(19)中华 人民共和国 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 202111638766.9 (22)申请日 2021.12.2 9 (71)申请人 电子科技大 学 地址 611731 四川省成 都市高新区 （西区） 西源大道 2006号 (72)发明人 程建　郑文　陈玉兰　周信东　 刘家祥　 (74)专利代理 机构 成都先导云创知识产权代理 事务所(普通 合伙) 51321 代理人 李坤 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/10(2017.01) G06K 9/62(2022.01) G16H 50/20(2018.01)G06V 10/774(2022.01) (54)发明名称 一种基于交互式半监督的胎儿胼胝体分割 系统及方法 (57)摘要 本发明公开了一种基于交互式半监督的胎 儿胼胝体分割系统及方法， 解决了传统技术中制 作数据过程需要进行大量标注、 浪费医生时间的 问题， 其中系统包括： 超声图像语义分割网络模 块、 半监督标注模块、 噪声标注模块、 数据集存储 模块， 所述超声图像语义分割模块连接半监督标 注模块， 所述半监督标注模块连接噪声标注模 块， 所述噪声标注模块连接数据集存储模块， 所 述数据集存储模块的数据输出端连接超声图像 语义分割网络模块， 实现了提高数据标注效率、 降低医生工作量的技 术效果。 权利要求书1页 说明书5页 附图2页 CN 114359202 A 2022.04.15 CN 114359202 A 1.一种基于交互式半监督的胎儿胼胝体分割系统， 其特征在于， 包括： 超声图像语义分 割网络模块、 半监督标注模块、 噪声标注模块、 数据集存储模块， 所述超声图像语义分割模 块连接半监督标注模块， 所述半监督标注模块连接噪声标注模块， 所述噪声标注模块连接 数据集存 储模块， 所述数据集存 储模块的数据输出端连接超声图像 语义分割网络模块。 2.一种应用权利要求1所述的一种基于交互式半监督的胎儿胼胝体分割系统的方法， 其特征在于， 包括以下步骤： 步骤A： 构建基于SwinTransformer网络的胎儿胼胝体超声图像语义分割网络并使用训 练集进行训练， 得到粗模型； 步骤B： 对粗模型进行半监督标注： 通过步骤A中的粗模型对未标注 的数据进行初步分 割， 得到分割结果， 并与医生进行交互， 进行修正分割误差标注， 得到新的有标注的图像数 据； 步骤C： 将步骤B中新的有标注的图像数据通过手动标注消除噪声， 得到准确图像数据； 步骤D： 将步骤B、 步骤C中得到的新的有标注数据与准确图像数据添加至训练集中， 并 重复步骤A到步骤C， 逐步得到细模型。 3.根据权利要求2所述的一种基于交互式半监督的胎儿胼胝体分割方法， 其特征在于， 所述步骤A的具体步骤为： 步骤A1： 通过Sw inTransformer网络对胎儿胼胝体超声图像进行编码； 步骤A2： 将编码后的超声图像特 征逐步通过双边线性上采样到与输入图像大小一 致； 步骤A3： 通过跳跃连接的方式将SwinTransformer网络每一层的特征和上采样层的特 征进行结合； 步骤A4： 通过完成预处 理和标注的数据集对分割网络进行训练， 并得到粗模型。 4.根据权利要求2所述的一种基于交互式半监督的胎儿胼胝体分割方法， 其特征在于， 所述步骤B的具体步骤为： 步骤B1： 将得到的分割结果和修 正分割误差标合并到一 起， 得到强化学习模型； 步骤B2： 将强化学习模型的输入和输出的分割状态与真实标签计算交叉熵增益作为强 化学习模型的奖励。 5.根据权利要求2所述的一种基于交互式半监督的胎儿胼胝体分割方法， 其特征在于， 所述步骤A的训练公式为： 其中A表示预测值， B 表示真实值， |A ‑B| 代表假阳性， |B ‑A|代表假阴性， 其中α 和β 为可调参数， 用于调整A与B的权 重值。权　利　要　求　书 1/1 页 2 CN 114359202 A 2一种基于交互式半监督的胎儿胼胝体分割系统及方 法 技术领域 [0001]本发明属于图像处理技术领域， 具体涉及 一种基于交互式半监督的胎儿胼胝体分 割系统及方法。 背景技术 [0002]胼胝体发育不良(ACC)是胎儿中枢神经系统畸形中的一种先天性发育异常， 指在 发育过程中胼胝体部分或完全缺失。 产前超声是目前临床上较为常用的诊断方法， 但由于 超声受胎位和图像分辨率影响， 难以直接显示胼胝 体的完整 形态。 并且在这个过程中， 由于 胎儿胼胝 体特征不明显， 较难辨别， 严重依赖医生的诊断经验且工作量巨大。 随着 计算机视 觉技术的发展， 深度学习技术已经在医学影像分析领域得到广泛应用， 利用深度学技术构 建胎儿胼胝体超声图像 自动分割系统辅助医生进行诊断， 具有非常重要的临床价值， 及早 地对异常的胎儿进行干预， 对提高人口素质， 实现优生优育具有重大意 义。 [0003]深度学习算法在医学图像分割领域取了重要的进展， 它可以有效的应对医学图像 分辨率低、 噪声大、 数据集少等核心难点， 使其成为了在医学图像分割算法中的主力军之 一。 目前U ‑Net的编解码结构和跳跃连接结构取得了较大的成功， 但是传 统的U‑net采用的 卷积方式没有很好的考虑到不同特 征之间的关系， 而这对于医学图像的分割十分很 重要。 [0004]数据集的丰富程度对于模型的训练十分重要， 新的数据每天都在产生， 制作新的 数据投入到训练数据集中， 可以不断的优化模型性能。 但是制作数据集需要经验丰富的医 生进行标注， 这将耗费医生宝 贵的时间。 如何利用有 标签的数据， 对 无标签的数据进 行预标 注， 将在降低医生工作量， 提升 工作效率上有着重要的意 义。 发明内容 [0005]针对现有技术中制作数据过程需要进行大量标注、 浪费医生时间的问题， 本发明 提供一种基于交互式半监督的胎 儿胼胝体分割系统及方法， 其 目的在于： 提高数据标注效 率、 降低医生工作量。 [0006]本发明采用的技 术方案如下： [0007]一种基于交互式半监督的胎儿胼胝体分割系统， 包括： 超声图像语义分割网络模 块、 半监督标注模块、 噪声标注模块、 数据集存储模块， 所述超声图像语义分割模块连接半 监督标注模块， 所述半监督标注模块连接噪声标注模块， 所述噪声标注模块连接数据集存 储模块， 所述数据集存 储模块的数据输出端连接超声图像 语义分割网络模块。 [0008]采用上述方案， 可通过超声图像语义分割网络模块对胼胝体超声图像进行初 步分 割， 后续医生参通过半监督标注模块与噪声标注模块将未能正确分割和噪声点进行标注， 得到后续有标注的图像和准确图像数据， 将有标注的图像和准确图像数据传输至数据集 中， 数据集中具有训练集， 可通过有标注的图像和准确图像数据进行对超声图像语义分割 模块的模型训练， 提高其精度与准确性。 [0009]一种基于交 互式半监 督的胎儿胼胝体分割方法， 包括以下步骤：说　明　书 1/5 页 3 CN 114359202 A 3