CN116402800B 基于位置引导和一致性学习的腹部多器官增量分割方法 （西安电子科技大学）

基于位置引导和一致性学习的腹部多器官本发明公开了一种基于位置引导与一致性方案是：首先使用一致性学习策略训练基础网2(3)使用He初始化方式对基础网络Net1进行初始化，利用有标注的第一训练集A1与无(5)使用He初始化方式对位置引导增量网络Net2新增结构的参数进行初始化，将其损(6)将训练好的位置引导增量网络参数W2加载到位置引导增量网络Net2中，并在Net2(7)使用He初始化方式对位置引导与一致性学习增量网络Net3新增结构的参数进行初(9)将第一测试集B1、第二测试集B2与第三测试集B3输入到位置引导与一致性学习增签的腹部CT数据集MICCAIFLA3min为输入图像的像素点灰度最大值，Xmax为输入图像的像素点灰2a)建立由五个卷积块和四个最大池化层构成的编码器，每个卷积块由一个三维卷积2b)建立由四个卷积块、四个上采样层和一个So2c)建立由一个三维卷积层与一个Softmax激2d)将编码器与解码器串行连接，将深度监督模块与解码器中第二个卷积块的输出串5.根据权利要求1所述方法，其特征在于l为基础网络Net1中第l层6.根据权利要求1所述方法，其特征在于，所述步骤4其中pi表示基础网络Net1对T(Xu)的预测结果的第i个像素点，[r(j)l,表示基础网络出E1以及基础网络Net1的深度监督模块的输出P1，在该模块内计算背景概率图BP11与前景的背景概率图BP11和前景概率图FP11分别与所述E1逐像素点乘得到位置注意后的背景特征图E1BP与前景特征图E1FP，沿通道方向拼接背景特征图E1BP与前景特征图E1FP得到位置注意特征图E1'，最后使用一个通道注意力SE模块和出E2以及基础网络Net1的深度监督模块的输出P1，在该模块内计算背景概率图BP12与前景的背景概率图BP12与前景概率图FP12分别与所述E2逐像素点乘得到位置注意后的背景特征图E2BP与前景特征图E2FP，沿通道方向拼接背景特征图E2BP与前景特征图E2FP得到位置注意特征图E2'，最后使用一个通道注意力SE模块和一个1x1x1的卷积层对E2'进行通道特征(4f)建立由一个三维卷积层与一个Softmax激活层构成的深度监督模块，该三维卷积5导模块添加在基础网络Net1的编码器的第一个卷积块与新增解码器的第三个卷积块之间，将第二个位置引导模块添加在基础网络Net1的编码器的第二个卷积块与新增解码器的第8.根据权利要求1所述方法，其特征在于，所述步骤(59.根据权利要求1所述方法，其特征在于，所述步骤(的背景概率图BP21与前景概率图FP21分别与所述E1逐像素点乘得到位置注意后的背景特征6的背景概率图BP22与前景概率图FP22分别与所述E2逐像素点乘，得到位置注意后的背景特(6f)建立由一个三维卷积层与一个Softmax激活层构成的深度监督模块，该三维卷积导模块添加在基础网络Net1的编码器的第一个卷积块与新增解码器的第三个卷积块之间，将第二个位置引导模块添加在基础网络Net1的编码器的第二个卷积块与新增解码器的第(7b)在第三训练集A3中取一张CT图像作为位置引导与一致性学习增量网络Net3的输导与一致性学习增量网络Net3中新增的解码器、两个位置引导模块和深度监督模块的参7[0003]许多基于传统算法的腹部多器官分割方法被陆续提出。Chu等人在期刊MedicalImaging:ImageProcessing上发表的文章Multi_organsegmentationfrom3DabdominalCTimagesusingpatient_specificweighted_probabilisticatlas中提出了一种基于患者特异性加权概率图谱的腹部多器官三维自动分割方法。OKada等人在期刊MedicalImageAnalysis上发表的文章Abdominalmulti_organsegmentationfromCTimagesusingconditionalshape–locationandunsupervisedintensitypriors中引发表的文章AutomaticMulti_organSegmentationonAbdominalCTwithDenseV_练好的网络以包含新增器官被称为增量分割，在增量分割中需要解决旧器官被遗忘的问题。