買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網恭喜安徽銀邊醫療科技有限公司申請的專利一種基于多層面領域自適應技術的無監督腦出血分割方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN111951220B 。

龍圖騰網通過國家知識產權局官網在2025-05-06發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202010659486.5，技術領域涉及：G06T7/00；該發明授權一種基于多層面領域自適應技術的無監督腦出血分割方法是由李建強;董大強;付光暉;吳敬怡設計研發完成，并于2020-07-10向國家知識產權局提交的專利申請。

本一種基于多層面領域自適應技術的無監督腦出血分割方法在說明書摘要公布了：一種基于多層面領域自適應技術的無監督腦出血分割方法涉及計算機處理技術領域。本發明用基于語義保留機制的圖像合成網絡，通過多重語義保留機制，包括對合成目標域圖像的語義保留，對循環生成源域圖像的語義保留，以及對輸入圖像的適配機制，保留針對于具體分割任務的重點區域的語義特征；采用基于領域自適應機制的圖像分割網絡，來優化CT腦出血分割任務的語義分割效果。

本發明授權一種基于多層面領域自適應技術的無監督腦出血分割方法在權利要求書中公布了：1.一種基于多層面領域自適應技術的腦出血分割方法，其特征在于，包括以下步驟：S1：構建基于語義保留機制的腦CT圖像合成網絡以及基于領域自適應機制的腦出血分割網絡；基于語義保留機制的腦CT圖像合成網絡包括兩個結構一致的生成器，兩個結構一致的鑒別器以及一個語義保留模塊，語義保留模塊包含兩個語義分割子網絡以及一個圖像語義相似圖像選取模塊；所述生成器，包括特征提取階段，特征融合階段，上采樣階段；所述特征提取階段用于對預處理后輸入的圖像進行特征抽取與編碼，該階段包括4個隱藏層：對于前2個隱藏層，每個隱藏層包含一步7x7卷積操作，一步層歸一化操作，一步線性整流函數激活操作；對于后兩個隱藏層，每個隱藏層包含一步3x3卷積操作，一步層歸一化操作，一步線性整流函數激活操作；特征融合階段將特征提取階段產生的特征圖進行再編碼，完成不同感受野下具體語義信息與抽象語義信息的整合，共包括6個稠密連接模塊,模塊內隱藏層的輸入采用稠密連接，每個稠密連接塊包括5個隱藏層，每個隱藏層包含一步3x3卷積操作，一步層歸一化操作，一步線性整流函數激活操作；稠密連接定義為：xl+1＝H[x0,…,xl]1Ηxi＝W*σBxi2dl＝d0+g·l3其中，Hxi表示對輸入特征圖xi進行隱藏層運算，[]指特征圖按通道進行級聯操作，xi是第i個隱藏層輸入的特征圖，l是隱藏層的序數，dl表示第l層隱藏層輸入的通道數，g表示稠密連接模塊中所有卷積層輸出的通道數，d0表示輸入稠密連接模塊第一個隱藏層的特征圖的通道數，W表示通過訓練學習到的卷積層權重，B表示層歸一化運算，σ表示線性整流函數激活操作；上采樣階段完成由特征編碼到最終輸出的合成圖像的轉換，包括兩個隱藏層，每個隱藏層包含一步3x3轉置卷積操作，一步層歸一化操作，一步tanh函數激活操作；所述鑒別器，包含特征提取模塊以及預測模塊；其中，特征提取模塊包括5個隱藏層，每個隱藏層包含一步卷積操作，一步層歸一化操作，一步線性整流函數激活操作，預測模塊為一步卷積操作，用于將特征抽取模塊得到的特征圖轉換為預測圖；所述語義保留模塊的分割子網絡包括預訓練特征提取模塊以及多層上采樣跳層連接；所述預訓練特征提取模塊為在ImageNet數據集上預訓練的VGG-16網絡的一部分，共有5個卷積階段，5次最大池化操作，其中第一和第二個卷積階段包含兩個隱藏層，后三個卷積階段均包含三個隱藏層，每個隱藏層包含一步3x3卷積操作以及一步線性整流函數激活操作；兩個子網絡模型架構定義一致，均為預訓練特征提取模塊結合多層上采樣跳層連接操作；多層上采樣跳層連接定義如下：預訓練特征提取模塊的5步最大池化操作后輸出的特征圖，輸出按先后順序分別