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: 2023108477291
申请人: 山西大学
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:

1.一种基于自监督学习的医学影像分割方法,其特征在于,包括以下步骤:

S1、预处理医学影像数据,转换医学影像数据为标准的医学影像格式,清洗医学影像数据,并构造新的医学影像数据集;

S2、依次通过数据增广以及影像掩码方式处理步骤S1中构造的新的医学影像数据集;

S3、构建并初始化医学影像表示模型;

S4、训练医学影像表示模型,利用步骤S2中得到的医学影像数据集训练步骤S3中构建并初始化的医学影像表示模型;

S5、通过S4训练的医学影像表示模型编码待分割的医学影像数据,获得其向量表示,并基于向量表示得到医学影像分割结果;

所述步骤S3中医学影像表示模型分为在线网络与目标网络,具体包括:医学影像在线编码器、医学影像目标编码器、医学影像在线投影头、医学影像目标投影头、医学影像在线解码器、医学影像目标解码器;

所述步骤S3构建并初始化医学影像表示模型具体包括以下步骤:

S31、构建并初始化医学影像在线编码器;具体为:以Vision Transformer作为医学影像在线编码器 的网络,其中包含12块Transformer block,将Vision Transformer的最后一层分类线性层替换为医学影像在线投影头,初始化医学影像在线编码器的参数;

S32、构建并初始化医学影像目标编码器;具体为:利用Vision Transformer构建了医学影像目标编码器,其中包含12块Transformer block,并且的参数由医学影像在线编码器的参数指数移动平均更新,如公式(1)所示:;

其中,是医学影像目标编码器动量更新的参数;

S33、构建并初始化医学影像在线投影头;具体为:医学影像在线投影头为多层非线性感知机网络,包含5层线性层,其中第1、3、4层线性层后面包含一个BatchNormal归一化层以及ReLU非线性激活层,初始化医学影像在线投影头的参数;

S34、构建并初始化医学影像目标投影头;具体为:医学影像目标投影头为多层非线性感知机网络, 包含2层线性层,这两层线性层中间包含一个BatchNormal归一化层以及ReLU非线性激活层,的参数由的前两层线性层参数动量更新,其更新方式与公式(1)相同,初始化医学影像目标投影头的网络参数;

S35、构建并初始化医学影像在线解码器;具体为:医学影像在线解码器由VisionTransformer模型构造,包含一层线性层以及8块Transformer block,并且最后一层线性分类层被去掉,初始化医学影像在线解码器的参数;

S36、构建并初始化医学影像目标解码器;具体为:利用Vision Transformer模型构造医学影像目标解码器,其中包含一层线性层以及8块Transformer block,的网络参数由的参数动量更新。

2.根据权利要求1所述的一种基于自监督学习的医学影像分割方法, 其特征在于,所述步骤S1具体包括以下步骤:S11、搜集医学影像数据集,将医学影像数据转换为标准的DICOM格式,进行后续处理和分析;

S12、清洗医学影像数据集,通过Slicer软件查看并筛选清晰、正面的医学影像数据;去除医学影像中的噪声;通过插值的方法补全医学影像的缺失区域,最后获得新的医学影像数据集,任选个样本,医学影像数据记为。

3.根据权利要求2所述的一种基于自监督学习的医学影像分割方法,其特征在于,所述步骤S2具体包括以下步骤:S21、增广医学影像数据,对于医学影像数据集,任取个样本,将医学影像数据两次数据增广后的医学影像数据记为,;

S22、对步骤S21中增广的医学影像数据掩码操作,任取医学影像,将其切分为大小相同的个医学影像块,记为,其中,表示第个医学影像的第个影像块,随机生成掩码序列,其中表示第个医学影像的第个块被掩码,掩码后的医学影像数据记为,其中,包含没有被掩码的医学影像块。

4.根据权利要求3所述的一种基于自监督学习的医学影像分割方法,其特征在于,所述步骤S4具体包括以下步骤:S41、将步骤S22中掩码处理后的医学影像数据输入步骤S31中构建的医学影像在线编码器,并且将步骤S21中增广处理后的医学影像数据输入步骤S32中构建的目标编码器,通过编码,分别获得在线向量表示与目标向量表示,其中,,代表任取样本数目,,其中,代表被掩码后剩余医学影像块的数目,,,其中,代表全部的医学影像块的数目,与分别对应于在线网络输入与目标网络输入的医学影像向量块表示,与分别是在线 向量表示与目标向量表示,分别代表医学影像与的全局向量表示,在线 向量表示与目标向量表示分别记为,任取个医学影像数据的在线块向量表示与目标块向量表示分别记为,其中, ;

