(19)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 202210539940.2 (22)申请日 2022.05.17 (71)申请人 华中科技大 学 地址 430074 湖北省武汉市洪山区珞喻路 1037号 (72)发明人 谭山　黄敏欣　 (74)专利代理 机构 华中科技大 学专利中心 42201 专利代理师 王颖翀 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/26(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) (54)发明名称 一种基于先验-后验概率编码 器的多模态MR 图像分割方法 (57)摘要 本发明公开了一种基于先验 ‑后验概率编码 器的多模态MR图像分割方法， 通过先验 ‑后验概 率编码器在训练过程中生成各个分支网络的权 重向量， 通过学习已有数据的模式， 分配网络对 不同模态特征图的注意焦点， 在 多模网络中实施 更有针对性的局部加权融合， 提高网络判断多源 信息置信度的能力， 最终提高分割精度与模型鲁 棒性； 结合了前期融合和多层融合的思路， 通过 下采样和上采样之间的跳跃连接， 在融合以外 保 留了单独模态的特异信息， 有益于处理不同图像 源提供的互补与 矛盾信息 。 权利要求书2页 说明书7页 附图1页 CN 114972231 A 2022.08.30 CN 114972231 A 1.一种基于先验 ‑后验概率编码器的多模态MR图像分割方法， 其特 征在于， 包括： 训练阶段： 以多模态MR图像为训练样本， 以所述多模态MR图像的分割图像为标签， 对概率融合模 型进行训练； 其中， 所述 概率融合模型包括特 征提取模块、 先验编码器及多模融合模块； 所述训练阶段的损失函数包括后验概率向量及先验概率向量之间的余弦相似度损失， 以及分割结果与标签图像之间的交叉熵损失； 其中， 所述先验概率向量由所述先验编码器对经通道拼接后的多模态MR图像进行编码 后得到； 所述分割结果由所述多模融合模块根据所述先验概率向量对所述特征提取模块输 出的多模态特征图进 行加权求和及上采样处理后得到； 所述后验概率向量为将所述多模态 特征图及标签图像进行通道拼接后输入至后验编码器进行编码后得到； 应用阶段： 将待分割的MR图像输入至训练好的概 率融合模型， 得到分割结果。 2.如权利要求1所述的方法， 其特征在于， 所述多模融合模块根据 所述先验概率向量对 所述多模态特征图进行加权求和得到融合特征图， 并通过跳跃连接， 在融合特征图的上采 样过程中结合所述特 征提取模块进行 特征提取时生成的中间特 征图， 得到分割结果。 3.如权利要求1或2所述的方法， 其特征在于， 所述先验编码器根据所述特征提取模块 进行特征提取时生成的中间特征图， 对经通道拼接后的多模态特征图进 行编码后得到先验 概率向量； 所述后验编码器根据 所述特征提取模块进行特征提取时生成的中间特征图， 对将所述 多模态特 征图及标签图像进行通道拼接后生成的拼接图像进行编码后得到后验概 率向量。 4.如权利要求1所述的方法， 其特征在于， 所述先验概率向量wpri与所述融合特征图 yfusion满足以下关系式： yfusion＝concat(wpri·yfeature_a,(1‑wpri)·yfeature_b)； 其中， yfeature_a、 yfeature_b分别为模态a、 b的特 征图。 5.如权利要求1所述的方法， 其特征在于， 所述训练阶段的损失函数包括后验概率向量 及先验概 率向量之间的余弦相似度损失为： 其中， wpri和wpos分别为先验概 率向量和后验概 率向量。 6.如权利要求1所述的方法， 其特 征在于， 所述损失函数为： L＝Lentropy+α Lcos； 其中， Lentropy为交叉熵损失， a为权 重因子。 7.如权利要求1所述的方法， 其特征在于， 所述先验编码器及后验编码器均包括多个依 次连接的下采样层 及池化层。 8.一种基于先验 ‑后验概率编码器的多模态MR图像分割系统， 其特征在于， 包括： 计算 机可读存 储介质和处 理器； 所述计算机可读存 储介质用于存 储可执行指令； 所述处理器用于读取所述计算机可读存储介质中存储的可执行指令， 执行如权利要求权　利　要　求　书 1/2 页 2 CN 114972231 A 21‑7任一项所述的方法。权　利　要　求　书 2/2 页 3 CN 114972231 A 3