CN116452515B 基于通 用与私有特征联合域表示的类增量多器官分割方法 （西安电子科技大学）

基于通用与私有特征联合域表示的类增量本发明公开了一种基于通用与私有特征联有方法对解剖区域和分割目标高度专一化造成与私有特征联合域表示的类增量多器官分割模明能挖掘不同解剖区域和分割目标之间的共性CT图像中对人体腹部区域多个器官的自动检测2(1b)采用最小_最大标准化，将多解剖区域影像数据集和腹部CT影像数据集中所有图(1c)将(1b)映射后的多解剖区域影像数据集图像先进行下采样至192x192x192或者192x192x96之后，按照固定尺寸96x96x96对其进(1d)将(1b)映射后的腹部CT影像数据集中所有的图像统一进行下采样至96x96x96，(4)基于通用数据训练集，采用反向传播法对构建的ISRNet通用表征学习网络进行迭(5b)将步骤(4)训练好的通用表征模型中的编码器作为特征提取器，并将其的五个编将(5a)中的联合表征模块DJRM依次连接到特征提取器和该网络编码器的每一个编码层之(6)将分割数据训练集输入到构建好的类增量多器官分割模型中，通过重构背景类设(7)将分割数据测试集输入到训练好的类增量多器官分割模型中，得到在分割数据的2.根据权利要求1所述的方法，其特征在于，步骤所述的编码器中的五个编码层(E1,E2,E3,E4,E5)依次级联组成，其前四个编码层(E1,3个Linear线性层和一个Sigmoid激活层依次该卷积块由一个卷积核大小为1x1x1，步长为1的卷积层、一个实例归一化层和一个该ViT层由12xTransformerLayer层、一个Reshape层和一个卷积合注意力块DA和多尺度卷积块DMSC的结构所述的域组合注意力块DA，由域注意分支与通用域表示分支并行连接SEAdapter适配器组成，每个SEAdapter适配器均由全局平均池化层、全连接层、所述的多尺度卷积块DMSC，由四个不同尺度的卷积块依次串行连接组46.根据权利要求1所述的方法，其特征在于，所述步骤((6b)计算t阶段模型预测图像qt的旧类别和背景类别概率合并结果q',t阶段qt的新类7.根据权利要求1所述的方法，其特征在于，0.01进行预热，剩下190轮对学习率使用余弦退火衰减策略进行调整，优化器为Ada(6c)根据(6a)中设定的批次大小将分割训练集分批输入到类增量多器官分割模型中，得到前一阶段t_1的伪标签图像和当前阶56CT图像中对人体腹部区域多个目标器官的自动[0002]人体腹部从解剖学意义上看是指从胸底横膈膜到骨候的不断恶化以及人们生活方式的不断转变，腹部重要器官的发病率以及患癌率逐年升习方法提升多器官分割准确度上做了许多努力。Gibson等人在IEEETMI上发表的《AutomaticMulti_OrganSegmentationonAbdominalCTwithDenseV_Networks》提出基于密集连接模块的多尺度DenseVNet分割网络，实现了CT图像上8个腹部器官的精确分割。Wang等人在MIA上发表的《AbdominalMulti_organSegmentationwithOrgan_attentionNetworksandStatisticalFusion》提出两阶段逆向连接的器官注意力网络，用于腹部器官的自动化分割。器官注意力网络中，第一阶段的网络输出与原始输入图像共同作为第二阶段的输入，以减少复杂背景对目标分割的干扰，并且为第二阶段提供目标区《TransUNet:TransformersMakeStrongEncodersforMedicalImageSegmentation》提出采用CNN与Transformer混合编码的TransUnet网络，该网络在编码器的CNN后加入多层Transformer结构对全局特征进行处理，再将编码器得到的低层特征与解码器得到的高层特征的相融合，在腹部多器官分割任务中表现优异。Tang等人在IEEE发表的《UNETR:网络使用纯Transformers作为编码器来学习输入量的序列表示并有效地捕获全局多尺度的语义分割输出。Liu等人在MICCAI发表的《LearningIncrementallytoSegment标注的数据集实现对腹部多器官的准确分割。7[0010](1b)采用最小_最大标准化，将多解剖区域影像数据集和腹部CT影像数据集中所[0012](1d)将(1b)映射后的腹部CT影像数据集中所有的图像统一进行下采样至96×96[0017](4)基于通用数据训练集，采用反向传播法对构建的ISRNet通用表征学习网络进[0019](5a)建立由域组合注意力块DA和多尺度卷积块DMSC级联组成的联合表征模块[0020](5b)将步骤(4)训练好的通用表征模型中的编码器作为特征提取器，并将其的五个编码层(U1,U2,U3,U4,U5)与ISRNet编码器的五个编码层(E1,E2,E3,E4,E5)分别并行连[0021](6)将分割数据训练集输入到构建好的类增量多器官分割模型中，通过重构背景8[0022](7)将分割数据测试集输入到训练好的类增量多器官分割模型中，得到在分割数[0035]1.2)获取来自4家不同医疗中心的腹部[0037]1.4)采用最小_最大标准化，将多[0039]1.6)将1.4)映射后的腹部CT影像数据集中所有的图像统一进行下采样至96×969[0043]步骤3，构建基于自监督学习的通用表征学习网络ISRNet作为待训练的通用表征层和LeakyReLU激活层组成，第一个分支包含一个卷积核大小为1×1×1，步长为1的卷积[0047]该SE通道注意力块由一个平均池化层、一个Linear线性层、一个LeakyReLU激活[0049]该ViT层由12×TransformerLayer层、一个Reshape层和一个卷积层依次级联组[0057]4.3)将通用数据训练集中的扰动图像输入到构建的ISRNe[0058]4.4)将通用数据训练集中的裁块后图像与预测图像代入损失函网络损失值不下降或者总迭代轮数达到200代时，停止训练，得到训练好的通用表征模型W'。[0066]该通用域表示分支由8个并行的SEAdapter适配器组成，每个SEAdapter适配器均[0072]5.2)将步骤3训练好的通用表征模编码层(U1,U2,U3,U4,U5)与ISRNet编码器的五个编码层(E1,E2,E3,E4,E5)分别并行连接，再将5.1)中的联合表征模块DJRM依次连接到特征提取器和该网络编码器的每一个编码层[0078]5.3.2)计算t阶段模型预测图像qt的旧类别和背景类别概率合并结果q',再将t阶[0082]5.3.3)根据qt的旧类别和背景类别概率合并结果设置分[0092]6.3)根据6.1)中设定的批次大小将分割训练集分批输入到类增量多器官分割模[0099]本发明的仿真实验平台是Linux操作系统，配置为InteleCoreTMi7_12700KFCPU和[0100]本发明的仿真实验数据包括多解剖区域影像数据集和腹部[0105]表1中Liver表示肝脏Dice指标、Spleen表示脾脏Dice指标、Pancreas表示胰腺Dice指标、Rightkidney表示右肾Dice指标、Average表示4个器官的平均Dice指标，其中明了本发明基于通用与私有特征联合域表示的类增量多器官分割方法能够提升腹部多器[0110]由表2可见，添加