(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210415926.1 (22)申请日 2022.04.20 (65)同一申请的已公布的文献号 申请公布号 CN 114511581 A (43)申请公布日 2022.05.17 (73)专利权人 四川大学华西医院 地址 610041 四川省成 都市武侯区国学巷 37号 (72)发明人 胡兵　袁湘蕾　曾宪晖　牟一　 刘伟　叶连松　罗奇　 (74)专利代理 机构 成都华亿智合知识产权代理 事务所(普通 合伙) 51354 专利代理师 张和平 (51)Int.Cl. G06T 7/11(2017.01) G06N 3/04(2006.01) G06K 9/62(2022.01) G06T 3/40(2006.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06V 10/80(2022.01)(56)对比文件 CN 112017191 A,2020.12.01 CN 112967287 A,2021.0 6.15 CN 113256536 A,2021.08.13 CN 111784653 A,2020.10.16 CN 111563906 A,2020.08.21 CN 110428432 A,2019.1 1.08 CN 114332462 A,202 2.04.12 CN 113362350 A,2021.09.07 US 20212 90096 A1,2021.09.23 CN 108734719 A,2018.1 1.02 CN 10972725 3 A,2019.0 5.07 CN 112967287 A,2021.0 6.15 CN 109035263 A,2018.12.18 US 2019279361 A1,2019.09.12 王弢.“基于全局与局部特 征聚合的云检测 算法研究 ”. 《中国优秀硕士学位 论文全文数据库 工程科技 Ⅱ辑》 .2022, Shuhui L iu等.“Precisely identify the geometry of catalyst particles from S/TE M images via a boundary at tention deep learning network”. 《Materials Today Communications》 .2021, 审查员 秦娇娇 (54)发明名称 一种多任务多分辨率协作的食管癌病变分 割方法及装置 (57)摘要 本发明公开了一种多任务多分辨率协作的 食管癌病变分割方法及装置， 主要解决现有技术 中存在的现有食管癌病变区识别方法不能高精 度的识别出病变区域和正常区域的边界， 影响病 情的判断和后续治疗 方案的确定的问题。 该发明 首先获取食 管癌病变图像数据集， 并对其进行预 处理； 然后构建多任务多分辨率协作的食管癌病 变分割模型； 然后训练分割模型后将待预测的食 管癌病变图像数据输入训练后的分割模 型， 输出病变分割结果和病变轮廓结果； 病变轮廓结果利 用条件随机场处理后和病变分割结果组合形成 最终的分割结果； 本发明充分结合病变的轮廓信 息， 提取和结合丰富特征， 并对病变特征进行有 效的分离， 实现高精度的病变区域分割。 权利要求书2页 说明书6页 附图1页 CN 114511581 B 2022.07.08 CN 114511581 B 1.一种多任务多分辨 率协作的食管癌病变分割方法， 其特 征在于， 包括以下步骤： S1、 获取食管癌病变图像数据集， 并对其进行预处理； 预处理包括将食管癌病变图像数 据随机分割为多个子块； S2、 构建多任务多分辨率协作的食管癌病变分割模型， 所述分割模型包括四个解码块 和四个编码块； 解码块和编码块对应的部分采用跳跃 连接； 分割模型融合有注意力模块； S3、 采用步骤S1得到的食管癌病变图像数据训练步骤S2的分割模型； S4、 将待预测的食管癌病变图像数据输入步骤S3训练好的分割模型， 输出病变分割结 果和病变 轮廓结果； S5、 步骤S4的病变轮廓结果利用条件随机场处理后和病变分割结果组合形成最终的分 割结果； 步骤S3中训练过程如下： S301、 子块进入编码块采样特征， 在最底部编码块的采样特征与上面的三个编码块的 采样特征融合得到融合特 征； S302、 将融合特征送入注意力模块输出调整后的特征； 注意力模块包括通道注意力模 块和空间注意力模块； S303、 将调整后的特征送入解码块， 在解码块使用双向双线性插值的方法对每个特征 点进行插值， 然后进行 卷积、 标准 化、 ReLU操作来完成上采样后进入输出层； S304、 输出层将特征分为两个分支， 一个分支为病变分割结果， 另外一个分支为病变轮 廓结果； S305、 步骤S304的两个分支均利用联合损失函数来训练分割模型得到训练后的分割模 型。 2.根据权利要求1所述的一种多任务多分辨率协作的食管癌病变分割方法， 其特征在 于， 步骤S1中预 处理的具体过程为： 在 食管癌病变图像上标注食管癌病变区域形成标签， 然 后读取食管癌病变图像数据并进行归一 化处理。 3.根据权利要求2所述的一种多任务多分辨率协作的食管癌病变分割方法， 其特征在 于， 预处理过程还包括将归一化处理后数据， 采用旋转、 裁剪、 加噪声对食管癌病变图像数 据增广后， 将食管癌病变图像数据随机分割为多个子块， 每个子块上标记有对应大小的标 签。 4.根据权利要求3所述的一种多任务多分辨率协作的食管癌病变分割方法， 其特征在 于， 编码块采用MaxPo oling来进行 下采样 ， 解码块采用双线性插值。 5.根据权利要求3所述的一种多任务多分辨率协作的食管癌病变分割方法， 其特征在 于， 联合损失函数中dice系数的激活函数定义为： ， 其中，  表示预 测结果， 表示手动设置标签后的标注图； 联合损失函数中交叉熵损失函数定义为： ； 其中， K表示类别数量， 表示符号函数为0或1， 其中样本i属 于真实类别k取1， 否则取0， 为像素点 i属于类别k的概 率。权　利　要　求　书 1/2 页 2 CN 114511581 B 26.根据权利要求5所述的一种多任务多分辨率协作的食管癌病变分割方法， 其特征在 于， 步骤S5的具体过程为： 定义 是像素 是否是病变的概率； 是像素 的病变轮廓概 率； 利用条件随机场对病变轮廓结果处理后和病变分割结果求并集， 计算公式为：   ， 其中CRF为条件随机场。 7.根据权利要求6所述的一种多任务多分辨率协作的食管癌病变分割方法， 其特征在 于， 还包括对步骤S3训练后的分割模型进行评价， 评价过程为： 利用联合损失函数进行衡 量， 比较输出 的最终的分割 结果与真实癌变数据标注部分的重叠部分， 根据预设存评价指 标判定保留最优的分割模型。 8.一种多任务多分辨 率协作的食管癌病变区分割装置， 其特 征在于， 包括 存储器： 用于存 储可执行指令； 处理器： 用于执行所述存储器 中存储的可执行指令， 实现如权利要求1 ‑7任一项所述的 一种多任务多分辨 率协作的食管癌病变分割方法。权　利　要　求　书 2/2 页 3 CN 114511581 B 3