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: 2022113830927
申请人: 湖南大学
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:

1.一种基于重建预训练的肺部医学图像分割方法,其特征在于:包括如下步骤:步骤S1、构建无标签的肺部医学图像预训练数据集、带标签的肺部医学图像训练样本集和测试样本集;

步骤S2、构建预训练网络模型,将无标签的肺部医学图像预训练数据集的每张图像进行网格划分并打乱顺序,并利用其对预训练网络模型进行训练;

步骤S3、构建分割-重建网络模型,利用训练后的预训练网络模型的权重对分割-重建网络模型进行参数初始化;

步骤S4、对带标签的肺部医学图像数据集进行图像增强处理;利用随机梯度下降法对参数初始化后的分割-重建网络模型进行优化训练;

步骤S5、利用测试样本集对优化训练后的分割-重建网络模型进行测试;

所述步骤S2具体包含如下步骤:

步骤S21、构建预训练网络模型,预训练网络模型包括建模后验分布qβ(z|x)的推理网络和用于拟合pδ(x|z)分布的生成网络,推理网络即预训练编码器fβ(·),生成网络即预训练解码器fδ(·);建立网格排列标签预测分支;

步骤S22、将无标签的肺部医学图像数据集输入到预训练网络模型的预训练编码器fβ(·)中,并将无标签的肺部医学图像数据集中的每张图像首先调整为指定的大小,接着分割成规则的n×n网格图片;

即xM表示网格图片集合,每个网格图片分配一个先验分布p(zk),其中Z为预训练编码器fβ(·)输出的隐变量;

步骤S23、生成多个随机排列标签Si,并通过该排列标签Si对n×n张网格图片随机排列;建立网络排序优化损失函数,将随机排列后的n2张网格图片输入到预训练网络模型中,并结合网络排序优化损失函数和网格排列标签预测分支对预训练网络模型进行优化学习,学习整张图片的潜在编码,使得能够正确预测每个网格的排列标签Si,得到学习后的预训练网络模型;

步骤S24、建立预训练总损失函数,通过预训练总损失函数对预训练网络模型进行优化训练,得到优化训练后的预训练网络模型;

所述步骤S3具体包含如下步骤:

步骤S31、搭建分割-重建网络模型,分割-重建网络模型包括分割分支网络和重建分支网络;分割分支网络包括分割编码器以及分割解码器fθ(·);重建分支网络包括重建编码器fr(·)以及重建解码器fs(·);

步骤S32、使用分割分支网络输出当前图像的肺部预测分割掩膜MPre;

步骤S33、利用训练后的预训练网络模型对重建分支网络的参数进行初始化,同时将分割编码器和重建编码器fr(·)共享权重,得到参数初始化后的分割-重建网络模型。

2.根据权利要求1所述的肺部医学图像分割方法,其特征在于,所述步骤S1具体包含如下步骤:步骤S11、采集多张无标签的肺部医学图像和多张带标签的肺部医学图像;

步骤S12、将采集到的多张无标签肺部医学图像作为无标签的肺部医学图像预训练数据集;

即Dr={x1,x2,...xi,...,xM},其中Dr为无标签的肺部医学图像预训练数据集,为Dr在欧几里得空间的流形;xi表示Dr中第i张图像,M表示无标签的肺部医学图像预训练数据集中图像的数量;

在多张带标签的肺部医学图像中选取一部分图像构建带标签的肺部医学图像训练样本集,另一部分带标签的肺部医学图像构建测试样本集。

3.根据权利要求2所述的肺部医学图像分割方法,其特征在于,所述步骤S23中的网络排序优化损失函数具体为:其中,为网络排序优化损失函数;表示累积的网格特征集合;表示网格特征集合中第k个网格特征;K(Si)为符号函数,当预测的网格排列标签与真实的排列标签Si相同时值取1,否则取0;是网格排列标签的预测概率;N为样本的数量。

4.根据权利要求3所述的肺部医学图像分割方法,其特征在于,所述步骤S24具体包含如下步骤:步骤S241、建立距离损失函数,通过距离损失函数使后验分布qβ(zk|xk)逼近先验分布p(zk),距离损失函数可表示为:其中,表示距离损失函数,Θ为d维单位球的集合,为超平面,θ为Θ内抽样得到的元素,p(zk)被赋为高斯分布为随机变换的边缘分布,Wp(·)为p-Wasserstein距离,又称堆土距离,堆土距离表示为:其中Π(pX,pY)表示所有联合分布的集合,d为度量函数,如欧式距离d(x,y)=||x-y||2;p为度量函数的指数;Wp指的是堆土距离;pX表示X的概率;pY表示Y的概率;γ表示联合概率分布;表示期望;X、Y分别表示两个不同的变量;

步骤S242、将预训练编码器fβ(·)的输出特征送入预训练解码器fδ(·)进行图像重建,设置图像重建损失函数,依据网络排序优化损失函数、距离损失函数和图像重建损失函数构建预训练总损失函数;

所述预训练总损失函数具体为:

其中,为预训练总损失函数;为图像重建损失函数;

步骤S243、利用随机梯度下降优化器并结合预训练总损失函数对预训练网络模型进行优化训练,得到优化后的预训练网络模型。

5.根据权利要求4所述的肺部医学图像分割方法,其特征在于,所述步骤S242中的图像重建损失函数具体为:其中,指的是预训练解码器fδ(·)生成的重建的第i张图像。

6.根据权利要求5所述的肺部医学图像分割方法,其特征在于,所述步骤S31中的重建编码器fr(·)与预训练编码器fβ(·)的框架一致,即fr(·)=fβ(·),所述重建解码器fs(·)与预训练解码器fδ(·)的框架一致,即fs(·)=fδ(·)。

7.根据权利要求6所述的肺部医学图像分割方法,其特征在于,所述步骤S4具体包含如下步骤:步骤S41、对带标签的肺部医学图像数据集进行图像增强处理,并将其输入到分割-重建网络模型内;

步骤S42、建立分割-重建网络总损失函数,分割-重建网络总损失函数具体为:其中,为分割-重建网络总损失函数;分割分支损失函数,用于计算分割真值MGT与肺部预测分割掩膜MPre之间的相似度,分割分支损失函数可表示为:其中|·|表示所有元素值的总和,ε为预设常数,设置为1,防止分母为0;

步骤S43、输入图像增强处理后的带标签的肺部医学图像数据集,利用分割-重建网络总损失函数对参数初始化后的分割-重建网络模型进行优化训练,得到优化后的分割-重建网络模型。

8.根据权利要求7所述的肺部医学图像分割方法,其特征在于,所述步骤S41中的图像增强处理具体包括噪声处理、模糊处理、对比度变换、亮度变化和饱和度变化。