[发明专利]一种基于转导推理的医学影像小样本分割方法

权利要求书

1.一种基于转导推理的医学影像小样本分割方法，其特征在于，其中支撑集数据与查询集数据作为输入，支撑集为带有分割标注的影像数据，查询集为带分割的影像数据，分割方法包括以下步骤；

(1)使用神经网络作为特征提取网络，提取二维医学影像或者三维影像切片x的特征图z；

(2)基于转导推理对支撑集数据与查询集数据进行融合分析，并从中分别提取出用于对查询集进行分割的前景类别对应的原型特征向量与背景类别对应原型特征向量；

(2a)采用标注信息嵌入网络，将影像对应的分割标注y作为输入构建影像的标注信息v；

(2b)使用信息融合网络，将影像对应的特征图z与通过影像标注构建的标注信息v作为输入，对这两种信息进行融合，形成融合信息u；

(2c)通过转导推理模块，将支撑集与查询集的融合信息u^S与u^Q作为输入，并通过转导推理模块进行融合、学习，然后对输入的查询集融合信息u^Q进行补全，并生成新的查询集融合信息

(2d)采用解算网络，对转导推理模块的输出的融合信息进行处理，来解码其中的潜在的查询集标注信息v^Q；

(2e)使用原型选择网络，对支撑集与查询集的特征图z与标注信息v进行融合、分析，从中选择用于对查询集分割的各个类别的原型特征z^P；

(3)对查询集的特征图z^Q中的每一个特征，分别计算其与各个类别的原型特征的相似度，然后通过比较各个类别相似度s_i的大小，确定查询集中各个特征对应的类别，即其类别为相似度最大的原型特征所对应的类别。

2.根据权利要求1所述的一种基于转导推理的医学影像小样本分割方法，其特征在于，所述步骤(1)中所述的特征提取网络F_feat为由多层神经或者多层卷积神经网络组成，输入为单通道二维图片x，输出为高维特征

3.根据权利要求1所述的一种基于转导推理的医学影像小样本分割方法，其特征在于，所述步骤(2a)中所述的标注信息嵌入网络T_anno具体公式如下，

v＝T_anno(y)＝reshape’(G_anno(reshape(F_anno(E_anno(y)))))

其中，y为网络输入，表示影像对应的分割标注；v为网络输出，表示由标注信息嵌入网络构建的标注信息；

reshape表示将输入的数据中长与宽两个维度合并为一个维度，reshape′表示将输入的数据中由长与宽合并的维度拆分为长和宽两个维度；

E_anno(·)表示短语嵌入网络，通过滑动窗口的方式，将影像的标注y中每一个像素及其相邻区域所表示的标注信息转化为基于特征向量的表示形式；

F_anno(·)为多层卷积神经网络，用于进一步提取向量化表示的标注中隐含的特征并挖掘更多潜在的信息；

G_anno(·)表示多层全连接神经网络，用于从全局层面对标注信息进行融合；

支撑集影像的标注信息由支撑集影像对应的标注产生，对于不包含标注信息的查询集数据，则以空白作为输入产生标注信息，这里空白为既不表示前景也不表示背景的伪标注。

4.根据权利要求1所述的一种基于转导推理的医学影像小样本分割方法，其特征在于，所述步骤(2b)信息融合网络T_fuse的计算公式如下，

u＝T_fuse(z,v)＝Trans(encode＝v,decode＝z)

其中，Trans为包含编码器与解码器的Transformer神经网络，编码器的输入为标注信息v，解码器的输入为影像对应的特征图z，网络的输出为影像的特征图与标注信息所融合的结果，即融合信息u。