买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：青岛科技大学

摘要：本发明涉及一种基于自监督学习的小肠肿瘤CT图像自动分割方法，属于小肠肿瘤的精确分割技术领域。本发明包括如下步骤：S1：提出小肠肿瘤CT图像数据集扩充任务，包括如下小步：S11：建立以UNet3+为生成网络的扩散模型；S12：建立CP‑UNet3+网络结构；S13：引入CBAM注意力机制模块；S14：引入金字塔池化模块；S2：提出小肠肿瘤CT图像的自动分割任务，包括如下小步：S21：建立BT‑DARCE‑UNet网络结构；S22：建立预训练网络结构；S23：引入DARB多尺度特征提取模块；S24：引入组合损失函数；S3：建立小肠肿瘤CT图像数据集进行模型评估，包括如下小步：S31：评估指标的选用；S32：评估模型有效性的验证；S33：评估微调数据量有效性的验证。本发明能有效分割小肠肿瘤病灶区域，同时设计的多尺度特征提取模块也能在一定程度上提高分割精度，可用于小肠肿瘤的精确分割场合。

主权项：1.一种基于自监督学习的小肠肿瘤CT图像自动分割方法，其特征在于，包括如下步骤：S1：提出小肠肿瘤CT图像数据集扩充任务，包括如下小步：S11：建立以UNet3+为生成网络的扩散模型：使用UNet3+作为扩散模型的生成网络，通过引入全尺度跳跃连接，实现了多层次的特征提取，使得模型能够捕获图像中不同尺度、不同级别的特征信息，有利于去除图像中的噪声；通过引入密集的上采样连接，更好地恢复图像的细节信息，帮助模型还原图像的清晰度和真实感；S12：建立CP-UNet3+网络结构：以UNet3+网络作为基本框架，在跳跃连接的过程中引入了CBAMConvolutionalBlockAttentionModule注意力机制和金字塔池化模块PyramidPoolingModule，PPM，这有利于模型对输入图像的通道信息以及空间位置信息进行捕捉，有效地融合了全局信息和细节信息；取消了UNet3+结构中深度监督机制，减少模型计算量和参数量；S13：引入CBAM注意力机制模块：在UNet3+跳跃连接过程中引入CBAM注意力机制，可以动态地学习通道和空间注意力权重，弥补了通道注意力机制的不足，并将其应用于输入特征图，从而提高模型的性能；S14：引入金字塔池化模块：在金字塔池化模块中引入自适应池化层和分组卷积，取代原有的池化层和卷积模块，可以更好地让模型提取到图像不同尺度的信息，降低了目标区域之间的尺寸相差较大给模型带来的负面影响；S2：提出小肠肿瘤CT图像的自动分割任务，包括如下小步：S21：建立BT-DARCE-UNet网络结构：采用自监督学习BarlowTwins结构与U-Net网络相结合的方法，在预训练和微调的过程中，引入多尺度特征提取模块DARBDepthwiseSeparableConvolutionandASPPResiualBlock和CBAM、EPSAEfficientPyramidSqueezeAttention注意力机制；S22：建立预训练网络结构：通过基于特征去相关的BarlowTwins自监督对比学习方法进行预训练，并引入CBAM注意力机制，学习大量未标注数据的复杂特征；为更好地学习数据低维特征，去除冗余信息，引入由全局平均池化、全连接层、LeakyReLU激活函数和批量归一化层组成的投影层结构；S23：引入DARB多尺度特征提取模块：引入深度可分离卷积，减少需要学习的参数量，并提升卷积核参数的使用效率；引入ASPPAtrousSpatialPyramidPooling模块，用于更好地捕获多尺度的上下文信息；引入残差结构，以实现梯度信息的长距离传播，尽可能保留原始输入信息的完整性；S24：引入组合损失函数：通过引入二元交叉熵损失LBCE和Dice系数损失LDice并进行合理地设计，提高图像分割精度，改进的组合损失函数定义如式3所示； 式中：y表示小肠肿瘤CT图像的真实标签；py表示小肠肿瘤CT图像的预测结果；N表示总像素数；S3：建立小肠肿瘤CT图像数据集进行模型评估，包括如下小步：S31：评价指标的选用：选取DICE系数、准确率、Jaccard相似系数、豪斯多夫距离和平均一致距离五种指标，其中：Dice系数：用于衡量分割结果与真实肿瘤区域之间的相似程度； 准确率Accuracy，ACC：预测分割结果中正确预测的像素数量占总像素数量的比例； Jaccard相似系数Jaccard：比较肿瘤预测结果与真实标签之间的差异性和相似性； 豪斯多夫距离Hausdorffdistance，HD：度量分割结果与真实肿瘤区域之间的最大差异； 平均一致性距离Meandistancetoagreement，MDA：衡量分割结果中每个像素与真实肿瘤区域之间的平均距离；MDAL,P＝meanl∈L,p∈P||l-p||8式中：TP表示正确预测为肿瘤的像素数量；TN表示正确预测为非肿瘤的像素数量；FP表示错误预测为肿瘤的像素数量；FN表示错误预测为非肿瘤的像素数量；PL、PP分别表示真实肿瘤区域和预测肿瘤区域；L、P分别表示真实标签与预测结果的肿瘤区域集合；S32：评估模型有效性的验证：将BT-DARCE-UNet与全监督学习模型U-Net、TransUNet以及自监督学习模型BYOL-UNet使用小肠肿瘤CT图像数据集进行对比验证，其中全监督学习模型使用全部标注数据进行训练，自监督学习模型使用使用全部未标注数据进行预训练和30％标注数据量进行微调，BT-DARCE-UNet模型获得最优的分割效果，在Dice、ACC、HD和MDA方面明显高于其他模型，Jaccard系数同样取得较好的结果；S33：评估微调数据量有效性的验证：使用不同微调数据量进行对比实验，为实际应用中的数据标注策略提供有力依据，在使用30％的微调数据量时，在Dice、ACC、Jaccard、HD和MDA均得到良好的效果，能够较好地实现在标注数据有限的前提下，利用大量未标注数据完成小肠肿瘤精确分割的目的。

全文数据：

权利要求：

百度查询： 青岛科技大学 基于自监督学习的小肠肿瘤CT图像自动分割方法