CN117314884B 一种基于双向指导原型对齐的小样本医学图像分割方法 （大连大学）

AlignmentNetworkforFew-ShotMed73卷正文1-13.一种基于双向指导原型对齐的小样本医学本发明提供了一种基于双向指导原型对齐分支(查询到支持)和支持引导分支(支持到查询)之间提出了双引导优化过程，从而进一步缓取全局信息并保留有价值的本地信息的基础上2型PS和查询特征FQ之间的余弦相似度来估计初始查询预测掩码Mq，利用初始查询预测掩码Mq和查询特征FQ通过自适应原型模块APM生成自适应查询原步骤3.1：将自适应原型模块APM输出的自适应查询原型PQ与的支持原型PS进行加权聚用公式(9)表示：步骤5：加载步骤4中的模型，将所需医学图像输入到训练2.根据权利要求1所述一种基于双向指导原型对齐的小样本医学图像分割方法，其特S表示地面真值掩码；Q和支持原型PS之间的负余弦相似度_S使用移位sigmoid函数σ;3步骤2.3：将生成的初始查询预测掩码Mq和查询特征FQ联合输入到自适应原型模块APM然后，使用掩码平均池化MAP操作生成全局前景原型PQ,f和全局背景原型PQ,b，如公式通过在过滤后的背景掩模和查询特征之间执行掩模乘法来重建查询特征重建的查询特征FOS与原始查询特征FQ之间的矩阵乘法构造相似度矩阵CA,其结构用公式qs)(6)通过沿第一维的softmax运算对相似度矩阵进行归一化，利用归一化相似度矩阵与重掩码s:步骤4.3：通过计算两种类型的损失，包括分割损失Eseg和对齐损失Latign去训练所4通过计算在最终查询预测掩码和查询图像的相应地面真值掩码MQ之间的二值交叉Lpreu=BCE(T,.M0)(12)通过计算在初始预测掩码Mq和查询图像的相应地面真值掩码MQ之间的二值交叉熵损失Linit用公式(13)表示：sr=BCE(M,MO)(13)步骤4.3.2：然后计算对齐损失LaeignsLatign由三个损失项组成，包括查询指导分4和λ5表示权重；通过计算查询指导分支产生的支持预测掩码和查询的相应地面真值掩码MS之间的二值交叉熵损失BCE来获得支持预测损失Luuae,用公式(15)表示：通过计算使用支持原型PS来匹配支持特征产生的支持预测结果MS,与MS之间的二值交叉熵损失BCE来获得支持原型损失LPC,用公式(16)表示：LPC=BCE(MS,M5)(16)结果与地面真值掩码MS之间的二值交叉熵损失BCE来获得自适应原型对齐损失L.apc,用公5Lavc=BCE(W(S(P,FS)),MS)(17)5.根据权利要求4所述一种基于双向指导原型对齐的小样本医学图像分割方法，其特λ36研究人员将FSL集成到医学图像分割中。虽然小样本分割(FSS)技术已经有了相当大的进的余弦相似度来估计初始查询预测掩码，利用初始查询预测掩码Mq和FQ通过自适应原型模聚合原型P和查询特征FQ之间的余弦相似7[0017]步骤2.2：对查询特征向量FQ和支持原型PS之间的负余弦相似度_S使用移位8[0030]通过在过滤后的背景掩模和查询特征之间执行掩模乘法基于重建的查询特征Fqs与原始查询特征FQ之间的矩阵乘法构造相似度矩阵CA,其结构用[0033]通过沿第一维的softmax运算对相似度矩阵进行归一化，利用归一化相似度矩阵9ign(10)测损失Lpreds计算分割损失Lseg,用公式(11)表示：[0053]通过计算在最终查询预测掩码和查询图像的相应地面真值掩码MQ之间的二值[0055]通过计算在初始预测掩码Mq和查询图像的相应地面真值掩码MQ导分支的支持预测损失Lsuae、支持原型损失LPC和提apc(14)[0060]通过计算查询指导分支产生的支持预测掩码和查询图像的相应地面真值掩码MS之间的二值交叉熵损失BCE来获得支持预测损失Luuae,用公式(15)表示：[0062]通过计算使用支持原型PS来匹配支持特征FS产生的支持预测结果MS与MS之间的二值交叉熵损失BCE来获得支持原型损失LPC,用公式(16)表示：[0064]其中MS,=1-o(0.5(-s(ps,FS)-t)):σ为移位sigmoid函数；S为负余弦相预测结果与地面真值掩码MS之间的二元交叉熵损失BCE来获得自适应原型对齐损失L.apc,练数据和ResNet101编码器的预训练权重输入到小样本医学图像分割网络中(如图1所入的医学图像对应的分割掩码图像以及相应的评价指标。将使用平均骰子得分(DSC)作为[0083]根据以上步骤，本发明在两种不同的实验设置下(Setting：不排除背景切片和三个常见的测试集上的分割准确率基本都优[0084]表1在Setting1下与最先进的模型在Abdominal_CT和Abdominal_MRI数据集上的[0087]表2在Set