基于密集偏置网络和自编码器的半监督肾动脉分割方法专利检索-训练数据人工智能专利检索查询-专利查询网

积极推动地理标志专门立法

2022-03-10 地理标志，立法，知识产权
保护知识产权是对创新最大的激励

2022-03-10 保护知识产权，创新，激励
谢商华：加快制定知识产权基本法

2022-03-10 知识产权基本法
擦亮“双奥之城”品牌

2022-03-10 双奥，知识产权
让冰雪运动“热”力全开

2022-03-10 冰雪运动，知识产权
携手共奋进　走好强国路

2022-03-10 强国，知识产权
坚持创新引领　方能稳中求进

2022-03-10 创新，稳中求进，知识产权
答好“两张卷” 奋进新征程

2022-03-10 知识产权
专家解读政府工作报告中的创新和知识产权相关部署

2022-03-10 政府工作报告，创新，知识产权
今年政府工作报告指出：加强知识产权保护和运用

2022-03-10 政府工作报告，知识产权保护

基于密集偏置网络和自编码器的半监督肾动脉分割方法

阅读：1025发布：2020-12-07

IPRDB可以提供基于密集偏置网络和自编码器的半监督肾动脉分割方法专利检索，专利查询，专利分析的服务。并且本发明公开了一种基于密集偏置网络和自编码器的半监督肾动脉分割方法，包括：对现有的腹部CT血管造影图像，分割出图像中的肾脏区域得到感兴趣区域图像并进行标注得到肾动脉的真实掩模，并形成监督训练数据集和无监督训练数据集；将无监督训练数据集输入三维卷积去噪自编码器中进行图像重建训练，得到训练好的去噪自编码器模型；将监督训练数据集输入去噪自编码器模型，获得每张图像的先验解剖特征并同对应图像输入构建的密集偏置网络中进行分割训练，得到分割模型；对于新的待分割腹部CT血管造影图像，输入去噪自编码器模型得到图像的先验解剖特征，输入分割模型得到分割结果。本发明能获得高准确率的输出结果，快速实现肾动脉分割。，下面是基于密集偏置网络和自编码器的半监督肾动脉分割方法专利的具体信息内容。

权利要求

1.基于密集偏置网络和自编码器的半监督肾动脉分割方法，其特征在于，包括以下步骤：步骤(1)、对现有的腹部CT血管造影图像，分割出图像中的肾脏区域得到感兴趣区域图像，对部分感兴趣区域图像中的肾动脉进行标注得到肾动脉真实掩模，并形成监督训练数据集，将剩余的感兴趣区域图像形成无监督训练数据集；

步骤(2)、将无监督训练数据集输入三维卷积去噪自编码器中进行图像重建训练，得到训练好的去噪自编码器模型；

步骤(3)、将监督训练数据集输入训练好的去噪自编码器模型，获得每张图像的先验解剖特征，并将先验解剖特征和对应图像输入构建的密集偏置网络中进行分割训练，得到分割模型；

步骤(4)、对于新的待分割腹部CT血管造影图像，输入训练好的去噪自编码器模型得到图像的先验解剖特征，并将该图像及其先验解剖特征一起输入分割模型得到分割结果。

2.根据权利要求1所述基于密集偏置网络和自编码器的半监督肾动脉分割方法，其特征在于，所述步骤(1)中形成监督训练数据集和无监督训练数据集，具体包括步骤：步骤(101)、在腹部CT血管造影图像上获取能够囊括整个肾脏和肾动脉的感兴趣区域图像；

步骤(102)、根据部分步骤(101)获得的感兴趣区域图像，利用阈值区域增长法获得粗糙的肾动脉掩模；

步骤(103)、精修步骤(102)所得到的粗糙的肾动脉掩模，获得精细的肾动脉掩模作为肾动脉真实掩模，并与原图一起形成监督训练数据集，将剩余感兴趣区域图像形成无监督训练数据集；

