[發明專利]基于多源集成蒸餾的多器官分割方法及系統

在審

• 申請號: 202210268374.6
• 申請日: 2022-03-18
• 公開（公告）號: CN114612451A
• 公開（公告）日: 2022-06-10
• 發明（設計）人: 王延峰;張樂飛;馮世祥;王鈺;張婭
• 申請（專利權）人: 上海交通大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06N3/08;G06N3/04;G16H30/40
• 代理公司: 上海漢聲知識產權代理有限公司 31236
• 代理人: 胡晶

1.一種基于多源集成蒸餾的多器官分割方法，其特征在于，所述方法包括如下步驟：

步驟S1：輸入圖片經過教師和學生模型預測得到多組分割圖；

步驟S2：將教師圖片分割圖進行輸出轉換，擴充到多類別輸出；

步驟S3：根據基于區域的掩碼對輸出進行器官和背景區域的轉換；

步驟S4：對不同器官區域和背景區域分別進行監督學習，教師和學生模型的轉換后的預測結果對齊，得到一個學生多器官分割模型；

步驟S5：輸入預測圖片經過學生多器官分割模型，獲得器官分割預測結果。

2.根據權利要求1所述的基于多源集成蒸餾的多器官分割方法，其特征在于，所述步驟S1利用卷積層和全連接層構成的教師單器官神經網絡分割模型，對輸入圖片進行預測，公式如下：

其中，x是輸入圖片，上標j表示第j個維度，是第m個教師神經網絡模型，δ_k表示在第k個維度的softmax預測輸出，是通過第m個教師神經網絡模型得到的第k個維度的預測概率；

利用卷積層和全連接層構成的學生多器官神經網絡分割模型，對輸入圖片進行預測，公式如下：

其中，f_t是學生神經網絡模型，是通過學生神經網絡模型得到的第k個維度的預測概率。

3.根據權利要求1所述的基于多源集成蒸餾的多器官分割方法，其特征在于，所述步驟S2包括：

對于器官區域，保持教師分割模型的背景預測不變，將對編號為m的器官的預測轉移到第m個維度，然后將所有其他維度的值設為0，公式如下：

其中，是教師模型輸出轉換映射后的對編號為m的器官的輸出；

對于背景區域，平均所有M個教師單器官分割模型的預測值，公式如下：

其中，是教師模型輸出轉換映射后的對背景的輸出。

4.根據權利要求1所述的基于多源集成蒸餾的多器官分割方法，其特征在于，所述步驟S3包括：

獲取對于器官m的預測掩碼，公式如下：

轉換教師單器官分割模型對于器官區域的預測，公式如下：

轉換學生多器官分割模型對于器官區域的預測，公式如下：

獲取第m個教師單器官分割模型對于背景的掩碼，公式如下：

聚合所有M個教師單器官分割模型對于背景的掩碼，公式如下：

轉換教師單器官分割模型對于背景區域的預測，公式如下：

轉換學生多器官分割模型對于背景區域的預測，公式如下：

5.根據權利要求1所述的基于多源集成蒸餾的多器官分割方法，其特征在于，所述步驟S4對不同器官區域和背景區域設置不同的權重，對齊教師和學生模型的轉換后的預測結果，公式如下：

其中，λ是一個用于平衡器官區域和背景區域權重的超參數。

6.根據權利要求1所述的基于多源集成蒸餾的多器官分割方法，其特征在于，所述步驟S5輸入預測圖片經過學生多器官分割模型進行預測,公式如下：

p＝δ(f_t(x)) (13)

其中，p是得到的多器官分割結果。

7.一種基于多源集成蒸餾的多器官分割系統，其特征在于，所述系統包括如下模塊：

模塊M1：輸入圖片經過教師和學生模型預測得到多組分割圖；

模塊M2：將教師圖片分割圖進行輸出轉換，擴充到多類別輸出；

模塊M3：根據基于區域的掩碼對輸出進行器官和背景區域的轉換；

模塊M4：對不同器官區域和背景區域分別進行監督學習，教師和學生模型的轉換后的預測結果對齊，得到一個學生多器官分割模型；

模塊M5：輸入預測圖片經過學生多器官分割模型，獲得器官分割預測結果。