欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2022112971909
申请人: 安徽大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于半监督学习的心肌梗死图像分割方法,其特征在于,所述方法包括:步骤一:收集轧增强的心肌梗死磁共振图像数据集进行数据处理得到数据增强的训练数据集;

步骤二:构建编码器,将经过数据增强的训练数据集输入到编码器,提取无标签数据和有标签数据的特征信息;

步骤三:构建主解码器和两个辅助解码器,主解码器和辅助解码器采用相同的网络结构,但是在特征输入辅助解码器之前给辅助解码器加入扰动;

步骤四:构建鉴别器;

步骤五:将上述编码器的输出端分别与主解码器以及两个辅助解码器连接,鉴别器与主解码器的输出端连接,从而构建半监督心肌梗死神经网络分割模型,利用有标签数据对主解码器进行训练得到有监督损失,利用无标签数据和有标签数据对辅助解码器和主解码器进行一致性训练得到一致性损失,利用无标签数据和有标签数据对鉴别器进行训练得到对抗损失和训练损失,总损失最小时得到训练好的模型;

步骤六:将实时采集的轧增强的心肌梗死磁共振图像输入到上述训练好的模型中,得出心肌梗死分割图像。

2.根据权利要求1所述的一种基于半监督学习的心肌梗死图像分割方法,其特征在于,所述步骤一包括:S11、收集轧增强的心肌梗死磁共振图像数据集;

S12、调整图像分辨率为256×256,并将图像数据集分为训练数据集和测试数据集两部分,其中训练数据集又根据是否有对应的标签划分为有标签数据和无标签数据;

S13、对训练数据集中的图像及其标签进行随机水平翻转、随机裁剪来进行数据增强。

3.根据权利要求2所述的一种基于半监督学习的心肌梗死图像分割方法,其特征在于,所述步骤二包括:S21、构建编码器,将经过数据增强的训练数据集输入到编码器中,编码器由骨干网络后接空洞金字塔池化然后再接一个骨干网络和一个空洞金字塔池化,最后再接一个空间注意力机制构成;

S22、第一个骨干网络的输出表示为:

p1(x)=ReLU(BN(Conv(ReLU(BN(Conv(x))))))其中,Conv表示卷积,BN表示批正则化函数,ReLU表示激活函数;

采取空洞率分别为1、6、12、18,空洞金字塔池化为ASPP,则ASPP=cat(x,atrous1(x),atrous6(x),atrous12(x),atrous18(x)),第一个空洞金字塔池化的输出为p2=ASPP(p1);

其中,atrous1(x)表示空洞率为1的卷积,atrous6(x)表示空洞率为6的卷积,atrous12(x)表示空洞率为12的卷积,atrous18(x)表示空洞率为18的卷积,cat()表示拼接函数,将上述各层和原图X拼接到一起;

第二个骨干网络的输出表示为:

p3(x)=ReLU(BN(Conv(ReLU(BN(Conv(p2))))))C×H×W

第二个空洞金字塔池化的输出为p4=ASPP(p3);此时,p4∈R ,其中R表示其所处的空间,C、H和W分别表示通道数、图片像素高度和图片像素宽度;

S23、空间注意力机制块首先使用1×1的卷积和view()函数对p4进行重构得到查询特C×N征图q、键特征图k和值特征图v,其中 V∈R ,C1=C/8,N=H×W,在查询特征图q的转置和键特征图k之间进行矩阵乘法运算,并应用softmax层来计算空间注意力图,记空间注意力图为attn:其中,qi表示矩阵q的第i列,kj表示矩阵k的第j列,exp()表示指数函数,attnij表示第j个位置对第i个位置的影响,然后对值特征图v和空间注意力图attn的转置进行矩阵乘法,得到:其中,vj表示第j个位置,attnji表示第i个位置对第j个位置的影响,接下来用view()函C×H×W数对z1进行重构得到最终的输出z,z∈R 。