步骤(104)、使用翻转、镜像方法对监督训练数据集和无监督训练数据集进行数据增强。

3.根据权利要求1所述基于密集偏置网络和自编码器的半监督肾动脉分割方法，其特征在于，所述步骤(2)的三维卷积去噪自编码器包括噪声生成模块、编码器模块、解码器模块和均方误差损失模块，将训练图像输入噪声生成模块获得噪声图像并输入编码器模块，由编码器模块获得不同分辨率的先验解剖特征后输入解码器模块获得重建图像；将重建图像和输入的训练图像输入均方误差损失模块计算损失值，且通过反向传播进行网络训练。

4.根据权利要求3所述基于密集偏置网络和自编码器的半监督肾动脉分割方法，其特征在于，所述编码器模块由4个分辨率不同的分辨率模块和3个最大池化层构成；其中，每个分辨率模块由两层卷积层、一个组归一化层和一个Relu激活层构成。

5.根据权利要求3所述基于密集偏置网络和自编码器的半监督肾动脉分割方法，其特征在于，所述均方误差损失模块计算损失值，采用公式：其中，N为图像大小，xn为输入的训练图像中的第n个像素，x″n为重建图像中的第n个像素。

6.根据权利要求1所述基于密集偏置网络和自编码器的半监督肾动脉分割方法，其特征在于，所述步骤(3)构建的密集偏置网络由7个分辨率模块C1,C2,C3,C4,C5,C6,C7、3个最大池化层P1,P2,P3、3个反卷积层U1,U2,U3、一个输出层O以及一个分割损失模块构成。

7.根据权利要求6所述基于密集偏置网络和自编码器的半监督肾动脉分割方法，其特征在于，所述密集偏置网络对输入的先验解剖特征和对应图像进行分割训练，具体包括步骤：步骤(301)从训练好的自编码器模型获得四个不同分辨率的先验解剖特征步骤(302)训练图像x与步骤(301)中获得的先验解剖特征连接并输入分辨率模块C1，得到特征图F1，特征图F1进入最大池化层P1，得到特征图步骤(303)特征图与步骤(301)中获得的先验解剖特征连接并输入分辨率模块C2，得到特征图F2，特征图F2进入最大池化层P2，得到特征图步骤(304)特征图与步骤(301)中获得的先验解剖特征连接并输入分辨率模块C3，得到特征图F3，特征图F3进入最大池化层P3，得到特征图步骤(305)特征图与步骤(301)中获得的先验解剖特征连接并输入分辨率模块C4，得到特征图F4，特征图F4进入反卷积层U1，得到特征图2F4；

步骤(306)特征图2F4输入分辨率模块C5，得到特征图F5，特征图F5进入反卷积层U2，得到特征图2F5；

步骤(307)特征图2F5输入分辨率模块C6，得到特征图F6，特征图F6进入反卷积层U3，得到特征图2F6；

步骤(308)特征图2F6输入分辨率模块C7，得到特征图F7；特征图F7进入输出层模块O，得到预测掩模y’；

步骤(309)将预测掩模y’和真实掩模y输入分割损失模块计算分割损失值，且进行反向传播训练网络。

8.根据权利要求7所述基于密集偏置网络和自编码器的半监督肾动脉分割方法，其特征在于，所述分割损失模块通过最小化由骰子系数损失和交叉熵损失组成的损失函数来训练网络，采用的损失函数具体为：其中C是从网络输出的通道数，N是每个通道的大小；y′n,c是预测掩模，yn,c表示真实掩模；λ是用于平衡损失函数的参数。

