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：广东工业大学

摘要：本发明提出一种基于上下文学习的医学图像分割任务模型，解决了现有方法需要生成单个确定性分割掩膜、分割任务必须进行训练和微调，以及正确分割具有不确定性的问题。本发明采用上下文学习策略，预测新的医学分割并生成一组多样化的分割候选者。具体来说，本发明融合Chain‑TS和Chain‑IS模型得到Chain模型，其中Chain‑TS在训练阶段通过随机性和多样性增加方法来学习标签图的概率分布，生成多个分割候选者；Chain‑IS在推理阶段，利用在训练过程中获得的上下文信息，通过增强策略生成不同的随机预测。该发明提高了算法的可解释性，为新的和未经过训练的医学图像分割预测一组多样化的分割候选者。

主权项：1.一种基于上下文学习的医学图像分割任务模型，其特征在于包含以下步骤：S1：本发明提出一种基于上下文学习的医学图像分割Chain模型，用于生成随机预测；该Chain模型将待分割图像以及定义任务的图像分割对的上下文集作为输入，并包含两个不同设置的变体；一是训练时间随机性模型Chain-TS，是一个设计用于生成多个候选分割的系统；Chain-TS通过学习可能的标签图分布，预测一组合理的随机分割，结合新颖的卷积机制集合块、损失函数和附加输入的噪声，使不同预测的内部表示之间能够进行交互，能够在一次前向传递中预测所有的分割候选者，形成多样化的预测组，提高最佳预测的质量；另一个是推理时间随机性模型Chain-IS，基于预训练的确定性上下文模型，提出了两种生成不同随机预测的方法，一种是引入测试时上下文平均增强策略来提供随机预测；另一种是引入上下文测试时间增强预测来生成不同的随机预测，通过反复应用测试时间增强，对目标图像进行随机预测；针对每个不同的分割任务，模型将学习不同的参数，以允许其捕捉和学习每个任务独特的模式和特征，本发明设计基于上下文学习的Chain模型，用以捕捉不同任务的标签映射分布；具体来说，基于图像和标签图的数据集，分别为每个任务学习不同的函数和参数；对于分割任务t，从数据集中获取N对图像xt和标签图yt；其中，N表示数据集中的样本数量，即包含N对图像和标签；索引j表示数据集中的第j个样本；分割模型为每个任务t学习不同的函数和参数θt；其中，是对于输入图像xt的单一分割图的预测，表示模型的函数，具有参数θt；参数θt是特定任务t的模型参数，对于每个不同的分割任务，模型都会学习不同的参数，以允许模型捕捉并学习每个任务的特定模式和特征；将Chain设计为上下文学习模型，使用单一函数处理所有任务，表示为如下公式： 在该式中，该函数具有全局参数θ，这些参数在所有任务中共享，相同的参数集用于捕捉不同任务的标签映射分布；给定输入目标图像xt，加入图像噪声zk～N0,II，其中图像噪声服从均值为0，协方差矩阵为单位矩阵的正态分布；上下文集定义任务t，S是上下文集的大小；捕获每个任务t的标签映射分布S2：构建Chain-TS模型时，采用卷积架构处理具有可变大小的集合进行交互表示，引入集合块和交互块来促进上下文的交互，其中集合块以交互块为基本构建块，通过卷积和平均操作实现集合到集合的有效交互，通过构建整体损失优化函数和分割损失函数，模型能够在不同噪声通道下生成多样性预测，每个预测都有多个相应的标签图；对数据集进行数据增强，对多个标注者标注的白色斑点块进行平均，得到新的合成图像集，用于输出最终预测的图像；S3：训练确定性上下文分割系统时，提出了两种生成不同随机预测的方法，一种是引入测试时上下文平均增强策略来提供随机预测；另一种是引入上下文测试时间增强预测来生成不同的随机预测，通过反复应用测试时间增强，对目标图像进行随机预测。

全文数据：

权利要求：

百度查询： 广东工业大学 一种基于上下文学习的医学图像分割的随机预测方法