4.根据权利要求3所述的一种基于半监督学习的心肌梗死图像分割方法,其特征在于,所述步骤三包括:S31、构建分别与编码器的输出端连接的主解码器和两个辅助解码器,主解码器和辅助解码器采用相同的网络结构,但是在特征输入辅助解码器之前给辅助解码器加入扰动;主编码器和两个辅助解码器均采用两层顺次连接的解码器骨干网络构成;

S32、主解码器的输出表示为:

g(z)=ReLU(BN(ConvT(ReLU(BN(ConvT(z)))))),其中,ConvT表示卷积核为3×3的反卷积层;

S33、给第一个辅助解码器添加f‑噪声扰动:均匀地采样一个大小为z的噪声张量N~U(‑0.3,0.3),将其与z相乘来调整其振幅后,将噪声注入编码器的输出z中,得到r1=(z⊙N)+z,记第一个辅助解码器为 则S34、给第二个辅助解码器添加F‑Drop扰动:均匀地采样一个阈值,即γ~U(0.6,0.9),再将z标准化后得到z`,然后生成一个掩模Mdrop={z`<γ},根据这个掩膜Mdrop,得到新的扰动特征r2=z⊙Mdrop,记第二个辅助解码器为 则

5.根据权利要求4所述的一种基于半监督学习的心肌梗死图像分割方法,其特征在于,所述步骤四包括:构建与主解码器输出端连接的鉴别器,鉴别器由顺序连接的六个卷积层和五个全连接层组成,6个卷积层设置内核大小为4×4、步长为2×2,填充为1×1,卷积核数设置为[64、

128、256、512、256、128]。

6.根据权利要求5所述的一种基于半监督学习的心肌梗死图像分割方法,其特征在于,所述步骤五包括:S51、将上述编码器的输出端分别与主解码器以及两个辅助解码器连接,鉴别器与主解码器的输出端连接,从而构建半监督心肌梗死神经网络分割模型;

S52、使用SGD优化器对模型进行训练,并将其学习速度设置为0.001,假设训练数据集DH×W包含有标签数据 和无标签数据 其中xn,xm∈R 是分割模型的H×W

输入图像,yn∈{0,1} 是心肌梗死的分割标签,N和M分别为有标签数据和无标签数据的数量(N<

半监督心肌梗死神经网络分割模型的损失函数L设置为:

L=L有监督损失+L一致性损失+L对抗损失

其中,有监督损失只在有标签数据集上进行训练,一致性损失和对抗损失在有标签和无标签数据上共同训练;H()是交叉熵损失函数,f(xil)是主解码器输出的分割预测结果,f(·)代表编码器和主解码器的组合;

其中,d(.,.)表示两个辅助解码器输出的预测概率分布图之间的距离,z代表编码器的输出也即辅助解码器的输入;

其中,a(.,.)表示鉴别器, 是二分类交叉熵损失, 表示有标签数据和无标签数据送入模型后,模型输出的分割结果;

S53、在利用鉴别器对编码器和主解码器进行优化之前,要先对鉴别器进行训练,其损失函数如下:S54、通过反向传播调整模型参数,选取精度最高的模型参数进行保存。

7.一种基于半监督学习的心肌梗死图像分割系统,其特征在于,所述系统包括:数据处理模块,用于收集轧增强的心肌梗死磁共振图像数据集进行数据处理得到数据增强的训练数据集;

编码模块,用于构建编码器,将经过数据增强的训练数据集输入到编码器,提取无标签数据和有标签数据的特征信息;

解码模块,用于构建主解码器和两个辅助解码器,主解码器和辅助解码器采用相同的网络结构,但是在特征输入辅助解码器之前给辅助解码器加入扰动;

鉴别模块,用于构建鉴别器;

模型构建及训练模块,用于将上述编码器的输出端分别与主解码器以及两个辅助解码器连接,鉴别器与主解码器的输出端连接,从而构建半监督心肌梗死神经网络分割模型,利用有标签数据对主解码器进行训练得到有监督损失,利用无标签数据和有标签数据对辅助解码器和主解码器进行一致性训练得到一致性损失,利用无标签数据和有标签数据对鉴别器进行训练得到对抗损失和训练损失,总损失最小时得到训练好的模型;

