫距离The95％Hausdorffdistance,95HD、平均表面距离AverageSurfaceDistance,ASD的值，这几个指标都优于现有的工作方法。此方法探索了深度学习在带标签数据稀缺的医学图像分割方面的优势，使得深度学习与半监督医学图像分割技术更好地结合起来以提高分割的准确性，帮助医生做出更为精准地诊断。

主权项：1.基于特征扰动和多尺度注意门的半监督心室图像分割方法，其特征在于，包括：S1对数据集进行预处理操作；S2基于进行了预处理之后的数据集，搭建主干模型；所述主干模型具有三条支路，所述三条支路共享所述主干模型的编码器；所述主干模型的解码器包括：位于所述三条支路中的两条支路上的线性插值层，位于另一条支路上的卷积层；所述三条支路的每条支路还具有多尺度注意门，所述每条支路通过自身的多尺度注意门将自身的解码器与所述主干模型的编码器进行跳跃连接，所述多尺度注意门用于将所述主干模型的编码器输出的特征图进行空间聚合；所述主干模型为MultiVnet网络模型，所述三条支路包括第一分支、第二分支和第三分支；所述第一分支和第三分支分别具有所述线性插值层，所述第二分支具有所述卷积层；所述第三分支与所述主干模型的编码器之间设有Dropout扰动模块，编码处理的特征图像通过所述Dropout扰动模块进行特征空间扰动操作，然后被输送到所述第三分支进行分割预测处理；所述第一分支、第二分支和第三分支分别具有所述多尺度注意门；所述多尺度注意门包括：相互并列设置的点卷积、普通卷积和扩张卷积，以及依次设置的RELU核、点态卷积核和Softmax函数核；所述点卷积、普通卷积和扩张卷积分别输出的特征图进行拼接之后，再依次通过所述RELU核和点态卷积核进行特征筛选，最后通过Softmax函数核将筛选获得的特征与原始特征图分别进行矩阵相乘和矩阵相加运算，获得所述空间聚合的执行结果；所述主干模型还具有多个多尺度特征增强模块，每个所述多尺度特征增强模块位于所述编码器与所述主干模型的解码器的衔接区域，用于在所述主干模型的迭代处理过程中提取左心室图像数据的边缘区域的特征；多尺度特征增强模块包括特征提取子模块和特征聚合子模块，所述特征提取子模块用于提取多组左心室特征图像数据，以及处理不同的左心室特征图像数据的尺度变化，所述特征聚合子模块通过建模，提取左心室图像数据的边缘区域的特征；S3通过所述主干模型的编码器和解码器对进行了预处理之后的数据集进行编码和解码操作，获得三条支路输出的分割预测结果；S4利用所述三条支路输出的分割预测结果与真实标签进行计算，获得三条支路的分割损失；S5通过所述主干模型的锐化函数将所述三条支路输出的分割预测结果转化为软伪标签；分别使用所述三条支路中的任意一条支路的分割预测结果监督另外两条支路，计算获得该另外两条支路的一致性损失；S6将所述软伪标签、分割预测结果、分割损失和一致性损失加入数据集，重复步骤S3至S5，对所述主干模型进行迭代训练，输出心室图像分割图像。

全文数据：

权利要求：

百度查询： 北京建筑大学 中国人民解放军总医院第八医学中心 基于特征扰动和多尺度注意门的半监督心室图像分割方法