定義為v_out1,v_out2,v_out3,v_out4,v_out5；其中，v_out5經過反卷積操作，線性整流函數激活操作，層歸一化操作后與v_out4中特征圖按元素值相加得到特征圖temp1；temp1經過反卷積操作，線性整流函數激活操作，層歸一化操作后，與v_out3中的特征圖按元素值相加得到特征圖temp2；temp2經過反卷積操作，線性整流函數激活操作，層歸一化操作后，與v_out2中的特征圖按元素值相加得到特征圖temp3；temp3經過反卷積操作，線性整流函數激活操作，層歸一化操作后，與v_out1中的特征圖按元素值相加得到特征圖temp4；temp4經過反卷積操作，線性整流函數激活操作，層歸一化操作后，得到最終的特征圖；最終的特征圖經過一步1x1卷積操作及一步sigmoid激活操作后，經過閾值化得到預測的分割結果；所述語義保留模塊中相似圖像選取模塊負責在每張MRI圖像輸入時，尋找與之最相近的CT圖像，最相近的CT圖像隨機從最高相似度的20張CT圖像中選??；所述的相似度定義如下：sim＝100dhanmingphashx,phashy+|focusx-focusy|4其中，x，y指用于計算相似度的兩張圖像，phash為圖像感知哈希算法，通過離散余弦變換降低圖片頻率，得到圖像的二進制指紋；dhanming為漢明距離，用于獲取圖像二進制指紋之間的相似度；focus計算圖像粗糙病灶區域比例，對于源域圖像即MRI影像，直接取其語義分割標簽中值大于0的像素所占圖像全體像素比例即可；對于目標域圖像即CT影像，對圖像進行閾值二值化操作：對于值大于120且小于180的像素值取二值化1，其余像素值取二值化0；S12:所述基于領域自適應機制的圖像語義分割網絡包括分割網絡以及域鑒別器；其中，分割網絡結構與上述圖像合成網絡的語義保留模塊中的分割子網絡結構一致；其中，域鑒別器輸入為隱藏層輸出的特征圖以及隱藏層經過上采樣過程得到的預測，包括4個隱藏層和一個分類層，每個隱藏層包括一步4x4卷積操作，一步帶泄露線性整流函數操作，分類層為一個卷積層，用于輸出維度為1的預測圖；S2：訓練目標域訓練數據合成網絡進一步，需要帶標簽的源域訓練數據即MRI圖像及其語義分割標簽，以及無標簽的目標域訓練數據即腦CT圖像；對訓練數據進行預處理與數據增強：其中，預處理包括將源域圖像，源域標簽，目標域圖像采樣到一致大小，對所有圖像進行歸一化操作，即將數據處理為0均值和單位方差；數據增強方法：包括對所有圖像亮度值隨機浮動20％，對源域圖像及相應標簽以0.5概率進行水平翻轉；訓練模型需要進行多次的反向傳播與參數更新，每次更新前向模型輸入同樣批大小的訓練數據，每批訓練數據包含n張MRI圖像，n張MRI圖像相應的語義分割標簽，n張腦CT圖像，選取n＝1；數據在輸入網絡前，首先進行匹配對齊即將語義內容接近的腦腫瘤MRI圖像和腦出血CT圖像進行配對：每取一張待輸入網絡的源域影像，查找在步驟S12中語義保留模塊中相似圖像選取模塊中存儲的最相似目標域影像20張，從中隨機選取一張，將兩者配對；每次輸入新的數據，進行如下操作：MRI圖像s輸入到CT圖像生成器Gs,CT圖像t輸入到MRI生成器Gt；Gss與目標域圖像t輸入到目標域鑒別器Dt，Gtt與源域圖像s輸入源域鑒別器Ds，鎖定鑒別器更新，根據WassersteinGAN思想計算生成對抗損失如下： 其中，表示從指定分布中提取的數據，t為目標域圖像即CT腦出血圖像，Dt為目標域圖像鑒別器，Gss為源域圖像即MRI腦腫瘤圖像輸入到CT圖像生成器Gs后合成的偽目標域圖像即偽CT腦出血圖像，pt為目標域圖像的分布；指t為從目標域圖像中提取的；s為源域圖像即MRI腦腫瘤圖像，Ds為源域圖像鑒別器，Gtt為目標域圖像即CT腦出血圖像輸入到MRI圖像生成器Gt后合成的偽源域圖像即偽CT圖像，ps為源域圖像的分布，指s為從源域圖像中提取的；計算循環一致性損失如下：srecover＝GtGss7trecover＝GsGtt8 