[发明专利]基于密集偏置网络和自编码器的半监督肾动脉分割方法

权利要求书

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；其中，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；

以及，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；

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。