[发明专利]目标数据迁移迭代学习方法及目标数据迁移迭代学习系统

权利要求书

1.一种目标数据迁移迭代学习方法，其特征在于，包括如下步骤：

源视图及目标视图获取步骤，采集一源视图及目标视图，所述源视图与所述目标视图为同一部位在不同角度的三维视图图像，仅在所述源视图中对该部位的组成部件的分布区域进行分割标注作为第一源视图分割标签；所述源视图为所述部位沿着第一方向为第一层间距的平面切片的集合；所述目标视图为所述部位沿着第二方向为第二层间距的平面切片的集合；所述第一方向与所述第二方向不同；所述第一层间距、所述第二层间距是指视图里的切片之间的间距；所述源视图与所述目标视图不完全一致，有部分重叠，这部分重叠的分割标签被称为共享部分分割标签；

源视图分割训练步骤，基于第一卷积神经网络模型，由所述源视图作为输入，所述第一源视图分割标签作为监督信息，利用梯度下降算法进行训练；

目标视图识别分割标注步骤，采用被训练后的所述第一卷积神经网络模型对所述目标视图进行分割标注，获得第一目标视图分割标签；

目标视图分割训练步骤，基于第二卷积神经网络模型，由所述目标视图作为输入，所述第一目标视图分割标签作为监督信息，利用梯度下降算法进行训练；

目标视图分割标注更新步骤，采用被训练后的所述第二卷积神经网络模型对所述目标视图进行分割标注，获得第二目标视图分割标签；

第一卷积神经网络模型迭代训练步骤，基于被训练后的所述第一卷积神经网络模型，由所述源视图和目标视图作为输入，所述第一源视图分割标签、第二目标视图分割标签、共享部分分割标签作为监督信息，利用梯度下降算法进行优化迭代训练；采用被迭代训练后的所述第一卷积神经网络模型对所述目标视图进行分割标注，获得更新后的第一目标视图分割标签并进行输出；以及

第二卷积神经网络模型迭代训练步骤，采用被迭代训练后的所述第二卷积神经网络模型，由目标视图作为输入，更新后的第一目标视图分割标签和共享部分分割标签作为监督信息，利用梯度下降算法进行优化训练。

2.如权利要求1所述的目标数据迁移迭代学习方法，其特征在于，完成一次第一卷积神经网络模型迭代训练步骤和第二神经网络模型迭代训练步骤为一个迭代周期。

3.如权利要求1所述的目标数据迁移迭代学习方法，其特征在于，

在所述第一卷积神经网络模型迭代训练步骤中，所述监督信息还包括在所述目标视图中对所述部位的组成部件的分布区域进行分割标注的分割标签。

4.如权利要求1所述的目标数据迁移迭代学习方法，其特征在于，

所述第一方向与所述第二方向包括垂直于所述部位的轴位、冠状面或矢状面的方向。

5.如权利要求1所述的目标数据迁移迭代学习方法，其特征在于，

所述梯度下降算法为adam算法。

6.如权利要求1所述的目标数据迁移迭代学习方法，其特征在于，

所述第一卷积神经网络模型与所述第二卷积神经网络模型采用2D UNet架构，使用cross-entropy 和dice loss损失函数。

7.如权利要求1所述的目标数据迁移迭代学习方法，其特征在于，

所述部位包括膝关节组织结构；所述膝关节组织结构的组成部件包括股骨、股骨软骨、胫骨软骨、胫骨、半月板。