基于逐步学习和混合样本的急性脑卒中病变分割方法技术

本发明专利技术公开了一种基于逐步学习和混合样本的急性脑卒中病变分割方法。包括步骤：设计一个可以进行端到端训练的分割网络，在下采样部分的输出层后依次连接全局均值池化层和分类层；由有标记的数据样本初始化上述步骤的分割网络；使用完成初始化的分割网络进行逐步学习，利用有标记的数据样本为无标记的数据样本分配图像级的伪标记并在迭代过程中使用标记的数据样本进行语义约束；设计一个基于多特征图融合的解码网络，将上述步骤训练好的下采样部分与该解码网络连接；利用有标记的数据样本对新的网络进行端到端的训练；在测试数据集上对该网络进行评估，并输出对应的测试结果。本发明专利技术有效利用了无标记的数据样本，大大减少了获取数据样本的成本。获取数据样本的成本。获取数据样本的成本。

【技术实现步骤摘要】
基于逐步学习和混合样本的急性脑卒中病变分割方法


[0001]本专利技术涉及急性脑卒中核磁共振图像分割
，具体是一种基于逐步学习和混合样本的急性脑卒中病变分割方法。

技术介绍

[0002]缺血性脑卒中是一种常见的疾病，尤其在老年群体中更为多发，如果不能及时发现并治疗，它可能导致人身残疾甚至死亡。然而，它的治疗窗口在急性发病阶段很短，快速定位病变位置和量化病变体积对于急性脑卒中的治疗是非常关键的。
[0003]当前，随着人工智能技术的飞速发展，基于深度学习的医学图像处理方法层出不穷，其中一些研究者利用该技术对急性脑卒中的医学图像进行了病变分割。Chen提出一种两阶段的神经网络结构，分别用于初步分割和后处理，该方法在单模态弥散加权成像(diffusion weighted images,DWI)上取得0.67的分割精度；为了充分利用核磁共振图像(magnetic resonance imaging,MRI)的上下文信息，Zhang提出基于3D的神经网络结构；为了减少单模态MRI可能带来的过检或漏检问题，Liu提出残差卷积神经网络结构在多本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于逐步学习和混合样本的急性脑卒中病变分割方法，其特征在于，使用有标记的数据样本逐步为无标记的数据样本分配图像级伪标记，并在逐步学习过程中由有标记的数据样本进行语义约束，接着将该网络的下采样部分与新设计的解码网络连接并利用有标记的数据样本进行端到端的训练，具体包括以下步骤：1)设计一个可以进行端到端训练的分割网络，在下采样部分的输出层后依次连接全局均值池化层和分类层；2)由有标记的数据样本初始化1)的分割网络；3)使用2)中完成初始化的分割网络进行逐步学习，具体是将有标记的数据样本与无标记的数据样本混合输入到分割网络，在全局均值池化层输出一定维度的特征，然后分别对所有正样本和负样本对应的特征求均值。将无标记数据样本的特征向量分别与处理后的正负样本的特征向量求欧式距离，根据该值，选择离正样本最近的几个无标签样本和离负样本最近的几个无标签样本并赋予各自对应的图像级伪标记，进行下一轮的分类训练，直到把一定比例的无标记数据样本迭代完则停止训练过程。在此过程中，每次迭代均使用有标记的数据样本进行语义约束；4)设计一个基于多特征图融合的解码网络，将3)中训练好的下采样部分与该解码网络连接；5)利用有标记的数据样本对4)的网络进行端到端的训练；6)在测试数据集上对5)得到的算法进行评估，并输出对应的测试结果。2.如权利要求1所述的基于逐步学习和混合样本的急性脑卒中病变分割方法，其特征在于，基于经典的全卷积网络设计一个新的网络，在下采样部分的输出层后依次连接全局均值池化层和分类层。3.如权利要求1所述的基于逐步学习和混合样本的急性脑卒中病变分割方法，其特征在于，由有标记的数据样本初始化新设计的分割网络，有标记的数据样本设定为...

【专利技术属性】
技术研发人员：刘之洋，赵彬，吴虹，刘国华，丁数学，
申请(专利权)人：南开大学，
类型：发明
国别省市：