科创中国
一种基于半监督深度学习的自适应脑胶质瘤分割方法
成果类型：: 发明专利
发布时间: 2023-10-19 16:58:28
科技成果产业化落地方案
方案提交机构：天津市滨海新区| 宋学姮 | 2023-10-31 16:07:41
本发明公开了一种基于半监督深度学习的自适应脑胶质瘤分割方法。该方法包括：构建深度学习模型，该深度学习模型包括教师网络、学生网络和多层感知机；基于设定的损失函数训练所述深度学习模型，其中，教师网络以完整的多模态磁共振图像作为输入图像，学生网络以模态缺失的磁共振图像作为输入图像，并利用教师网络学习到的几何结构先验来指导学生网络的训练，所述多层感知机用于基于学生网络所提取的特征来估计所述模态缺失的磁共振图像的模态缺失情况；利用经训练的学生网络对采集的目标图像进行脑胶质瘤分割。本发明能够实现准确有效的脑胶质瘤分割，并适应于各种模态缺失情况的图像。
1.一种基于半监督深度学习的自适应脑胶质瘤分割方法，包括以下步骤：
构建深度学习模型，该深度学习模型包括教师网络、学生网络和多层感知机；
基于设定的损失函数训练所述深度学习模型，其中，教师网络以完整的多模态磁共振图像作为输入图像，所述完整的多模态磁共振图像包含带标注数据和无标注数据；学生网络以模态缺失的磁共振图像作为输入图像，所述模态缺失的磁共振图像包含带标注数据和无标注数据；并且利用教师网络学习到的几何结构先验来指导学生网络的训练；所述多层感知机用于基于学生网络所提取的特征来估计所述模态缺失的磁共振图像的模态缺失情况；
利用经训练的学生网络对采集的目标图像进行脑胶质瘤分割。
2.根据权利要求1所述的方法，其特征在于，所述损失函数包括空间几何特征约束项、分割损失约束项以及编码预测损失项，所述空间几何特征约束项反映教师网络和学生网络所提取的无标注数据的体素级别空间几何特征之间的损失，所述分割损失项反映教师网络和学生网络输出的分割图像的带标注数据之间的分割损失，
脑胶质瘤是最常见的原发性神经上皮恶性肿瘤。磁共振成像凭借其卓越的多模态软组织成像对比度，在临床脑胶质瘤检测方面使用广泛。针对脑胶质瘤病灶区域磁共振扫描图像的定量分析对于患者病情的诊断，治疗以及手术计划都有重要意义。由于脑胶质瘤结构复杂多变，人工标注肿瘤区域边界费时费力，为了辅助医生针对脑胶质瘤实现准确的定量分析，基于脑部磁共振成像的脑胶质瘤自动分割任务已成为一个重要的研究领域。
中国科学院深圳先进技术研究院提升了粤港地区及我国先进制造业和现代服务业的自主创新能力，推动我国自主知识产权新工业的建立，成为国际一流的工业研究院。 深圳先进院目前已初步构建了以科研为主的集科研、教育、产业、资本为一体的微型协同创新生态系统，由九个研究平台，国科大深圳先进技术学院，多个特色产业育成基地、多支产业发展基金、多个具有独立法人资质的新型专业科研机构等组成。开展先进技术研究，促进科技发展。信息、电子、通讯技术研究新材料、新能源技术研究高性能计算、自动化、精密机械研究生物医学与医疗仪器研究相关学历教育、博士后培养与学术交流。
与现有技术相比，本发明的优点在于，采用半监督训练策略，即在模型蒸馏训练时仅采用部分带标注的数据；在半监督训练条件下创新地从特征空间几何结构一致的角度对大量无标注数据进行训练约束，有效避免了脑胶质瘤深度学习分割模型对训练带标注数据的高度依赖问题；针对现有分割方法面临临床数据模态缺失时性能下降的问题，设计了一个模态任务自适应的训练策略，通过对不同缺失模态的情况的特征设置任务提示编码，使分割网络在多种不同的模态缺失条件下实现对于目标肿瘤区域的相对鲁棒分割。
通过以下参照附图对本发明的示例性实施例的详细描述，本发明的其它特征及其优点将会变得清楚。
技术合作
在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。本发明的范围由所附权利要求来限定。
下载app