CN118710665B 一种基于对比引导扩散模型的半监督mri脑肿瘤分割方法 （重庆理工大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN118710665B(45)授权公告日2025.07.04

(21)申请号202410881056.6

(22)申请日2024.07.02

(65)同一申请的已公布的文献号申请公布号CN118710665A

(43)申请公布日2024.09.27

(73)专利权人重庆理工大学

地址400054重庆市巴南区红光大道69号

(72)发明人黄同愿柳春源陈华宇吴梓鹏杨轶焓朱小蕊

(74)专利代理机构河北慧木知识产权代理事务所(普通合伙)13187

专利代理师李小波

(51)Int.CI.

GO6T7/11(2017.01)

GO6T7/00(2017.01)

G06T5/70(2024.01)

GO6V10/26(2022.01)

GO6V10/30(2022.01)

GO6V10/82(2022.01)

GO6N3/0895(2023.01)

(56)对比文件

CN116664595A,2023.08.29

CN116664605A,2023.08.29审查员马名骏

权利要求书2页说明书6页附图2页

(54)发明名称

一种基于对比引导扩散模型的半监督MRI脑肿瘤分割方法

(57)摘要

CN118710665B本发明提出了一种基于对比引导扩散模型的半监督MRI脑肿瘤分割方法，属于图像分割领域。在步骤S1中，对BraST2018数据集的T1序列数据进行切片处理，并对不含肿瘤的切片数据进行部分遮挡；在步骤S2中，生成病灶与健康图像数据对，使用脑肿瘤样本掩膜构建最小外接矩形遮挡，将病灶区域还原为健康组织；在步骤S3中，通过S2所得数据对，利用对比信息引导扩散模型进行去噪，生成病灶标签。此后，用有标签数据进行预训练，并对无标签数据通过预训练模型生成伪标签，然后与标记数据一同带入模型进行再训练过程；在步骤S4中，使用结构性对比损失，提升模型在伪标签置信度不足情况下的信息挖掘能力；在步骤S5中，仅用少量标记数据进行训练和验证。本发明通过构建一种基于对比引导扩散模型的半监督分割方法，在仅需少量标记数据的前提

CN118710665B

传统深度学习分割方法过度依赖大量标记数据的问题，提高了模型在少量标记数据条件下的分割性能。

CN118710665B权利要求书1/2页

2

1.一种基于对比引导扩散模型的半监督MRI脑肿瘤分割方法，其特征在于，所述方法包

括：

S1:MRI脑肿瘤样本的数据获取与预处理；

S2:构建脑肿瘤样本对应的健康组织生成模型；

S3:构建基于对比引导扩散模型的MRI脑肿瘤半监督分割框架；

S4:构建一种新的结构相似性对比损失函数；

S5:对基于对比引导扩散模型的半监督MRI脑肿瘤分割框架进行训练与验证；

S3、构建基于对比引导扩散模型的MRI脑肿瘤半监督分割框架，包括：

对比引导扩散模型的半监督医学病灶图像分割框架，分为两个阶段组成，(1)步骤S22生成阶段：采用扩散模型对有标记和未标记数据中的病灶区域进行处理，通过标签和伪标

签计算最小外接矩形的遮挡策略，得到配对的病灶图像和健康图像数据对；(2)分割阶段：以扩散模型为基础建立分割模型，利用标记数据的掩膜标签作为初始输入图像x?,通过前向扩散过程q(xt|×t-1)转变噪声图像x,在逆向去噪过程中，引入了两个条件：将步骤S22中所得配对的病灶图像c?和其对应的健康图像c?数据对，因此逆向去噪过程为p。(xt-1|x,(c?,c?)),在每一步去噪过程中，将病灶图像和对应的健康图像逐通道地连接到去噪网络输入中；以U-net作为去噪网络，并且在下采样和上采样中分别加入了空间注意力机制，使得网络在全局范围内自适应地关注图像中的病灶区域；利用对比信息引导扩散模型去噪，生成病灶标签；用有标签数据进行预训练后，对无标签数据通过预训练模型生成伪标签，然后再与标记数据一同带入模型进行再训练过程；

所述步骤S4,构建一种新的结构相似性对比损失函数，使用SSIM代替余弦相似度作为相似度度量函数；对比损失通常是最小化正样本距离，最大化负样本距离的计算方式，具体如下：

其中μ和μ,是图像x和y的均值，03和02表示方差，σy是协方差，C?和C?是稳定常数，避免分母为0。

2.根据权利要求1所述的一种基于对比