说明书全文

基于密集偏置网络和自编码器的半监督肾动脉分割方法

技术领域

[0001] 本发明涉及基于密集偏置网络和自编码器的半监督肾动脉分割方法，属于图像处理技术领域。

背景技术

[0002] 腹部CT血管造影图像上的肾动脉分割，目的是实现获得达叶间动脉末端的3D肾动脉树掩模。临床医生可以利用分割获得的掩模容易地找到对应于每个叶间动脉的血液供给区域，这对于肾脏疾病的诊断和手术前计划非常重要。随着肾脏疾病概率的增加，3D肾动脉分割将在诊断和治疗中发挥重要的作用。然而，这是一项极具挑战的任务，至今还没有人在精细的3D肾动脉分割上取得成功，原因如下：1)肾脏内部血管尺度变化较大。患者最粗的肾动脉可达7.4mm，可超过最细动脉的5倍。这使得网络必须对不同尺度的特征敏感，增加了特征提取的难度。2)不同病人之间肾动脉解剖形态差异大。仅在461名患者之间能发现11种不同的肾动脉结构。如图1和2所示，患者之间的肾动脉开口，分支和肾动脉的数量是可变的。这使得小型数据集难以覆盖所有解剖结构变化并导致网络容易过拟合。3)血管结构细小。
最细的肾动脉小于1.5mm，远小于邻近的其他器官，这使得网络在分割时容易丢失这些结构。4)体积比小。肾动脉仅占肾脏感兴趣区域的0.27％，这将导致严重的类不平衡问题，使得网络很难训练。5)标记数据数量的限制。在一个小数据集上学习不同肾动脉解剖结构的特征表示是极其困难的，这将限制了网络的泛化能力。因此，克服这些挑战并实现3D精细肾动脉分割是一个困难并亟待解决的问题。

发明内容

[0003] 本发明所要解决的技术问题在于克服现有技术的不足，提供一种基于密集偏置网络和自编码器的半监督肾动脉分割方法，利用密集偏置连接技术构建的三维卷积神经网络即密集偏置网络，结合卷积去噪自编码器的编码器模型，对腹部CT血管造影图像处理，得到肾动脉分割掩模。

[0004] 本发明具体采用以下技术方案解决上述技术问题：

[0005] 基于密集偏置网络和自编码器的半监督肾动脉分割方法，包括以下步骤：

[0006] 步骤(1)、对现有的腹部CT血管造影图像，分割出图像中的肾脏区域得到感兴趣区域图像，对部分感兴趣区域图像中的肾动脉进行标注得到肾动脉真实掩模，并形成监督训练数据集，将剩余的感兴趣区域图像形成无监督训练数据集；

[0007] 步骤(2)、将无监督训练数据集输入三维卷积去噪自编码器中进行图像重建训练，得到训练好的去噪自编码器模型；

[0008] 步骤(3)、将监督训练数据集输入训练好的去噪自编码器模型，获得每张图像的先验解剖特征，并将先验解剖特征和对应图像输入构建的密集偏置网络中进行分割训练，得到分割模型；

[0009] 步骤(4)、对于新的待分割腹部CT血管造影图像，输入训练好的去噪自编码器模型得到图像的先验解剖特征，并将该图像及其先验解剖特征一起输入分割模型得到分割结果。

[0010] 进一步地，作为本发明的一种优选技术方案，所述步骤(1)中形成监督训练数据集和无监督训练数据集，具体包括步骤：

[0011] 步骤(101)、在腹部CT血管造影图像上获取能够囊括整个肾脏和肾动脉的感兴趣区域图像；

[0012] 步骤(102)、根据部分步骤(101)获得的感兴趣区域图像，利用阈值区域增长法获得粗糙的肾动脉掩模；

[0013] 步骤(103)、精修步骤(102)所得到的粗糙的肾动脉掩模，获得精细的肾动脉掩模作为标签，并与原图一起形成监督训练数据集，剩余的肾脏感兴趣区域图像形成无监督训练数据集；