结果输出模块,用于将实时采集的轧增强的心肌梗死磁共振图像输入到上述训练好的模型中,得出心肌梗死分割图像。

8.根据权利要求7所述的一种基于半监督学习的心肌梗死图像分割系统,其特征在于,所述数据处理模块还用于:S11、收集轧增强的心肌梗死磁共振图像数据集;

S12、调整图像分辨率为256×256,并将图像数据集分为训练数据集和测试数据集两部分,其中训练数据集又根据是否有对应的标签划分为有标签数据和无标签数据;

S13、对训练数据集中的图像及其标签进行随机水平翻转、随机裁剪来进行数据增强。

9.根据权利要求8所述的一种基于半监督学习的心肌梗死图像分割方法,其特征在于,所述编码模块还用于:S21、构建编码器,将经过数据增强的训练数据集输入到编码器中,编码器由骨干网络后接空洞金字塔池化然后再接一个骨干网络和一个空洞金字塔池化,最后再接一个空间注意力机制构成;

S22、第一个骨干网络的输出表示为:

p1(x)=ReLU(BN(Conv(ReLU(BN(Conv(x))))))其中,Conv表示卷积,BN表示批正则化函数,ReLU表示激活函数;

采取空洞率分别为1、6、12、18,空洞金字塔池化为ASPP,则ASPP=cat(x,atrous1(x),atrous6(x),atrous12(x),atrous18(x)),第一个空洞金字塔池化的输出为p2=ASPP(p1);

其中,atrous1(x)表示空洞率为1的卷积,atrous6(x)表示空洞率为6的卷积,atrous12(x)表示空洞率为12的卷积,atrous18(x)表示空洞率为18的卷积,cat()表示拼接函数,将上述各层和原图X拼接到一起;

第二个骨干网络的输出表示为:

p3(x)=ReLU(BN(Conv(ReLU(BN(Conv(p2))))))C×H×W

第二个空洞金字塔池化的输出为p4=ASPP(p3);此时,p4∈R ,其中R表示其所处的空间,C、H和W分别表示通道数、图片像素高度和图片像素宽度;

S23、空间注意力机制块首先使用1×1的卷积和view()函数对p4进行重构得到查询特C×N征图q、键特征图k和值特征图v,其中 v∈R ,C1=C/8,N=H×W,在查询特征图q的转置和键特征图k之间进行矩阵乘法运算,并应用softmax层来计算空间注意力图,记空间注意力图为attn:其中,qi表示矩阵q的第i列,kj表示矩阵k的第j列,exp()表示指数函数,attnij表示第j个位置对第i个位置的影响,然后对值特征图v和空间注意力图attn的转置进行矩阵乘法,得到:其中,vj表示第j个位置,attnji表示第i个位置对第j个位置的影响,接下来用view()函C×H×W数对z1进行重构得到最终的输出z,z∈R 。

10.根据权利要求9所述的一种基于半监督学习的心肌梗死图像分割方法,其特征在于,所述解码模块还用于:S31、构建分别与编码器的输出端连接的主解码器和两个辅助解码器,主解码器和辅助解码器采用相同的网络结构,但是在特征输入辅助解码器之前给辅助解码器加入扰动;主编码器和两个辅助解码器均采用两层顺次连接的解码器骨干网络构成;

S32、主解码器的输出表示为:

g(z)=ReLU(BN(ConvT(ReLU(BN(ConvT(z)))))),其中,ConvT表示卷积核为3×3的反卷积层;

S33、给第一个辅助解码器添加f‑噪声扰动:均匀地采样一个大小为z的噪声张量N~U(‑0.3,0.3),将其与z相乘来调整其振幅后,将噪声注入编码器的输出z中,得到r1=(z⊙N)+z,记第一个辅助解码器为 则S34、给第二个辅助解码器添加F‑Drop扰动:均匀地采样一个阈值,即γ~U(0.6,0.9),再将z标准化后得到z`,然后生成一个掩模Mdrop={z`<γ},根据这个掩膜Mdrop,得到新的扰动特征r2=z⊙Mdrop,记第二个辅助解码器为 则