公开(公告)号：CN118710654A

公开(公告)日：2024-09-27

申请号：CN202410878181.1

申请日：2024-07-02

Applicant: 哈尔滨工业大学

Inventor： 骆功宁 ,  朱占仕 ,  顾海耀 ,  董素宇 ,  王玮 ,  王宽全

IPC: G06T7/10 ,  G06N3/0464 ,  G06N3/084

Abstract: 一种医学图像持续无源域适应分割系统，它属于医学图像处理技术领域。本发明解决了现有持续无源域适应方法的域适应能力有限且对之前的目标域存在灾难性遗忘的问题。本发明构造了图像域D、解剖结构S、图像x和分割结果y之间的因果链，在因果链中，解剖结构S和图像域D共同决定图像x，而解剖结构S和图像x共同影响分割结果y。在域适应子链中，通过调整解剖结构S对分割结果y的影响来实现对新目标域的适应，提高模型的域适应能力。在知识保留子链中，处理图像域D对图像x的影响以及图像x对分割结果y的影响，从而在学习新知识的同时保留旧知识的记忆，提高模型对抗遗忘的能力。本发明方法可以应用于医学图像分割技术领域。

公开(公告)号：CN118710653A

公开(公告)日：2024-09-27

申请号：CN202410878175.6

申请日：2024-07-02

Applicant: 哈尔滨工业大学

Inventor： 骆功宁 ,  朱占仕 ,  黄小杰 ,  董素宇 ,  王玮 ,  王宽全

IPC: G06T7/10 ,  G06T7/00

Abstract: 一种基于提示学习的模态增量MRI脑肿瘤图像分割系统，它属于深度学习技术领域。本发明解决了由于现有方法存在信息的灾难性遗忘以及不能充分利用多模态MRI影像之间的数据相关性，导致脑肿瘤图像分割的准确率低的问题。本发明设计了基于提示学习的模态特征提取器模块和基于双重知识蒸馏的分割网络模型，将患者脑部在不同成像方式下的MRI图像作为每一阶段的输入，模态特征提取器结构让分割网络模型能够学习当前模态的结构特征并在预测其他模态时为分割网络模型提供辅助，因而充分利用了多模态MRI影像之间的数据相关性，采用双重知识蒸馏损失避免了分割网络模型在模态增量持续学习过程中遇到的灾难性遗忘问题。本发明方法可以应用于MRI脑肿瘤图像分割。