[发明专利]基于迁移学习图像增强的低场强MR胃部分割方法

权利要求书

1.一种基于迁移学习图像增强的低场强MR胃部分割方法，其特征在于，包括如下步骤：

(1)输入高场强3DMR胃部影像集A_high及待分割的低场强3DMR胃部影像集A_low，分别对其进行预处理，得到强度均匀的预处理后高场强3DMR胃部影像集X和预处理后待分割的低场强3DMR胃部影像集Y，且X与Y空间分辨率、大小及灰度区间保持一致；其中，X对应标签数据集X_L，Y对应标签数据集Y_L；

(2)生成伪低场强3DMR胃部影像集：

将预处理后的高场强3DMR胃部影像集X与预处理后的待分割低场强3DMR胃部影像集Y输入循环生成式对抗网络CycleGAN中，学习影像集X和Y之间的映射关系，生成伪低场强3DMR胃部影像集对应标签数据集/

(3)构建训练集、验证集、测试集和迁移训练集：

在预处理后待分割的低场强3DMR胃部影像集Y中随机抽取60％作为训练集Train，对应标签数据集将剩余的40％影像随机等分为两部分，一部分为验证集Valid，对应标签数据集/另一部分为低场强3DMR胃部影像作为测试集Test，对应标签数据集/将伪低场强3DMR胃部影像集/作为迁移训练集Train1，对应标签数据集/

(4)构建3D Res3-U-Net分割网络N：

(4a)由归一化层BN+非线性激活层Relu+卷积层conv3×3×3构成第一卷积模块C₁；由归一化层BN+非线性激活层Relu+卷积层conv1×1×1构成第二卷积模块C₂；

(4b)将第一卷积模块C₁和第二卷积模块C₂按照C₂+C₁+C₂的方式得到卷积操作模块C；

(4c)根据卷积操作模块C构建结构如下的3D Res3-U-Net分割网络N：

第一卷积层→第二卷积层→第一池化层→第三卷积层→第四卷积层→第二池化层→第五卷积层→第六卷积层→第三池化层→第七卷积层→第八卷积→第一上采样层→第九卷积层→第十卷积层→第二上采样层→第十一卷积层→第十二卷积层→第三上采样层→第十三卷积层→第十四卷积层→全连接层；

(5)使用训练集Train和验证集Valid，训练步骤(4)构建的3D Res3-U-Net分割网络N，得到最优3D Res3-U-Net分割网络N_best；

(5a)令3D Res3-U-Net分割网络N训练及验证的迭代次数为e，且1≤e≤E；其中E表示设置的最大迭代次数，E∈[50,500]；

(5b)初始化当前迭代次数，即令迭代次数e＝1；初始化最优Dice相似系数，即令最优Dice相似系数D_best＝0；

(5c)使用训练集Train，训练第e次迭代的3D Res3-U-Net分割网络N，获取训练后3DRes3-U-Net分割网络N_e，及其对应的权重W_e和偏置b_e；

(5d)将验证集Valid样本记为其中I_v为验证集中的胃部影像，/为胃部影像I_v对应的标签；将I_v输入训练后3D Res3-U-Net分割网络N_e得到胃部影像I_v对应的输出O_v，获取输出O_v与标签/之间的Dice相似系数D_e；

(5e)将D_e与当前最优Dice相似系数D_best进行比较，若D_e≥D_best，则令训练后3D Res3-U-Net分割网络N_e为最优3D Res3-U-Net分割网络N_best，并将当前最优Dice相似系数D_best更新为D_e；

(5f)判断当前迭代次数e是否达到最大迭代次数E；若未达到，即e≠E，继续执行步骤(5g)；反之，若e＝E，则终止训练过程，得到最优3D Res3-U-Net分割网络N_best，直接执行步骤(6)：

(5g)对当前迭代次数e加1之后，返回步骤(5c)；

(6)使用迁移训练集Train1，对最优3D Res3-U-Net分割网络N_best进行迁移学习，得到迁移后最优3D Res3-U-Net分割网络N'_best；

(6a)令最优3D Res3-U-Net分割网络N_best训练迭代次数为h，且1≤h≤H，其中H表示设置的分割网络N_best训练迭代最大次数，H∈[20,100]；

(6b)初始化当前迭代次数，即令迭代次数h＝1；

(6c)使用迁移训练集Train1，对最优3D Res3-U-Net分割网络N_best进行第h次迭代训练；

(6d)判断当前迭代次数h是否达到最大迭代次数H；若未达到，即h≠H，继续执行步骤(6e)；反之，若h＝H，则终止训练过程，得迁移后最优3D Res3-U-Net分割网络N'_best，直接执行步骤(7)；

(6e)对当前迭代次数h加1之后，返回步骤(6c)；

(7)利用迁移后最优3D Res3-U-Net分割网络N'_best，获得测试集Test的胃部影像分割结果。