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！

摘要：本发明公开了一种应用深度学习在CT切片图像上分割肝脏肿瘤的方法。该方法引入了一个名为MPVT+的神经网络框架，用于在带有噪声标签的数据集上训练肝脏肿瘤的分割模型。通过使用对噪声具有鲁棒性的适配器模型方法，MPVT+模型能够有效地适配并筛选训练数据集中的噪声标签，从而减少噪声对神经网络的干扰。此外，MPVT+模型还通过半监督学习方法增强其泛化能力，使其能够高效地学习复杂的CT切片图像特征。在测试数据集上，该模型的索伦森‑戴斯系数为80.29％，雅卡尔指数为68.68％，对称体积差为19.71％，体积重叠误差为31.32％。该模型可以无创地使用CT图像分割并定位肝脏内的肿瘤，从而成为帮助医生制定各种肝脏肿瘤治疗策略的潜在工具。

主权项：1.一种应用深度学习在CT切片图像上分割肝脏肿瘤的方法，其特征在于，包括如下步骤：1将原始数据集划分为带有噪声标签的数据和不带有噪声标签的数据；2将所述步骤1得到的两类训练数据进行弱增强处理后，输入基于U-Net的图像分割网络的编码器中进行特征提取，得到特征向量；3将所述步骤2得到的不带有噪声标签的训练数据的特征向量送入基于U-Net的图像分割网络的解码器中，得到网络的分割结果；4将所述步骤3得到的分割结果和预先给定的标签进行损失计算，其中损失函数是cross-entropy损失和Dice损失的和；5将所述步骤2得到的带有噪声标签的训练数据的特征向量送入基于U-Net的图像分割网络的解码器和噪声适配器中，分别得到网络分割结果和噪声适配掩码；6将所述步骤5得到的网络分割结果和噪声适配掩码根据全概率公式得到预测的带有噪声的分割结果；7将所述步骤6得到的预测的带有噪声的分割结果与带有噪声的标签进行损失计算，其中损失函数是cross-entropy损失和Dice损失的和；8将所述步骤1得到的训练数据进行弱增强处理和强增强处理后按照步骤所述步骤2进行处理得到各自的特征向量；9将所述步骤8得到的弱增强处理后的两类训练数据输入到教师模型中得到各自的特征向量噪声和伪标签；10将所述步骤9得到的特征向量噪声分别加到所述步骤8得到的各自的特征向量上；11将所述步骤10得到的不带有噪声标签的数据加噪后的特征向量按照所述步骤5-步骤7进行处理得到相应的损失；12将所述步骤10得到的带有噪声标签的数据加噪后的特征向量按照所述步骤3-步骤4进行处理得到相应的损失；13将所述步骤4、步骤7、步骤11、步骤12得到的损失结果加权求和后进行反向传播，优化网络参数，提高模型预测结果准确率。

全文数据：

权利要求：

百度查询： 电子科技大学长三角研究院(衢州) 衢州学院 一种应用深度学习在CT切片图像上分割肝脏肿瘤的方法