其中，表示從指定分布中提取數據，Gss，s與式5中定義一致，Gtt，t與式6中定義一致，srecover為偽目標域圖像即偽CT圖像輸入到CT生成器Gt后合成的循環源域圖像，即循環合成MRI圖像，trecover為偽源域圖像即偽MRI圖像輸入到MRI生成器Gs后合成的循環目標域圖像，即循環合成CT圖像，ps為源域圖像的分布，pt為目標域圖像的分布；將Gss與源域圖像s的標簽ys輸入到語義保留模塊中的分割子網絡Ft，凍結分割子網絡的更新，計算分割損失： 其中，Gss與式5中定義一致，ys為源域圖像即MRI圖像的語義分割標簽；Ft為語義保留模塊中的偽目標域圖像分割子網絡；將srecover與源域圖像s的標簽ys輸入到語義保留模塊中的分割子網絡Fs,凍結分割子網絡的更新，計算分割損失： 其中，srecover與式7中定義一致，ys與式10中定義一致；Fs為語義保留模塊中的循環源域圖像分割子網絡；得到的語義保留損失為： 其中，為10中分割子網絡計算得到的損失，為11中分割子網絡計算得到的損失；得到生成器損失函數如下并反向傳播，優化生成器Gs和Gt： 其中，為整合56中的生成對抗損失，9中的循環一致性損失，12中的語義保留損失得到的生成器損失；切斷Gss的梯度，將S的標簽和Gss輸入語義保留分割子網絡Ft,同上述式10計算分割損失，將計算出的損失進行反向傳播，優化Ft切斷srecover的梯度，將S的標簽和srecover輸入語義保留分割子網絡Fs,同上述式11計算分割損失，將計算出的損失進行反向傳播，優化Fs切斷Gss的梯度，計算損失如下并反向傳播，優化鑒別器Dt： 其中，Dt，Gss與式5中定義一致，yfake為合成目標域圖像即CT圖像的域標簽，ytrue為源域圖像即MRI圖像的域標簽；計算損失如下并反向傳播，優化鑒別器Ds： 其中，Dss，Gtt與式6中定義一致，ytrue為源域圖像即MRI圖像的域標簽；重復以上過程，直到達到模型滿足預設的收斂條件，收斂條件為運行100輪以上，一輪指使用訓練集的全部數據對模型進行一次完整訓練；S3：利用步驟S2中訓練好的數據合成網絡以及帶標簽的源域圖像數據，生成用于訓練分割網絡的訓練數據；將源域圖像數據經過同步驟S2一致的預處理，輸入到目標域數據合成網絡中的生成器G進行預測；得到合成目標域數據即合成CT圖像tsynthetic，存儲得到的圖像用作訓練集；S4：利用步驟S1中定義的目標域圖像語義分割網絡，步驟S3中生成的訓練數據，以及無標簽的目標域圖像，訓練基于領域自適應的圖像語義分割網絡；首先進行數據預處理，將數據處理為0均值和單位方差；將源域圖像以及源域標簽送入分割網絡，取得分割預測及中間層上采樣結果，采樣至最終預測分割結果大小，上采樣采用雙線性插值；計算損失如下并反向傳播，優化分割網絡的分割性能： 其中，F為目標域圖像語義分割網絡，式20中的Fh為F的子集，即語義分割網絡F中隱藏層h及之前的網絡結構加上一個上采樣過程，h取值為h1至h5；s定義與式5中一致，ys定義與式10中一致，tsynthetic為步驟S3中得到的合成目標域圖像即合成CT圖像；將目標域圖像送入分割網絡，取得分割預測及中間層上采樣結果；暫停域鑒別器更新，將中間層上采樣結果送入鑒別器，鑒別器輸出預測圖，計算對抗損失如下并反向傳播，優化分割網絡的泛化性能： 其中，Fh,tsynthetic定義與式20中一致，D為域鑒別器，t定義與式6一致；切斷源域和目標域隱層表示之前的梯度更新，將二者送入域鑒別器，計算鑒別器損失如下并反向傳播，優化域鑒別器: 其中，Fh,tsynthetic定義與式20中一致，D為域鑒別器，t定義與式5一致；重復以上過程，直到達到模型滿足預設的收斂條件；預設的收斂條件為運行100輪以上，一輪指使用訓練集的全部數據對模型進行一次完整訓練。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人安徽銀邊醫療科技有限公司，其通訊地址為：246000 安徽省安慶市宜秀區文苑路與中山大道交叉口宜秀創新產業園B5棟5層；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。