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: 2023110305537
申请人: 吉林大学
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:

1.一种基于循环变分伪标签的半监督医学体积分割方法,其特征在于,该方法包括如下步骤:步骤一:预处理医学体积数据集,并对训练集数据进行数据增强;

步骤二:构建由并联异构的分割网络Sθ1,Sθ2和变分贝叶斯网络Vθv组成的网络模型,并联异构的分割网络Sθ1,Sθ2分别使用3D-UNet和VNet,变分贝叶斯网络Vθv由并联的子网Lμ,Lδ以及重参数化子网R组成;网络模型的结构表示如下:Sθ1:=Eθ1⊙Dθ1⊙Mc

Sθ2:=Eθ2⊙Dθ2⊙Mc

其中Mθ表示整体结构;Eθ1,Dθ1分别表示3D-UNet编码器和解码器;Eθ2,Dθ2分别表示VNet编码器和解码器;Mc表示蒙特卡洛DropOut;⊙表示网络级联;表示网络并联;随机初始化并联异构的分割网络Sθ1,Sθ2以及变分贝叶斯网络Vθv的权重;

步骤三:在训练集中采样2个有标签体积和2个无标签体积拼接为1个batch张量,batch表示为:其中Cat为张量拼接操作,xL表示采样获得的有标签体积,xU表示采样获得的无标签体积,j,k表示本次迭代的采样索引;C,H,W,D分别表示输入体积的通道数、高度、宽度、深度;

步骤四:将batch输入到Sθ1,Sθ2中进行前向传播,获得Sθ1,Sθ2编码器特征,并在经过蒙特卡洛DropOut层后获得解码器的特征表示;

步骤五:将Sθ1,Sθ2编码器的输出特征输入到Vθv中,获得变分阈值Tv1,Tv2;

具体方法为:

将分割阈值Tv视作控制输入体积X分布的潜在变量,设分割阈值Tv的变分分布p和先验分布q均服从高斯分布;将Sθ1,Sθ2中编码器的输出特征输入到变分贝叶斯网络Vθv中变分推断,其证据下界ELBO写作:其中表示对p(Tv)的期望;KL表示Kullback-Leibler散度;

通过最小化ELBO得到p(Tv)的均值和方差:

μi,log(δi)=Lμ(di),Lδ(di)                (4)di=flatten(Avg(Eθi(batch)))

其中i=1,2;μi,log(δi)分别表示p(Tv)的均值与方差;flatten(·)表示张量平展操作,Avg(·)表示自适应平均池化操作;di表示Sθi中编码器的输出特征;

使用Tv的变分分布近似其后验分布,即为了保证反向传播过程中梯度能由Vθv回流到Sθ1,Sθ2,使用重参数化技巧采样阈值Tvi:Tvi=sigmoid(softplus(Tvi‘))             (5)softplus(z)=log(1+ez)

其中i=1,2;rand表示服从标准高斯分布的随机噪声rand~N(0,1);softplus(·)表示非线性激活操作;sigmoid(·)表示概率映射操作,将Tv映射至[0,1],以得到最终的分割阈值Tvi;z表示函数形参;

步骤六:使用Sθ1,Sθ2解码器的输出特征结合变分阈值Tv1,Tv2生成变分伪标签Y’U1,Y’U2;

Y’U1:=1(Sθ1(batch[2:])>Tv1)                (6)Y’U2:=1(Sθ2(batch[2:])>Tv2)                (7)其中1(·)表示指示函数,batch[2:]表示获取batch中的无标签体积;

步骤七:构造总损失函数,通过反向传播更新Sθ1,Sθ2和Vθv的参数;

步骤八:重复步骤三至七,直到当前迭代次数达到预定义的最大迭代次数;

步骤九:将待预测医学体积数据输入Sθ1进行前向传播,得到最终分割结果;

得到训练后的分割模型Sθ1,Sθ2,为了保证推断速度,只使用Sθ1作为预测网络,将待预测体积V输入Sθ1,采用滑动窗口kernel=(kH,kW,kD)来获得任意形状输入体积的分割结果:Res=Cati’,j,k(patchi’,j,k)                  (14)patchi’,j,k=Sθ1(Vp[:,i′:i′+kH,j:j+kW,k:k+kD]),i′∈I,j∈J,k∈K其中,Hv,Wv,Dv分别表示待预测体积的高度,宽度和深度;kernel表示Sθ1的滑动窗口尺寸;padding(·)表示0填充操作,其中pH,pW,pD表示三个维度的填充尺寸,mod(·)表示求余操作;I,J,K表示滑动索引集,ceil(·)表示向上取整操作;patch表示Sθ1对每个窗口的分割结果;Res表示最终分割结果,其中Cat(·)表示张量拼接操作。

2.根据权利要求1所述的基于循环变分伪标签的半监督医学体积分割方法,其特征在于,步骤一使用总训练样本数5%的有标签数据进行训练;对训练集使用的数据增强策略包括:三维中心裁剪、三维随机旋转、归一化为零均值和单位方差。

3.根据权利要求1所述的基于循环变分伪标签的半监督医学体积分割方法,其特征在于,步骤七中构造总损失函数,通过反向传播更新Sθ1,Sθ2和Vθv的参数的方法为:将伪标签Y’U1,Y’U2的生成视作EM算法的E-step,使用变分伪标签Y’U1,Y’U2循环监督Sθ2,Sθ1,即为EM算法的M-step,即对本次迭代的网络参数进行极大似然估计:其中Sθ2′,Sθ1′表示上一次迭代得到的分割模型参数;

总的损失函数由三部分组成:有监督分割损失无监督循环一致性损失和变分KL损失总损失定义如下:其中α,β,γ为超参数用于平衡各部分损失;μ0,δ0表示Tv先验分布Q(Tv)~N(μ0,δ0)的均值和方差;eps表示极小量;batch[:2]表示获取batch中的有标签体积;

反向传播操作定义为:

其中,λ表示极小量,表示梯度算子,←表示参数更新操作。