[0014] 步骤(104)、使用翻转、镜像方法对监督训练数据集和无监督训练数据集进行数据增强。

[0015] 进一步地，作为本发明的一种优选技术方案，所述步骤(2)的三维卷积去噪自编码器包括噪声生成模块、编码器模块、解码器模块和均方误差损失模块，将训练图像输入噪声生成模块获得噪声图像并输入编码器模块，由编码器模块获得不同分辨率的先验解剖特征后输入解码器模块获得重建图像；将重建图像和输入的训练图像输入均方误差损失模块计算损失值，且通过反向传播进行网络训练。

[0016] 进一步地，作为本发明的一种优选技术方案，所述编码器模块由4个分辨率不同的分辨率模块和3个最大池化层构成；其中，每个分辨率模块由两层卷积层、一个组归一化层和一个Relu激活层构成。

[0017] 进一步地，作为本发明的一种优选技术方案，所述均方误差损失模块计算损失值，采用公式：

[0018]

[0019] 其中，N为图像大小，xn为输入的训练图像中的第n个像素，x″n为重建图像中的第n个像素。

[0020] 进一步地，作为本发明的一种优选技术方案，所述步骤(3)构建的密集偏置网络由7个分辨率模块C1,C2,C3,C4,C5,C6,C7、3个最大池化层P1,P2,P3、3个反卷积层U1,U2,U3、一个输出层O以及一个分割损失模块构成。

[0021] 进一步地，作为本发明的一种优选技术方案，所述密集偏置网络对输入的先验解剖特征和对应图像进行分割训练，具体包括步骤：

[0022] 步骤(301)从训练好的去噪自编码器模型获得四个不同分辨率的先验解剖特征[0023] 步骤(302)训练图像x与步骤(301)中获得的先验解剖特征连接并输入分辨率模块C1，得到特征图F1，特征图F1进入最大池化层P1，得到特征图

[0024] 步骤(303)特征图与步骤(301)中获得的先验解剖特征连接并输入分辨率模块C2，得到特征图F2，特征图F2进入最大池化层P2，得到特征图

[0025] 步骤(304)特征图与步骤(301)中获得的先验解剖特征连接并输入分辨率模块C3，得到特征图F3，特征图F3进入最大池化层P3，得到特征图

[0026] 步骤(305)特征图与步骤(301)中获得的先验解剖特征连接并输入分辨率模块C4，得到特征图F4，特征图F4进入反卷积层U1，得到特征图2F4；

[0027] 步骤(306)特征图2F4输入分辨率模块C5，得到特征图F5，特征图F5进入反卷积层U2，得到特征图2F5；

[0028] 步骤(307)特征图2F5输入分辨率模块C6，得到特征图F6，特征图F6进入反卷积层U3，得到特征图2F6；

[0029] 步骤(308)特征图2F6输入分辨率模块C7，得到特征图F7；特征图F7进入输出层模块O，得到预测掩模y’；

[0030] 步骤(309)将预测掩模y’和真实掩模y输入分割损失模块计算分割损失值，且进行反向传播训练网络。

[0031] 进一步地，作为本发明的一种优选技术方案，所述分割损失模块通过最小化由骰子系数损失和交叉熵损失组成的损失函数来训练网络，采用的损失函数具体为：

[0032]

[0033] 其中C是从网络输出的通道数，N是每个通道的大小；y′n,c是预测掩模，yn,c表示真实掩模；λ是用于平衡损失函数的参数。

[0034] 本发明采用上述技术方案，能产生如下技术效果：

[0035] 本发明利用大量无标注腹部CT血管造影图像构成的无监督数据集，输入卷积去噪自编码器训练，得到编码器模型。利用手工标注获得肾动脉数据集，利用获得的编码器模型对肾动脉数据编码获得每个图像对应的先验解剖特征，将先验解剖特征和肾动脉数据集一起送入三维卷积网络结构进行训练，得到训练模型。利用编码器和训练模型对新的肾脏数据进行编码和预测，得到肾动脉分割掩模。本发明能仅使用少量手工标注数据获得高准确率的输出结果，能够解决肾动脉分割难，标注数据量少的问题，通过本发明能够直接得到肾动脉分割掩模。

