买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉北京工业大学;首都医科大学附属北京友谊医院申请的专利一种基于空间位置结构先验的内耳迷路多级标注伪标签生成与分割方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116433679B 。

龙图腾网通过国家知识产权局官网在2026-01-30发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310361061.X，技术领域涉及：G06T7/10；该发明授权一种基于空间位置结构先验的内耳迷路多级标注伪标签生成与分割方法是由李晓光;秦亚亭;尹红霞;汤若薇;卓力;王振常设计研发完成，并于2023-04-07向国家知识产权局提交的专利申请。

本一种基于空间位置结构先验的内耳迷路多级标注伪标签生成与分割方法在说明书摘要公布了：一种基于空间位置结构先验的内耳迷路多级标注伪标签生成与分割方法属于医学影像处理领域。本发明提出了一种基于内耳迷路空间位置结构先验信息在中心骨线上生成多级目标结构伪标签的方法，生成媲美专业医生手工标注的内耳迷路多级结构伪标签，作为多级标注自动实例分割网络的训练集和验证集，借助已有的在大量68例手工标注的内耳迷路单一结构的语义分割网络工作，实现少样本10例内耳迷路多级分割初始模型，完成对内耳迷路中水平半规管、上半规管、后半规管、前庭和耳蜗的自动分割。然后基于主动学习范式，筛选初始模型中最有价值的样本以达到更新优化初始多级分割模型的效果。

本发明授权一种基于空间位置结构先验的内耳迷路多级标注伪标签生成与分割方法在权利要求书中公布了：1.一种基于空间位置结构先验的内耳迷路多级标注伪标签生成与分割方法，其特征在于： 第一步，利用已有的基于U-HRCT内耳迷路整体分割网络从影像数据中分割出内耳迷路，采用的分割网络为TransUNet，输入模型的数据为二维； 第二步，从内耳迷路分割掩码中进行中心骨线提取，将一个联通区域细化成一个像素的宽度，用于特征提取和目标拓扑表示； 第三步，利用DBSCAN聚类算法，先将内耳迷路骨架中的前庭结构提取出来； 第四步，利用PCA主成分分析投影法，将三维上、后半规管骨线点云进行降维，投影到二维平面，根据其在二维平面投影处于不同区间将其分离； 第五步，通过步骤三和四，得到内耳迷路各结构骨线点云簇，从骨线伪标签转化为内耳迷路伪标签这一过程使用了KNN最近邻分类算法；最近邻算法对于任意m维输入向量m＝3,分别对应于特征空间中的一个点的三维坐标，输出为该特征向量所对应的类别标签；最近邻算法利用训练数据对特征向量空间进行划分，并将划分结果作为最终算法模型，在这里训练数据选用的是骨线各点三维坐标，标签对应内耳迷路各结构；根据训练后的最终算法模型，输入内耳迷路各点三维坐标，模型自动输出各点对应结构标签，从而生成内耳迷路多级结构伪标签； 第六步，选择使用迁移学习方法，将TransUNet内耳迷路单一分割网络迁移为内耳迷路多级分割网络，首先将TransUNet单一分割网络除分割结果输出层外所有的参数加载至多类别分割网络，作为预训练权重，然后随机初始化多类别分割网络中最后的分割结果输出层；在TransUNet多类别分割训练阶段，允许所有网络参数反向传播并更新，初始学习率为0.01；在数据集方面，利用上述机器学习方法生成一共10例伪标签，其中9例作为训练集，1例作为验证集；通过上述训练方式得到内耳迷路多级分割初始模型，进一步对初始化模型进行优化； 1筛选最有价值标注样本： 第一步，对内耳迷路多级分割结果进行VAE变分自编解码器形状建模，通过编码网络对内耳迷路结构进行特征学习和统计分析；解码器用于依据量化描述特征，对内耳迷路结构进行重建；将变分自编码器内耳迷路形态模型应用于分割模型算法的无参考评估，在一定程度上用来衡量内耳迷路分割结果的好坏； 对于一组输入数据X，隐式矢量Zz1，z2，……，zn的后验分布pz∣x通过变分分布qz∣x近似得到；在变分推断时，利用数据在训练中对证据下界最大化，如公式1所示： 其中，px为证据概率，pz为先验，px|z为似然概率；公式1右边第一项为计算KL散度的正则化项，约束后验近似于先验；第二项为基于隐式矢量重构原始输入的似然；VAE假设先验pz和近似后验qz|x服从高斯分布，即pz～N0,I；此外，重参数化被用于模拟近似后验qz|x；即通过假设z～Nμ,σ2，隐式矢量z可由公式2进行重参数化得到；其中，均值μ和标准差σ由VAE模型在训练中通过梯度优化计算得到； 其中为均值为0，方差为I的正态分布，ζ服从此分布； 将所建立的形状平均统计编码作为金标准，通过比较待评估结果与金标准的编码余弦相似度实现无参考的分割质量评估，见公式3： 其中Ai和Bi分别代表待评估结果编码向量A和金标准的编码向量B的各分量； 第二步，采用TransUNet多级分割网络对未标注U-HRCT数据进行预测，在分割模型的决策层，提取出各类前景通道的概率矩阵，采用最大联通掩码将离散点区域的概率过滤，分别得到分割模型对每个结构类别的最大联通概率图，记作Pc，其中c∈0,4，然后基于不确定性评估对样本标注价值进行量化； 针对特定前景类别c，对于含有m幅切片，每幅n个像素的最大联通概率图，通过熵来定义模型预测的不确定性，见公式4： 其中，pij表示每个像素属于前景的概率； 第三步，筛选最有价值标注样本的策略结合步骤一内耳迷路分割结果掩码形状建模质量评估策略和步骤二中基于分割模型预测的不确定性来共同衡量未标注样本的标注价值，定义样本价值指数Q评估未标注样本的标注价值，见公式5： Q＝λ1×NormU+λ2×Norm1-sim5 其中，λ1和λ2为不确定性和余弦相似度之间的平衡系数，用于平衡不确定性和余弦相似度对于样本价值度量的贡献，sim和U分别为上述第一步和第二步得到的余弦相似度和不确定度；λ1和λ2在均采用0.5； 3基于增量学习的多级分割模型更新优化 第一步，上述步骤筛选出来的最有价值的标注样本，对初始多级分割模型而言，往往是模型难学的样本，针对这些困难样本，需要先对其进行数据增强操作； 第二步，多级分割模型优化阶段引入了Focalloss和Top-kloss损失函数；Focalloss的公式如下： FLPt＝-1-Ptγlogpt6 γ为一个参数，范围在[0,5]，当γ为0时，就变为了交叉熵损失函数；Pt代表着与groundtruth及类别y的接近程度，Pt越大说明越接近类别y； 在优化多级分割模型时，引用平均Top-kloss作为一种新的聚合损失，平均Top-kloss损失定义为样本集z上的前k个最大的损失的平均值，公式如下： 其中Lzf为集合损失是所有个体损失在训练样本上的累加，l[i]f为第i例样本的损失。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人北京工业大学;首都医科大学附属北京友谊医院，其通讯地址为：100124 北京市朝阳区平乐园100号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。