(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210733801.3 (22)申请日 2022.06.27 (71)申请人 北京航空航天大 学 地址 100191 北京市海淀区学院路37号 (72)发明人 刘博　郑玉　高郑州　周付根　 (51)Int.Cl. G06V 10/26(2022.01) G06V 10/44(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 脑组织图像分割方法 (57)摘要 本发明公开了一种脑组织图像 分割方法， 包 括： 图像预处理； 模型训练， 利用第一语义 分割网 络提取集合T中图像的第一特征向量， 形成第一 特征向量集合； 利用第二语义分割网络提取集合 T中图像的第二特征向量， 形成第二特征向量集 合； 根据第一特征向量V1与类别 中心P1、 类别中 心P2的距离， 及第二特征向量V2与类别中心P1、 类别中心P2的距离建立第一损失； 根据第一视图 像素点或第二视图像素点与类别中心P1、 类别中 心P2的距离判别获得伪标签， 根据伪标签， 及利 用分类器得到的第一视图和第二视图的预测值 建立第二损失。 本发明方案结合了特征提取和聚 类的策略， 利用图像像素变换的不变性约束， 及 利用聚类产生的伪标签进一步提取特征， 缓解了 现有技术问题。 权利要求书2页 说明书4页 附图1页 CN 114898098 A 2022.08.12 CN 114898098 A 1.一种脑组织图像分割方法， 其特 征在于， 包括： 图像预处 理， 获取脑组织图像的集合S， 设置所述集合S中图像除脊液、 灰质、 白质之外的组织为图像 背景并去掉， 形成集 合T； 模型训练， 利用第一语义分割 网络提取所述集合T中图像的第一特征向量， 形成第一特征向量集 合， 提取所述第一特 征向量的步骤 包含对图像进行第一像素变换； 利用第二语义分割 网络提取所述集合T中图像的第二特征向量， 形成第二特征向量集 合， 所述第二语义分割共享第一语义分割网络的权重， 提取所述第二特征向量的步骤包含 对图像进行第二像素变换； 计算所述第一特征向量集合的类别中心P1， 计算所述第二特征向量集合的类别中心 P2； 遍历所述集合T中图像， 提取所述图像的第一特征向量V1和第二特征向量V2； 根据所述 第一特征向量V1与类别中心P1、 类别中心P2的距离， 及所述第二特征向量V2与类别中心P1、 类别中心P2的距离建立第一损失； 遍历所述集合T中图像， 将所述图像经过第一像素变换或第二像素变换后得到第一视 图或第二视图， 根据所述第一视图像素点或第二视图像素点与类别中心P1、 类别中心P2的 距离判别获得伪标签， 根据所述伪标签， 及利用分类器得到的第一视图和第二视图的预测 值建立第二损失； 根据所述第 一损失和第 二损失进行梯度反转， 更新所述第 一语义分割网络或第 二语义 分割网络的参数； 图像分割， 将脑组织图像经过所述图像预处理后， 送入所述第 一语义分割网络或第 二语义分割网 络进行分割。 2.根据权利要求1所述的方法， 其特 征在于， 提取 所述第一特 征向量的步骤， 包括： 将所述集合T中的图像经过第一像素变换后送入第一语义分割 网络提取第一向量， 将 所述第一向量 通过第一几何变换 得到第一特 征向量。 3.根据权利要求2所述的方法， 其特 征在于， 提取 所述第二特 征向量的步骤， 包括： 将所述集合T中的图像通过第二像素变换和所述第一几何变换后， 送入第二语义分割 网络提取第二特 征向量。 4.根据权利要求1所述的方法， 其特征在于， 计算所述类别中心P1或类别中心P2的步 骤， 包括： 采用小批量K ‑means计算。 5.根据权利要求1所述的方法， 其特 征在于， 建立所述第一损失的步骤， 包括： 根据所述第一特征向量V 1与类别中心P1的距离， 及所述第二特征向量V2与类别中心P2 的距离构建视图内聚类中心损失； 根据所述第一特征向量V 1与类别中心P2的距离， 及所述第二特征向量V2与类别中心P1 的距离构建跨视图聚类中心损失； 所述第一损失为视图内聚类中心损失与跨视图聚类中心损失之和。权　利　要　求　书 1/2 页 2 CN 114898098 A 26.根据权利要求1所述的方法， 其特 征在于， 建立所述第二损失的步骤， 包括： 计算所述第一视图像素点与类别中心P1的距离判别获得第一伪标签； 所述第一视图根据分类 器得到的第一预测值； 计算所述第一视图像素点与类别中心P2的距离判别获得第二伪标签； 所述第二视图根据分类 器得到的第二预测值； 根据所述第一伪标签、 所述第一预测值、 所述第二伪标签及所述第二预测值构建第二 损失。 7.根据权利要求1所述的方法， 其特 征在于， 获得 所述伪标签的步骤， 还 包括： 利用全连接条件随机场DenseCRF模块精细化处 理所述伪标签。 8.根据权利要求1所述的方法， 其特征在于， 根据 所述第一损失和第 二损失进行梯度反 转的步骤， 包括： 每八个图像为 一个批次计算所述第一损失和第二损失， 并进行梯度反转。权　利　要　求　书 2/2 页 3 CN 114898098 A 3