附图说明

[0036] 图1为传统CT血管造影图像中的肾动脉及其邻近器官形态示意图。

[0037] 图2为传统CT血管造影图像中不同病人的肾动脉解剖及其差异示意图。

[0038] 图3为本发明基于密集偏置网络和自编码器的半监督肾动脉分割方法的示意图。

[0039] 图4为本发明采用的三维卷积去噪自编码器网络架构示意图。

[0040] 图5为本发明采用的密集偏置网络架构示意图。

[0041] 图6为本发明运用的密集偏置连接技术示意图。

具体实施方式

[0042] 下面结合说明书附图对本发明的实施方式进行描述。

[0043] 如图3所示，本发明设计了一种基于密集偏置网络和自编码器的半监督肾动脉分割方法，利用密集偏置连接技术构建的三维密集偏置网络对腹部CT血管造影图像处理，得到肾动脉分割掩模，本方法具体包括以下步骤：

[0044] 步骤(1)、对现有的腹部CT血管造影图像，分割出图像中的肾脏区域得到感兴趣区域图像，对部分感兴趣区域图像中的肾动脉进行标注得到肾动脉真实掩模，并形成监督训练数据集，将剩余的感兴趣区域图像形成无监督训练数据集，具体过程如下：

[0045] 步骤(101)、手工在腹部CT血管造影图像上获取能够囊括整个肾脏和肾动脉的感兴趣区域图像；

[0046] 步骤(102)、根据部分步骤(101)获得的感兴趣区域图像，利用阈值区域增长法获得粗糙的肾动脉掩模；

[0047] 步骤(103)、精修步骤(102)所得到的粗糙的肾动脉掩模，获得精细的肾动脉掩模作为真实掩模，并与原图一起形成监督训练数据集，剩余的感兴趣区域图像形成无监督训练数据集；

[0048] 步骤(104)、使用翻转、镜像方法对监督训练数据集和无监督训练数据集进行数据增强。

[0049] 步骤(2)、将无监督训练数据集输入三维卷积去噪自编码器中进行图像重建训练，得到训练好的去噪自编码器模型；

[0050] 考虑到深度先验解剖是一种新颖的半监督方法，可以避免在训练期间对细小的结构不够敏感。它首先训练一个带有大量未标记数据的自动编码器，然后使用编码器部分提取输入图像在不同深度的不同语义水平下的先验解剖特征，以指导用小标记训练分割网络。步骤(2)中的三维卷积去噪自编码器包括噪声生成模块、编码器模块、解码器模块和均方误差损失模块四个部分，其中噪声生成模块由一个Dropout层构成；编码器模块由4个分辨率不同的分辨率模块Ce1,Ce2,Ce3,Ce4和3个最大池化层Pe1,Pe2,Pe3,构成；解码器模块由3个分辨率模块Cd5,Cd6,Cd7，3个反卷积层Ud1,Ud2,Ud3和一个卷积核尺寸为1的卷积层Oae构成。每个分辨率模块由两层卷积核尺寸为3的卷积层构成，每层卷积层后跟着一个组归一化层和一个Relu激活层，最大池化层的核尺寸为2，步距为2，反卷积层的卷积核尺寸为3，步距为2，其网络架构如图4所示。

[0051] 训练三维卷积去噪自编码器时，将训练图像输入噪声生成模块获得噪声图像并输入编码器模块，由编码器模块获得分辨率不同的先验解剖特征后输入解码器模块获得重建图像；将重建图像和输入的训练图像输入均方误差损失模块计算损失值，且通过反向传播进行网络训练。其数据流如图4所示，具体为：