为此，Liu等人在arXiv上发表的文章IncrementalLearningforMulti_organSegmentationwithPartiallyLabeledDatasets中使用了知识蒸馏的思想，即计算新网8[0011](2)基于UNet网络结构，构建由编码器、解码器与深度监督模块构成的基础网络[0012](3)使用He初始化方式对基础网络Net1进行初始化，利用有标注的第一训练集A1[0013](4)将训练好的基础网络参数W1加载到基础网络Net1中，并在Net1中新增一个解[0014](5)使用He初始化方式对位置引导增量网络Net2新增结构的参数进行初始化，将[0015](6)将训练好的位置引导增量网络参数W2加载到位置引导增量网络Net2中，并在[0016](7)使用He初始化方式对位置引导与一致性学习增量网络Net3新增结构的参数进[0018](9)将第一测试集B1、第二测试集B2与第三测试集B3输入到位置引导与一致性学9[0045](2.1)建立由五个卷积块和四个最大池[0048](2.4)将编码器与解码器串行连接[0053](3.2)在第一训练集A1中取一张CT图像作为[0061]其中pi表示基础网络Net1对T(Xu)的预测结果的第i个像素点，表示基础网[0069](4.2)建立位置引导增量网络的第一个位计算位置引导增量网络的背景概率图BP1[0073](4.3)将位置引导增量网络的背景概率图BP11和前景概率图FP11上采样到与所述E1相同的大小，并将上采样后的位置引导增量网络的背景概率图BP11和前景概率图FP11分别与所述E1逐像素点乘，得到位置注意后的位置引导增量网络的背景特征图E1BP与前景特[0074](4.4)建立位置引导增量网络的第二个位计算位置引导增量网络的背景概率图BP12与[0078](4.5)将位置引导增量网络的背景概率图BP12与前景概率图FP12上采样到与所述E2相同的大小，并将上采样后的位置引导增量网络的背景概率图BP12与前景概率图FP12分别与所述E2逐像素点乘，得到位置注意后的位置引导增量网络的背景特征图E2BP与前景特征图E2FP，再沿通道方向对位置引导增量网络的背景特征图E2BP与前景特征图E2FP进行拼[0080](4.7)将新增的解码器与基础网络Net1导增量网络的第一个位置引导模块添加在基础网络Net1的编码器的第一个卷积块与新增[0084](5.3)在第二训练集A2中取一张CT图像作为位置引从而构建位置引导与一致性学习增量网络N[0091](6.2)建立位置引导与一致性学习增量[0095](6.3)将位置引导与一致性学习增量网络的背景概率图BP21与前景概率图FP21上图BP21与前景概率图FP21分别与所述E1逐像素点乘，得到位置注意后的位置引导与一致性学习增量网络的背景特征图E1BP'与前景特征图E1FP'；再沿通道方向对位学习增量网络的背景特征图E1BP'与前景特征图E1FP'进行拼接得到位置引导与一致性学习[0096](6.4)建立位置引导与一致性学习增量习增量网络的背景概率图BP22与前景概[0100](6.5)将位置引导与一致性学习增量网络的背景概率图BP22与前景概率图FP22上图BP22与前景概率图FP22分别与所述E2逐像素点乘，得到位置注意后的位置引导与一致性学习增量网络的背景特征图E2BP'与前景特征图E2FP'，再沿通道方向拼接位置性学习增量网络的背景特征图E2BP'与前景特征图E2FP'，得到位置引导与一致性网络的位置注意特征图E2”，最后使用一个通道注意力SE模块和一个1×1×1的卷积层对[0102](6.7)将新增的解码器与基础网络Net1导与一致性学习增量网络的第一个位置引导模块添加在基础网络Net1的编码器的第一个置引导模块添加在基础网络Net1的编码器的第二个卷积块与新增解码器的第二个卷积块[0103]步骤7.使用第三训练集A3和Adam优化器迭代训练位置引导与一致性学习增量网[0104](7.1)使用He初始化方式对位置引导与一致[0106](7.3)在第三训练集A3中取一张CT图像作为位[0114]本实验仿真平台是内存32G方法肝肾脾胆胃胰腺十二指肠均值FT00000064.5±15.1_LWF91.9±2.980.0±16.989.6±8.364.7±17.856.2±17.563.9±13.974.0±14.1单独分割95.0±1.491.8±14.193.1±7.779.8±16.983.1±10.178.1±9.964.2±14.483.6±10.6联合训练194.0±1.690.1±13.592.9±6.473.9±18.980.8±8.879.1±7.571.0±11.583.1±9.7联合训练293.3±2.189.9±13.792.0±6.071.7±19.478.1±9.378.9±7.968.6±12.181.8±10.1本发明95.4±1.292.1±14.293.2±8.379.6±15.585.4±9.479.4±7.970.6±10.985.1±9.6[0122]所述FT是指对旧网络的编码器与解码器同时微调以增量分割新器官，由表1第一[0123]所述LWF是指通过给新网络的损失函数施加知识蒸馏约束的方法来保护