(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210501553.X (22)申请日 2022.05.09 (71)申请人 南京大学 地址 210046 江苏省南京市栖霞区仙林大 道163号 (72)发明人 李武军　许丽军　 (74)专利代理 机构 南京乐羽知行专利代理事务 所(普通合伙) 32326 专利代理师 李玉平 (51)Int.Cl. G06V 10/26(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于上下文信息融合的三维医疗图像 分割方法 (57)摘要 本发明公开一种基于上下文信息融合的三 维医疗图像分割方法， 本发明中三维 医疗图像网 络主要采用基于子块的方式进行训练阶段和预 测阶段， 通过三维医疗图像网络并行的空洞卷积 分支和自注意力分支提取包含上下文信息的特 征， 融合后生成预测分割结果。 再将得到的预测 分割结果利用高斯加权融合相邻预测子块的分 割结果， 缓解了子块边界预测不准的问题， 进一 步提高了分割精度。 此外， 三维医疗图像网络训 练时通过样 本均衡采样策略采样训练子块， 避免 了数据中可能存在的类别不平衡问题， 提升了前 景类别的分割精度。 本发明方法可以有效提高三 维图像分割算法的准确率， 可适用于各种器官的 三维医疗图像 分割任务， 具有很好的普适性和通 用性。 权利要求书2页 说明书6页 附图4页 CN 114882219 A 2022.08.09 CN 114882219 A 1.一种基于上下文信息融合的三维医疗图像分割方法， 其特征在于， 三维医疗图像分 割预测包括如下步骤： 步骤1， 对获取到的三维医疗图像数据进行预处理， 得到经过数据重采样和数据标准化 后的优化 三维医疗图像数据； 步骤2， 在所述优化 三维图像数据的不同位置上进行随机 裁切得到多个训练子块； 步骤3， 以所述训练子块大小的一半为步长， 采用滑动窗口策略从所述优化三维图像数 据中裁切与所述训练子块大小相同的预测子块； 步骤4， 将所述预测子块输入至训练后的基于上下文信息融合的三维医疗图像分割 网 络， 通过前向计算方法得 出各个所述预测子块的预测分割结果； 步骤5， 使用高斯加权策略融合相邻所述预测子块的预测分割结果， 得到最终预测的三 维医疗图像分割结果。 2.根据权利要求1所述的一种基于上下文信息融合的三维医疗图像分割方法， 其特征 在于， 步骤1中所述数据重采样的具体操作为： 采用所述三维医疗图像数据的数据集间距中值作为目标间距， 并对其图像数据和标签 数据分布采用三阶Spl ine插值和最近邻插值进行 数据重采样。 3.根据权利要求2所述的一种基于上下文信息融合的三维医疗图像分割方法， 其特征 在于， 步骤1中所述数据标准 化的具体操作为： 计算所述三维医疗图像数据中所有前景类的体素强度的平均值和标准差， 以及它们的 0.5和99.5个百分位， 然后将所有图像剪切到0.5和99.5个百分位， 最后减去平均值并除以 标准差。 4.根据权利要求1所述的一种基于上下文信息融合的三维医疗图像分割方法， 其特征 在于， 步骤4中所述 三维医疗图像分割网络的训练步骤具体为： 步骤4.1， 利用样本均衡采样策略针对所述训练子块进行采样， 并将采样到的所述训练 子块与其对应的分割标注作为训练样本； 步骤4.2， 定义基于上下文信息 融合的三维医疗图像分割网络， 将所述训练样本输入至 所述三维医疗图像分割网络中通过 前向计算得到训练分割结果； 步骤4.3， 根据 所述训练分割结果和真实分割标签计算目标损失函数， 并更新所述三维 医疗图像分割网络的参数； 步骤4.4， 判断是否 达到预设的训练轮数， 直至训练结束。 5.根据权利要求4所述的一种基于上下文信息融合的三维医疗图像分割方法， 其特征 在于： 所述三维医疗图像分割网络采用并行的空洞卷积分支和自注意力分支 提取包含多尺 度局部上下文信息和全局上下文的特征， 将不同分支的特征进行融合从而生成结果； 所述 空洞卷积分支由G组空洞卷积堆叠而成， 所述自注意力分支由卷积层、 L层三维轴向自注意 力层和转置卷积层堆叠而成。 6.根据权利要求5所述的一种基于上下文信息融合的三维医疗图像分割方法， 其特征 在于， 步骤4.1中所述样本均衡采样策略具体为： 采样的所述训练子块中， 其中三分之二的子块来自于随机位置， 另 外三分之一的子块 来自于保证包 含的前景类别。 7.根据权利要求6所述的一种基于上下文信息融合人的三维图像分割方法， 其特征在权　利　要　求　书 1/2 页 2 CN 114882219 A 2于， 步骤4.3中所述 三维医疗图像分割网络的目标损失函数表示 为： Ltotal＝ λ1·LCE+λ2·LDice； 其中， LCE和LDice分别为分割结果和真实分割标签之间的交叉熵损失和Dice损失， λ1和 λ2 为交叉熵损失和Dice损失的权 重。 8.根据权利要求1所述的一种基于上下文信 息融合的三维图像分割方法， 其特征在于， 步骤5中所述高斯加权策略的步骤具体为： 对每个所述预测子块的分割结果采用高斯分布作为权重， 再在相邻预测子块的分割结 果之间归一 化权重， 并以加权求和后的预测分割结果 为最终的预测分割结果。权　利　要　求　书 2/2 页 3 CN 114882219 A 3