[0052] 训练图像x输入噪声生成模块获得噪声图像x’；接着噪声图像x’输入编码器模块，首先x’被输入分辨率模块Ce1，获得编码先验解剖特征接着被输入到最大池化层Pe1，获得池化后的特征接着被输入分辨率模块Ce2，获得先验解剖特征接着被输入到最大池化层Pe2，获得池化后的特征接着被输入到分辨率模块Ce3，获得先验解剖特征接着被输入到最大池化层Pe3,，获得池化后的特征接着被输入到分辨率模块Ce4，获得先验解剖特征接着被输入到解码器模块；首先被输入反卷积层Ud1，获得特征接着被输入分辨率模块Cd5，获得解码特征接着被输入反卷积层Ud2，获得特征接着被输入分辨率模块Cd6，获得解码特征接着被输入反卷积层Ud3，获得特征接着特征被输入分辨率模块Cd7，获得解码特征最后被输入卷积层Oae，获得重建图像x”，将重建图像x”与输入图像x输入均方误差损失模块计算损失值，通过反向传播进行网络训练。

[0053] 其中，均方误差损失模块是反应输入图像与重建图像之间差异程度的一种度量，采用下述公式计算损失值：

[0054]

[0055] 其中n为样本的个数，xn为输入的训练图像中的第n个像素，x″n为重建图像中的第n个像素。

[0056] 步骤(3)、将监督训练数据集输入训练好的去噪自编码器模型，获得每张图像的先验解剖特征，并将先验解剖特征和对应图像输入构建的密集偏置网络中进行分割训练，得到分割模型。

[0057] 考虑到肾脏内部血管尺度变化较大,本发明提出了一种密集的偏置连接方法，它融合了多接收场特征图以适应大的内部变化，此外，每一层都可以直接获得损失函数的梯度，从而形成深度监督，以简化训练过程。密集偏置网络就是基于这种方法设计的，所述密集偏置网络的结构如图5所示，由7个分辨率模块C1,C2,C3,C4,C5,C6,C7，3个最大池化层P1,P2,P3，3个反卷积层U1,U2,U3，输出层O，以及分割损失模块构成。利用密集偏置网络对输入的先验解剖特征和对应图像进行分割训练，具体包括步骤：

[0058] 步骤(301)从训练好的去噪自编码器模型获得来自其编码器模块内部四个分辨率模块的先验解剖特征

[0059] 步骤(302)训练图像x与步骤(301)中获得的先验解剖特征连接并输入分辨率模块C1，得到特征图F1，特征图F1进入最大池化层P1，得到特征图

[0060] 步骤(303)特征图与步骤(301)中获得的先验解剖特征连接并输入分辨率模块C2，得到特征图F2，特征图F2进入最大池化层P2，得到特征图

[0061] 步骤(304)特征图与步骤(301)中获得的先验解剖特征连接并输入分辨率模块C3，得到特征图F3，特征图F3进入最大池化层P3，得到特征图

[0062] 步骤(305)特征图与步骤(301)中获得的先验解剖特征连接并输入分辨率模块C4，得到特征图F4，特征图F4进入反卷积层U1，得到特征图2F4；

[0063] 步骤(306)特征图2F4输入分辨率模块C5，得到特征图F5，特征图F5进入反卷积层U2，得到特征图2F5；

[0064] 步骤(307)特征图2F5输入分辨率模块C6，得到特征图F6，特征图F6进入反卷积层U3，得到特征图2F6；

[0065] 步骤(308)特征图2F6输入分辨率模块C7，得到特征图F7；特征图F7进入输出层模块O，得到预测掩模y’；

[0066] 步骤(309)将预测掩模y’和真实掩模y输入分割损失模块计算分割损失值，且进行反向传播训练网络。该密集偏置网络整个网络采用密集偏置连接技术。

[0067] 密集偏置连接技术是将每层中的一部分特征图传输到每个其他网络层，每个层从所有前面的层获取一部分特征图作为附加输入，并将其输出特征图的一部分传输到所有网络层。如果特征图的尺度不匹配，将使用最大池化或最近邻上采样方法调整特征图尺度。其原理如图6所示，设第l层的输出为Fl，第l层接收先前层的特征图F0,…,Fl-2的一部分，并且将Fl-1的所有特征图作为输入：Fl＝Hl(Fl-1°Fl-2[0:kl-2]°…°F0[0:k0])。其中Hl(·)可以是组归一化，ReLU激活层，池化，上采样或卷积操作的复合函数。符号°表示特征图的串联。{k0,k1,…,kl-2}是第l层可以从{0,1,…,l-2}层接收的特征图的数量。

