基于多源集成蒸馏的多器官分割方法及系统技术方案

本发明专利技术提供了一种基于多源集成蒸馏的多器官分割方法及系统，包括：输入图片经过所述的教师和学生模型预测得到多组分割图；将教师图片分割图进行输出转换，扩充到多类别输出；根据基于区域的掩码对输出进行器官和背景区域的转换；对不同器官区域和背景区域分别进行监督学习，使得教师和学生模型的转换后的预测结果对齐，得到一个高效的学生多器官分割模型；输入预测图片经过学生多器官分割模型，获得器官分割预测结果。本发明专利技术通过多源集成蒸馏的方法，指导训练一个效果更好的多器官分割模型，实现隐私友好情况下的更精确的无监督多器官分割。官分割。官分割。

【技术实现步骤摘要】
基于多源集成蒸馏的多器官分割方法及系统


[0001]本专利技术涉及计算机视觉、图像处理和计算机辅助医学诊断的
，具体地，涉及基于多源集成蒸馏的多器官分割方法及系统。

技术介绍

[0002]器官分割是计算机辅助医学诊断的基础任务之一，对疾病发现和后续的治疗起着至关重要的作用。医学图像分割的目的是从医学图像中以自动或半自动的方式提取感兴趣的解剖区域。根据临床应用的不同，感兴趣的特定区域的范围可以从肿瘤到骨骼再到血管。近年来，深度学习的蓬勃发展也给医学图像处理带来了全新的思路和突破。虽然深度学习方法已广泛应用于此任务，但它们的成功在很大程度上取决于高质量的标注，然而实际中医学标注成本高昂且难以获得。此外，医生通常只标注自身感兴趣的、自身擅长的某个器官。因此，现有的主要研究聚焦于单器官分割模型，对多器官分割模型缺少探索。多器官分割模型可以减少计算和存储开销，还能利用器官之间的先验知识。为了创造一个多器官数据集，需要对单个图像中的多个器官进行注释，这要求多个不同领域专家的共同合作，大大地增加了标注的难度与成本，导致多器官标注的数据集匮乏，限制了多器本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多源集成蒸馏的多器官分割方法，其特征在于，所述方法包括如下步骤：步骤S1：输入图片经过教师和学生模型预测得到多组分割图；步骤S2：将教师图片分割图进行输出转换，扩充到多类别输出；步骤S3：根据基于区域的掩码对输出进行器官和背景区域的转换；步骤S4：对不同器官区域和背景区域分别进行监督学习，教师和学生模型的转换后的预测结果对齐，得到一个学生多器官分割模型；步骤S5：输入预测图片经过学生多器官分割模型，获得器官分割预测结果。2.根据权利要求1所述的基于多源集成蒸馏的多器官分割方法，其特征在于，所述步骤S1利用卷积层和全连接层构成的教师单器官神经网络分割模型，对输入图片进行预测，公式如下：其中，x是输入图片，上标j表示第j个维度，是第m个教师神经网络模型，δ
k
表示在第k个维度的softmax预测输出，是通过第m个教师神经网络模型得到的第k个维度的预测概率；利用卷积层和全连接层构成的学生多器官神经网络分割模型，对输入图片进行预测，公式如下：其中，f
t
是学生神经网络模型，是通过学生神经网络模型得到的第k个维度的预测概率。3.根据权利要求1所述的基于多源集成蒸馏的多器官分割方法，其特征在于，所述步骤S2包括：对于器官区域，保持教师分割模型的背景预测不变，将对编号为m的器官的预测转移到第m个维度，然后将所有其他维度的值设为0，公式如下：其中，是教师模型输出转换映射后的对编号为m的器官的输出；对于背景区域，平均所有M个教师单器官分割模型的预测值，公式如下：其中，是教师模型输出转换映射后的对背景的输出。4.根据权利要求1所述的基于多源集成蒸馏的多器官分割方法，其特征在于，所述步骤S3包括：获取对于器官m的预测掩码，公式如下：
转换教师单器官分割模型对于器官区域的预测，公式如下：转换学生多器官分割模型对于器官区域的预测，公式如下：获取第m个教师单器官分割模型对于背景的掩码，公式如下：聚合所有M个教师单器官分割模型对于背景的掩码，公式如下：转换教师单器官分割模型对于背景区域的预测，公式如下：转换学生多器官分割模型对于背景区域的预测，公式如下：5.根据权利要求1所述的基于多源集成蒸馏的多器官分割方法，其特征在于，所述步骤S4对不同器官区域和背景区域设置不同的权重，对齐教师和学生模型的转换后的预测结果，公式如下：其中，λ是一个用于平衡器官区域和背景区域权重的超参数。6.根据权利要求1所述的基于多源集成蒸馏的多器官分割方法，其特征在于，所述步骤S5输入预测图片经过学生多器官分割模型进行预测,公式如下：p＝δ(f
t
(x))
ꢀꢀꢀꢀꢀ...

【专利技术属性】
技术研发人员：王延峰，张乐飞，冯世祥，王钰，张娅，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：