CN114418946B 一种医学图像分割方法、系统、终端以及存储介质 （中国科学院深圳先进技术研究院）

图像以及所述多模态医学图像对应病例的临床用于执行分割任务的分割分支和用于执行生存将所述分割分支和生存期预测分支提取的特征型进行图像分割。本申请采用半监督的分割方2获取医学图像样本数据，所述医学图像样本数据包括多模态构建弱-半监督模型，所述弱-半监督模型包括用于将待分割医学图像输入训练好的图像分割模型进行图像将所述训练集数据分别输入分割分支和生存期预测分支中进行下采样处述生存期预测分支通过Adapter模块对特征的分布进行转换，并通过信息融合模块将分割所述分割分支在得到reshape后的特征图后，通过上采样将所述特征图还原为初始输入图对所述多模态医学图像样本数据以及Mask数据进行预处理，生成用于对所述多模态医学图像以及对应的Mask数据进行剪裁；剪裁方式具体采用min-max算法对所述剪裁后的医学图像分别将所述归一化后的四个模态的医学图像以及3采用Teacher-Student的训练模式对所述3DU-Net网络进行训练；将无标签的医学图Teacher模型更新Student模型，否则继续训练，如果训练次数超过设定次数都未能更新7.一种利用权利要求1所述医学图像分割方法的医学图像分割系统，其特征在于，包数据获取模块：用于获取医学图像样本数据，所述医学图像样本模型训练模块：用于构建弱-半监督模型，所述弱-半监督模型所述存储器存储有用于实现权利要求1-6任一项所述的医学图像分割方法的程序指所述处理器用于执行所述存储器存储的所述程序指令以控制医学图像分4[0003]随着深度学习技术的快速发展，基于深度学习的全自动影像分割得到迅猛的发5[0020]分别将所述归一化后的四个模态的医学图像以及剪裁后的Mask数据进行拼接操分割分支下采样得到的特征经过flatten操作变为一维的特征，再输入到Transformer模[0025]所述Transformer模块采用基于残差连接的思想，将输入特征与输入前的数据相[0027]采用Teacher-Student的训练模式对所述3DU-Net网络进行训练；将无标签的医[0031]图像分割模块：用于将待分割医学图像输入训练好的图像分割模型进行图像分67在差异，因此本申请实施例采用min-max算法将不同模态的图像像素值归一化到0-1之间，[0052]S23：分别将归一化后的四个模态的医学图像以及剪裁后的Mask数据进行拼接操割任务中的特征减去mean再除以std，使分割任务具有与生存期预测任务相同的mean和分支的损失函数为Dice系数以及BCE(BinaryCrossEntropy)Loss，生存期预测分支的损[0059]信息融合模块用于采用卷积的方式对分割分支和生存期预测分支输出的特征进8[0060]为了能够充分学习到生存期信息和Mask信息，3DU-Net网络采用双下采样的方[0061]本申请实施例采用Teacher-Student的训练模式对搭建好的3DU-Net网络进行训于过多的有标签数据；结合弱监督方式，采用生存期等高级语义作为弱监督源，并采用9[0078]对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申