[0068] 所述分割损失模块，是通过最小化由骰子系数损失和交叉熵损失组成的损失函数来训练网络，采用的损失函数具体为：

[0069]

[0070] 其中C是从网络输出的通道数，N是每个通道的大小。y′n,c是预测掩模，yn,c表示真实掩模。λ用于平衡这些损失函数的参数。在本实验中，设置λ＝0.1。

[0071] 步骤(4)、对于新的待分割腹部CT血管造影图像，输入训练好的去噪自编码器模型得到图像的先验解剖特征，并将该图像及其先验解剖特征一起输入分割模型得到分割结果。

[0072] 基于本发明的方法，下述表1展示了各个参数下本发明采用的密集偏置网络的优势。

[0073] 密集偏置网络对每个指标的优势在表格中进行了说明。与其他方法相比，密集偏置网络实现了最佳分割结果。Dice系数，平均中心线距离和平均表面距离分别为0.861，1.976和1.472，相应的标准差分别为0.095，1.394和1.738。最后两行的消融实验验证了先验解剖的重要性。

[0074]网络 Dice系数平均中心线距离平均表面距离
V-Net 0.787(0.113) 2.872(2.196) 2.213(2.155)
3D U-Net 0.750(0.162) 5.070(4.949) 4.385(4.208)
(semi)SemiFCN 0.388(0.259) 8.772(10.085) 7.921(10.593)
(semi)ASDNet 0.555(0.191) 8.557(5.124) 7.484(5.123)
密集偏置网络 0.851(0.110) 2.478(2.090) 1.920(2.354)
(semi)Proposed 0.861(0.095) 1.976(1.394) 1.472(1.738)

[0075] 综上，本发明设计了一种应用于腹部CT血管造影图像肾动脉分割的三维卷积网络结构，并结合卷积去噪自编码器设计了一种半监督学习方法。利用大量无标注腹部CT血管造影图像构成的无监督数据集，输入卷积去噪自编码器训练，得到编码器模型。利用编码器和训练的分割模型对新的肾脏数据进行编码和预测，得到肾动脉分割掩模。本发明能仅使用少量手工标注数据获得高准确率的输出结果，能够解决肾动脉分割难，标注数据量少的问题，通过本发明能够直接得到肾动脉分割掩模。

[0076] 上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

标题	发布/更新时间	阅读量
训练数据更新-专利编号CN111095234A	2020-05-11	220
训练数据集生成方法及装置-专利编号CN110147817A	2020-05-13	732
验证分类器的训练数据-专利编号CN110781293A	2020-05-11	753
训练数据处理方法及设备-专利编号CN110264391A	2020-05-13	794
一种车牌识别训练数据的合成方法-专利编号CN110399874A	2020-05-12	1028
共享面部训练数据-专利编号CN102549591A	2020-05-11	512
场景训练数据处理方法及装置-专利编号CN109830282A	2020-05-13	773
自动地生成训练数据-专利编号CN102289459A	2020-05-11	531
一种模型训练数据加载方法及装置-专利编号CN110516817A	2020-05-12	369
训练数据可视健身器材-专利编号CN207520523U	2020-05-12	755

基于密集偏置网络和自编码器的半监督肾动脉分割方法

基于密集偏置网络和自编码器的半监督肾动脉分割方法

技术领域

背景技术

发明内容

附图说明

具体实施方式

IPRDB

热门服务

关于我们

友情链接

联系方式