[发明专利]一种面向边界框标注的迭代弱监督上颌窦分割方法和系统

权利要求书

1.一种面向边界框标注的迭代弱监督上颌窦分割方法，其特征在于：包括如下步骤：

步骤一：根据上颌窦腔的最优窗宽窗位，对若干口腔CBCT(Cone beam CT)进行预处理后，对其冠状图的上颌窦区域以边界框的形式进行框选标注，并按预设比例将标注后的冠状图数据划分为训练集D₁和测试集D₂；

步骤二：将D₁和D₂中的每张单通道图像分别输入线性谱聚类(LSC)得到对应图像的n个超像素，其中n为预设的超像素数目，将D₁和D₂分别转化为超像素集S₁和S₂；

步骤三：使用超像素集S₁训练特征提取网络Unet；

步骤四：对于训练集D₁中每张图像，用训练好的特征提取网络Unet提取其各超像素s_i的特征f_i∈R^d，d为特征向量f_i的长度，得到特征矩阵F∈R^n×d，依据超像素块的特征和超像素块之间的空间关系构建各图像的超像素图G＝(V，E，F)，其中V＝{s_i|i＝1,2，..，n}和E＝{e_ij|i＝1,2，..，n，j＝1,2，...，n}分别表示所有顶点和边的集合，每个超像素s_i对应一个图上的节点，连边e_ij代表着空间上超像素s_i和s_j之间的邻居关系，所有节点的连边关系构成一个邻接矩阵A∈R^n×n，

步骤五：根据各图像的超像素图，以超像素的类别为随机变量，构建一个条件随机场(CRF)，将边界框标注信息作为CRF的一元势，使用SSVM(结构化SVM求解器)训练具有参数θ＝{W_u，W_p}的超像素级CRF模型，使用AD3算法计算得到最大后验(MAP)的标签序列为最优标签y^*：

其中，是一元势函数，表示将超像素s_i分为标签类别y_i的能量，为超像素特征f_i和系数W_u∈R^K×d的线性组合，p(y_i|f_i)表示在给定特征向量f_i的情况下超像素x_i被分配给标签y_i的概率，表示成对势函数，j∈δ_i表示超像素s_i的所有相邻超像素，sgn(.)是0-1指示函数，是过渡矩阵W_p∈R^K×K的一个元素，表示与属于标签y_j的超像素相邻的超像素被标记为y_i的可能性，|D_ij|代表两个超像素s_i和s_j的特征向量f_i与f_j之间的距离，f_ik是特征向量f_i的第k个元素；

步骤六：把各超像素图的最优标签y^*作为初始伪标签LB，将各超像素图的连接矩阵A∈R^n×n和特征矩阵F∈R^n×d分别输入超像素分类网络即改进的图卷积网络(IGCN)，用初始伪标签LB训练更新IGCN模型参数W^(l)，W₁和W₂以最小化节点的交叉熵损失函数L，直至达到迭代步数epoch，其中IGCN层与层之间的传播为：

Z^(l+1)＝Relu(H^(l+1)W₁)W₂，    (8)

其中ReLu(.)为激活函数，和分别表示第l+1层和第，层的输出，H⁽⁰⁾＝F，d_l和d_l+1分别为第l层和第l+1层的特征向量维度，为添加了自连接的邻接矩阵A，I∈R^n×n为单位矩阵，是的度矩阵，W^(l)是第l层的可训练权重矩阵，Z^(l+1)为更新后的第l+1层输出，和是两个全连层的权重，IGCN的最后一层用SoftMax计算分类概率，并结合伪标签LB计算交叉熵损失函数L：

其中yⁱ为超像素s_i的标签，为超像素s_i取yⁱ＝1的概率；

步骤七：基于超像素级CRF和超像素分类网络IGCN以迭代学习的方式逐步完善超像素的伪标签，直到达到最大迭代步数T₂；

步骤八：对超像素集S₂中各超像素使用训练好的特征提取网络Unet提取特征；

步骤九：对于测试集D₂中每张图像，根据各超像素特征和超像素之间的空间关系构建超像素图，得到连接矩阵A和特征矩阵F；

步骤十：将超像素图的连接矩阵A和特征矩阵F输入训练好的超像素分类网络IGCN，得到上颌窦的分割结果。