基于条件扩散模型和迁移学习的跨模态超声图像分割方法技术

本发明专利技术公开了一种基于条件扩散模型和迁移学习的跨模态超声图像分割方法，包括：首先获取三维原模态数据集与三维目标模态数据集并进行预处理；然后构建条件扩散模型，设定训练参数并训练模型，获得训练后的条件扩散模型以及条件去噪网络的权重参数；再利用训练后的条件扩散模型对预处理后的三维原模态数据集进行推理，批量翻译为带标签的三维模拟超声图像；再将训练后的权重参数迁移到混合注意力分割网络中并对分割网络进行预训练；最后使用迁移学习，通过三维目标模态训练集对预训练后的混合注意力分割网络的参数进行微调训练以适应三维真实超声数据，以在三维目标模态验证集表现最好的微调模型作为混合注意力分割模型进行图像分割。

【技术实现步骤摘要】

本专利技术涉及医学图像处理，具体是一种基于条件扩散模型和迁移学习的跨模态超声图像分割方法。

技术介绍

1、超声图像作为一种非侵入式的成像技术，以其实时性、高安全性和成本低廉的优势被广泛应用于包括脑部、胸腹部等多部位的脑肿瘤、肺炎、胸腔积液等各种疾病的诊断。然而，超声图像质量受限于成像设备、患者体位以及扫描者的操作技能，通常存在噪声大、对比度低和解剖结构不清晰等问题，导致在脑部和胸腹部疾病的诊断过程中，超声图像的分割任务艰巨。超声图像分割不仅可以精确定位病变区域，还能够提供有关器官形态、大小和功能的重要信息，辅助疾病的早期诊断和治疗决策。

2、近年来，深度学习技术尤其是基于卷积神经网络(cnn)的语义分割算法在mri(magnetic resonance imaging，磁共振成像)、ct(computed tomography，计算机断层扫描)、us(ultrasound，超声)等模态的医学图像分割任务中应用广泛，取得了显著进展。但是目前在脑部和胸腹部超声图像的自动分割中，仍存在以下几大问题：(1)边界分割不清晰：超声图像的噪声较大，且组织边界本文档来自技高网...

【技术保护点】

1.一种基于条件扩散模型和迁移学习的跨模态超声图像分割方法，其特征在于，该方法包括以下步骤：

2.根据权利要求1所述的基于条件扩散模型和迁移学习的跨模态超声图像分割方法，其特征在于，步骤1中，三维原模态数据集由三维原模态图像构成，三维原模态图像为三维MRI图像或三维CT图像；

3.根据权利要求1所述的基于条件扩散模型和迁移学习的跨模态超声图像分割方法，其特征在于，步骤2中，条件扩散模型由依次进行的前向扩散过程和反向扩散过程构成；前向扩散过程输入三维原模态训练集中的三维原模态图像，通过逐时间步加入高斯噪声，生成完全高斯噪声图像以及不同噪声级别的过程加噪图像；反向扩散...

【技术特征摘要】

1.一种基于条件扩散模型和迁移学习的跨模态超声图像分割方法，其特征在于，该方法包括以下步骤：

2.根据权利要求1所述的基于条件扩散模型和迁移学习的跨模态超声图像分割方法，其特征在于，步骤1中，三维原模态数据集由三维原模态图像构成，三维原模态图像为三维mri图像或三维ct图像；

3.根据权利要求1所述的基于条件扩散模型和迁移学习的跨模态超声图像分割方法，其特征在于，步骤2中，条件扩散模型由依次进行的前向扩散过程和反向扩散过程构成；前向扩散过程输入三维原模态训练集中的三维原模态图像，通过逐时间步加入高斯噪声，生成完全高斯噪声图像以及不同噪声级别的过程加噪图像；反向扩散过程以完全高斯噪声图像为起点，通过条件信息引导条件去噪网络tu-net逐时间步进行去噪，提高生成图像的纹理以及语义一致性，直至生成完全去噪图像；

4.根据权利要求1所述的基于条件扩散模型和迁移学习的跨模态超声图像分割方法，其特征在于，步骤2中，训练参数包括扩散时间步和训练轮数；

5.根据权利要求1所述的基于条件扩散模型和迁移学习的跨模态超声图像分割方法，其特征在于，步骤2中，条件去噪网络tu-net包括五层并行编码器和五层共享解码器；五层并行编码器依次顺序连接，五层共享解码器依次顺序连接；第5层并行编码器的输出传输至第1层共享解码器；

<...

【专利技术属性】
技术研发人员：姜杉，王力文，杨志永，周泽洋，李煜华，
申请(专利权)人：天津大学，
类型：发明
国别省市：