[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

本發明提供了一種基于多源集成蒸餾的多器官分割方法及系統，包括：輸入圖片經過所述的教師和學生模型預測得到多組分割圖；將教師圖片分割圖進行輸出轉換，擴充到多類別輸出；根據基于區域的掩碼對輸出進行器官和背景區域的轉換；對不同器官區域和背景區域分別進行監督學習，使得教師和學生模型的轉換后的預測結果對齊，得到一個高效的學生多器官分割模型；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。本發明通過多源集成蒸餾的方法，指導訓練一個效果更好的多器官分割模型，實現隱私友好情況下的更精確的無監督多器官分割。

技術領域

本發明涉及計算機視覺、圖像處理和計算機輔助醫學診斷的技術領域，具體地，涉及基于多源集成蒸餾的多器官分割方法及系統。

背景技術

器官分割是計算機輔助醫學診斷的基礎任務之一，對疾病發現和后續的治療起著至關重要的作用。醫學圖像分割的目的是從醫學圖像中以自動或半自動的方式提取感興趣的解剖區域。根據臨床應用的不同，感興趣的特定區域的范圍可以從腫瘤到骨骼再到血管。近年來，深度學習的蓬勃發展也給醫學圖像處理帶來了全新的思路和突破。雖然深度學習方法已廣泛應用于此任務，但它們的成功在很大程度上取決于高質量的標注，然而實際中醫學標注成本高昂且難以獲得。此外，醫生通常只標注自身感興趣的、自身擅長的某個器官。因此，現有的主要研究聚焦于單器官分割模型，對多器官分割模型缺少探索。多器官分割模型可以減少計算和存儲開銷，還能利用器官之間的先驗知識。為了創造一個多器官數據集，需要對單個圖像中的多個器官進行注釋，這要求多個不同領域專家的共同合作，大大地增加了標注的難度與成本，導致多器官標注的數據集匱乏，限制了多器官分割模型的實現。

基于深度學習的醫學圖像語義分割的成功還取決于醫學圖像數據的可用性。然而由于各種原因，機構不愿意共享影像數據，最主要的原因是出于隱私保護問題。嚴格的健康信息隱私法規要求在家庭機構外部共享數據之前需要刪除受保護的健康信息，這一過程在醫學圖像數據的背景下既昂貴又耗時。有意或無意發布健康信息的機構可能會遭受嚴重后果，包括巨額罰款和刑事起訴。此外，在許多情況下，當成像數據可以公開訪問時(例如，癌癥成像數據)，由于缺少目標區域的專家注釋以及缺乏標注的設備和標準的信息，相應的標簽很少可用。在實踐中，此類數據不可用的原因還有很多，包括數據存儲和傳輸、案例數量有限以及數據清理和標注困難等。因此，在這種情況下訓練一個高效的醫療模型是非常困難的。上述的多器官標注缺失和數據隱私的問題，對建模方法提出了新的要求。

針對現有技術中的缺陷，需要提出一種的新的技術方案。

發明內容

針對現有技術中的缺陷，本發明的目的是提供一種基于多源集成蒸餾的多器官分割方法及系統。

根據本發明提供的一種基于多源集成蒸餾的多器官分割方法，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。

優選地，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，f_sm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；