一种基于部分标注数据学习的多器官分割方法技术

本发明专利技术属于医学影像技术领域，特别涉及一种基于部分标注数据学习的多器官分割方法，包括：构建不同尺度下的语义特征，获取不同尺度下的图像；图像包括多个器官的图像；基于图像的上下文的自适应权重层融合不同尺度下的分割特征，并基于器官大小分布的先验损失，调整不同器官的输出尺寸均值，使每个器官的输出尺寸均值与每个器官的先验比例值近似，获取多器官分割网络；基于多器官分割网络，对图像的每个器官进行分割。该方法能够充分利用具有部分标注的数据集，通过多器官分割网络实现对输入图像的每个器官进行精确分割。图像的每个器官进行精确分割。图像的每个器官进行精确分割。

【技术实现步骤摘要】
一种基于部分标注数据学习的多器官分割方法


[0001]本专利技术涉及医学影像
，尤其涉及一种基于部分标注数据学习的多器官分割方法。

技术介绍

[0002]随着深度卷积神经网络的发展，深度卷积神经网络在单器官分割方面表现出良好的性能。然而，在临床应用中经常面临多器官分割问题。使用单器官分割算法对多个器官进行独立分割，虽然简单明了，但却失去了图像的全局性。因此，分割性能可能会下降。
[0003]然而，为训练算法收集多器官标注比为单个器官数据集标注要困难得多。在医学图像分析领域，大部分的数据出于各种研究目的标注的是不同的潜在危险器官。如果能够将这些多单一器官标注的数据集结合起来训练一个多器官分割网络，通过多器官分割网络对图像进行多器官分割，将具有极大的优势。

技术实现思路

[0004]针对上述现有技术，本专利技术提出一种基于部分标注数据学习的多器官分割方法，解决现有的分割方法欠缺图像的全局性以及分割性能不佳的问题。
[0005]为了解决上述技术问题，本专利技术提供了一种基于部分标注数据学习的多器官分割方法，包括：本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于部分标注数据学习的多器官分割方法，其特征在于，包括：构建不同尺度下的语义特征，获取不同尺度下的图像；所述图像包括多个器官的图像；基于所述图像的上下文的自适应权重层融合不同尺度下的分割特征，并基于所述器官大小分布的先验损失，调整不同器官的输出尺寸均值，使每个器官的输出尺寸均值与每个器官的先验比例值近似，获取多器官分割网络；基于所述多器官分割网络，对所述图像的每个器官进行分割。2.根据权利要求1所述的基于部分标注数据学习的多器官分割方法，其特征在于，所述多器官分割网络包括多个数据集，所述数据集包括完全标注的数据集和部分标注的数据集；所述完全标注的数据集包括对每个器官进行标注的数据集；所述部分标注的数据集包括对部分器官进行标注的数据集。3.根据权利要求2所述的基于部分标注数据学习的多器官分割方法，其特征在于，所述数据集包括LiTS数据集、KiTS数据集、Spleen数据集以及BTCV数据集。4.根据权利要求1所述的基于部分标注数据学习的多器官分割方法，其特征在于，采用金字塔输入输出构建不同尺度下的语义特征。5.根据权利要求4所述的基于部分标注数据学习的多器官分割方法，其特征在于，所述采用金字塔输入输出构建不同尺度下的语义特征，获取不同尺度下的图像，包括：获取医学影像数据集，并为所述医学影像数据集作的图像中所有器官制作分割标签；对所述医学影像数据...

【专利技术属性】
技术研发人员：王珊珊，薛珍珍，李程，郑海荣，
申请(专利权)人：中国科学院深圳先进技术研究院，
类型：发明
国别省市：