S42、将步骤S41中的在线块向量表示输入步骤S33中构建的医学影像在线投影头,并且将步骤S41中的目标块向量表示输入步骤S34中构建的医学影像目标投影头,通过投影映射,分别获得了在线低维嵌入与目标低维嵌入,其中,,;

S43、计算低维对比损失;对于任意的医学影像样本,以在线低维嵌入作为锚点,其相对应的目标低维嵌入与互为正样本,其余目标低维嵌入与互为负样本,低维对比损失定义如公式(2)所示:;

其中,通过归一化映射到超球空间,为温度参数,表示任取样本的数目,表示指数函数;

S44、随机初始化步骤S22中被掩码医学影像块的向量表示,并将其与步骤S41中的在线向量表示结合,获得新的在线向量表示,将医学影像的在线向量表示与目标向量表示分别通过步骤S35中的医学影像在线解码器和步骤S36中的医学影像目标解码器得到在线高维嵌入和目标高维嵌入,其中,,,其中表示任取样本数目,表示医学影像块的数目,,,其中与分别对应于医学影像与的个医学影像块的高维嵌入,与分别是在线高维嵌入和目标高维嵌入,分别代表医学影像与的全局高维嵌入,为了方便,在线高维嵌入与目标高维嵌入分别记为,任取个医学影像数据的在线高维嵌入和目标高维嵌入分别记为计算在线高维嵌入的重构损失确保被掩码的医学影像块被准确预测,从而通过医学影像块之间的关系学习医学影像微小病变表示,重构损失如公式(3)所示:;

其中,代表医学影像块的数目,代表被掩码的医学影像块数目,即,为医学影像可见块的数目,表示任取样本的数目;

S45、计算高维对比损失;对于任意的医学影像样本,以在线高维嵌入作为锚点,其相对应的目标高维嵌入与互为正样本,其余目标高维嵌入与互为负样本,高维对比损失定义如公式(4)所示:;

S46、计算总体损失如公式(5)所示:

;

S47、通过梯度下降的方法最小化损失,并通过优化器优化整个网络,不断重复步骤S41-S46,直到满足设定结束条件,获得训练后的医学影像表示模型。

5.根据权利要求4所述的一种基于自监督学习的医学影像分割方法,其特征在于,所述步骤S5具体包括以下步骤:S51、增广待分割的医学影像数据,数据增广依次为放缩医学影像为固定尺寸,转换医学影像数据格式为Tensor,接着,将医学影像数据输入训练后的医学影像表示模型,获得医学影像的向量表示;

S52、构造医学影像还原器;还原器包括一个线性映射层,以及2上采样和11的卷积层,循环四次上采样和卷积层操作来达到最终的医学影像分辨率;

S53、将步骤S51中的向量表示输入还原器获得一个整数值矩阵,其中不同的组织或者器官为不同的数字标签,将获得的数字标签与医学影像标签计算交叉熵损失,通过梯度下降优化还原器,优化结束后,获得医学影像分割结果;

S54、将医学影像的分割结果呈现给医生,帮助医生定位和分割出感兴趣的结构或病变,通过分割结果,医生可以更准确地评估病变的大小、形态和位置,尤其是对微小病变的发现,从而对疾病进行准确的诊断和治疗规划。

6.一种基于自监督学习的医学影像分割系统,其特征在于,所述医学影像分割系统用于实现权利要求1-5任一项所述的基于自监督学习的医学影像分割方法,包括计算机处理器、内存及图形处理器;医学影像数据存储单元;医学影像数据预处理单元;医学影像表示模型训练单元;医学影像数据分割单元。

7.根据权利要求6所述的一种基于自监督学习的医学影像分割系统,其特征在于:所述医学影像数据存储单元用于存储预处理的医学影像数据集以及从医疗机构获取的待分割的医学影像数据,并将其输入计算机内存;所述医学影像数据预处理单元用于对计算机内存中存储的医学影像数据执行步骤S2中的医学影像数据增广以及掩码操作,并将获得的医学影像样本加载到图形处理器中;所述医学影像表示模型训练单元在图形处理器中使用增广以及掩码的数据执行步骤S3、S4,训练并获得医学影像表示模型;医学影像数据分割单元对于计算机内存中的待分割医学影像数据执行步骤S5,得到医学影像的分割结果;所有单元中具体的数据处理和计算工作由所述计算机处理器完成。