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：浙江工业大学

摘要：一种基于双分支证据融合和图卷积神经网络的医学图像分割后处理方法，在预训练好的基础模型MedSAM的基础上，通过Dropout操作重构两个相互独立的输出分支，分别获取双分支的像素分类证据并进行融合，得到融合后的不确定性；以工作区域ROI内的像素点为节点，根据其融合后的不确定性进行标记，低不确定性的节点标签为基础模型的原分割结果，高不确定度的节点没有标签，通过图连接构建加权的半标记图；用加权半标记图中有标签的节点输出计算包含交叉熵损失和Dice损失的联合优化损失，训练图卷积神经网络并对未标记的点进行分类，融合不确定性低的节点标签，得到最终的分割结果。本发明提升了原分割结果中不确定高的区域的分割精度。

主权项：1.一种基于双分支证据融合和图卷积神经网络的医学图像分割后处理方法，其特征在于，所述方法包括如下步骤：步骤一：医学图像预处理，先对输入的医学图像x中各像素点i的强度值vi进行归一化： 其中vmin为最小的像素强度值，vmax为最大的像素强度值，调整后的像素强度值vi∈[0,255]，接着采用双立方插值法将x的大小调整为H×W×3，H和W分别为处理后医学图像x的高度和宽度；步骤二：获取双分支输出，将处理后的医学图像x输入MedSAM的编码器Encoder，再通过MedSAM的解码器maskdecoder1得到下分支输出m1，通过解码器maskdecoder2得到下分支输出m2，其中maskdecoder2和maskdecoder1共享网络参数，maskdecoder2是在maskdecoder1的基础上，通过dropout操作得到的，即maskdecoder1中两次转置卷积上采样后的输出和全连接层MLP的输出做空间点积得到m1，而maskdecoder2中两次转置卷积上采样后的输出和最后一层经过dropout操作的MLP的输出做空间点积得到m2；步骤三：双分支证据融合，获取上下分支的证据计算上下分支的信任值和不确定性其中K为分割目标的类别总数，n＝1表示上分支，n＝2表示下分支，并基于证据理论对上下分支的不确定性进行融合，得到融合后的不确定性步骤四：根据各像素点融合后的不确定性高低进行标记，并确定工作区域UbROI以及UbROI内不确定性低的像素点标签；步骤五：以工作区域UbROI中各像素点为节点，通过图连接构建一个半标记的加权图，得到UbROI所对应图的连接矩阵A和特征矩阵X；步骤六：将工作区域UbROI对应图的邻接矩阵A和特征矩阵X输入两层的图卷积神经网络GCN得到输出预测概率Z，通过最小化联合优化损失函数L更新GCN的参数W＝{W0,W1}，直到达到最大迭代步数： L＝LCE+LDice 其中W0和W1是GCN第一层和第二层的权重参数矩阵，Sigmoid和ReLU都是激活函数，即在邻接矩阵A的基础上加上一个单位矩阵IN，LCE和LDice分别为交叉熵损失和Dice损失，为像素点i对应标签yi＝1的预测概率，N为工作区域UbROI中有标签的像素点的总数，F＝{Fi|i∈UbROI}是GCN的输出预测概率Z经过符号函数sgn阈值为0.5转化为二值后的分割结果，Fi∈{0,1}，1为前景，0为背景；步骤七：将工作区域UbROI对应图的邻接矩阵A和特征矩阵X输入训练好的两层的图卷积神经网络GCN，得到二值化的分割结果F'＝{Fi'|i∈UbROI}，在工作区域UbROI中保持原来有标签的像素点的类别不变，无标签的像素点的类别替换为GCN的分割结果，最后得到最终的分割结果F*＝{Fi*|i∈UbROI}：

全文数据：

权利要求：

百度查询： 浙江工业大学 基于双分支证据融合和图卷积神经网络的医学图像分割后处理方法及系统