(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 202211169298.X (22)申请日 2022.09.22 (71)申请人 吉林大学 地址 130012 吉林省长 春市前进大街269 9 号吉林大 学计算机科 学与技术学院 (72)发明人 杜伟　唐诗熠　李高阳　赵璇　 李瑛　张禹　 (74)专利代理 机构 北京专赢专利代理有限公司 11797 专利代理师 李斌 (51)Int.Cl. G06T 7/11(2017.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06V 10/774(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种医学影 像分割方法 (57)摘要 本发明适用于医学图像处理领域， 提供了一 种医学影像分割方法， 包括以下步骤： 步骤一： 获 取训练数据， 并对训练数据进行数据预处理， 同 时利用图像增强技术对训练数据进行增强处理， 最后得到训练集； 步骤 二： 搭建结合attention机 制的双向生成判别网络， 设计损失函数， 评估指 标； 步骤三： 利用训练集对训练模型进行训练， 使 用患病验证数据对验证模型进行评估， 并迭代更 新训练， 直到网络收敛； 步骤四： 将最终 需要分割 的数据输入到最终模型， 并得到病灶区域的 mask， 然后通过Dense ‑Crf技术得到最终分割结 果， 本发明提出了一个新的框架和损失函数来修 正CAM， 得到具有准确边界的病灶区域分割掩码。 权利要求书2页 说明书6页 附图5页 CN 115526898 A 2022.12.27 CN 115526898 A 1.一种医学影 像分割方法， 其特 征在于， 包括以下步骤： 步骤一： 获取训练数据， 并对训练数据进行数据 预处理， 同时利用图像增强技术对训练 数据进行增强处 理， 最后得到训练集； 步骤二： 搭建结合at tention机制的双向生成判别网络， 设计损失函数， 评估指标； 步骤三： 利用训练集对训练模型进行训练， 使用患病验证数据对验证模型进行评估， 并 迭代更新训练， 直到网络收敛； 步骤四： 将最终需要分割 的数据输入到最终模型， 并得到病灶区域的mask， 然后通过 Dense‑Crf技术得到最终分割结果。 2.根据权利要求1所述的医学影像分割方法， 其特征在于， 在步骤一中， 在训练阶段， 训 练数据采用图像级类别标签， 分为患病无病两类图像集 合； 所述增强处理包括进行旋转平移缩放以消除患病无病两类数据中病灶大小、 方向以及 位置特征产生的负面影响。 3.根据权利要求1所述的医学影像分割方法， 其特征在于， 在步骤二中， 所述结合 attention机制的双向生成判别网络包括用来完成两种源数据域的双向转换的Gx→y和Gy→x， 还包括两个判别器Dx和Dy， 用来判别生成的假图像和真实的图像。 4.根据权利要求1所述的医学影像分割方法， 其特征在于， 所述损失函数包括生成判别 损失函数、 循环一致性损失函数、 身份特征损失函数、 分类损失函数以及对比掩码损失函 数。 5.根据权利要求3所述 的医学影像分割方法， 其特征在于， 所述Gx→y是一个编码器和解 码器的连接体， 当输入真实的有病灶图像xr时， Gx→y通过编码器和解码器对原图x进行编码 和解码， 并通过特征图融合， 最终生成无病的假图像yf， 并通过欺骗判别器Dy来同步训练判 别器， 然后利用循环一 致性损失， 通过一个反向的过程恢复为原 始的输入图像x， 称为xrec； 生成目标域的假图像的公式为： yfake＝AF·C+AB·Xreal 其中A∈R2×H×W,是attention  mask分支的输出， 通过soft max函数建模为一个两通道的 权重图， 两个通道分别为前景病灶mask  AF和背景病灶maskAB； 通过训练了一个辅助分类器 来生成CAM， 并利用对比掩码损失函数， 使得CAM和A在网络的训练过程中进行对比监督， 使 得A在复杂的前后景的情况下， 能够更关注与病灶图像的病灶区域， 同时能够利用A 来对CAM 进行修正， 使得CAM在识别更完整的病灶区域的同时也能获得病灶区域的准确边界。 6.根据权利要求1所述的医学影像分割方法， 其特征在于， 所述搭建结合attention机 制的双向生成判别网络的具体步骤为输入一张患病图像xreal,通过生成器Gx→y和融合阶段 生成无病假图像yfake。 7.根据权利要 求6所述的医学影像分割方法， 其特征在于， 所述xreal为患病的真实图像， 是整个结合attention机制的双向生成判别网络的初始输入， 且大小为256x256x3,其中256 分别为图像的宽和高， 3为图像的通道数。 8.根据权利要求6所述的医学影像分割方法， 其特征在于， 所述生成器包括编码器 Encoder、 通道 注意力、 解码分支、 CAM分支以及encoder和解码分支之间的跳转连接结构； 所述解码分支有两个， 且两个解码分支为at tention mask和co ntent mask。 9.根据权利要求 4所述的医学影 像分割方法， 其特 征在于， 所述 生成判别损失函数为：权　利　要　求　书 1/2 页 2 CN 115526898 A 2其中， x为患病数据， y为无病数据； GX→Y是患病集合X转向无病集合Y的生成器， D为判别y 和GX→Y(x)是否为真实图像， 为在患病数据分布中采样患病图像的数学期望， 为在无病数据分布中采样无病图像的数学期望； 是患 病集合X转向无病集 合Y的生成判别损失； 所述循环一 致性损失函数为： 其中， x先进入DX→Y生成无病合成图， 此合成图继续进入反向生成器DY→X重新还原为患病 图像； 所述身份特 征损失函数为： 患病图像x进入DY→X生成患病合成图像； 所述分类损失函数为： 所述对比掩码损失函数为： 完整的损失函数为： 权　利　要　求　书 2/2 页 3 CN 115526898 A 3