원래 이름 기록: 厦门大学附属第一医院（厦门市第一医院、厦门市红十字医院、厦门市糖尿病研究所）; 厦门智融合科技有限公司

本发明公开了一种基于预训练StyleGAN2的医学图像模态转换方法及装置，方法包括：构建包括编码器、目标模态图像生成器和判别器的MT‑PSGAN模型；编码器用于提取源模态图像的多尺度特征；目标模态图像生成器用于利用多尺度特征映射得到的潜向量控制生成图像的属性，得到目标模态图像；判别器用于判断目标模态图像生成器得到的目标模态图像的真假；结合判别器和目标模态图像生成器进行训练；结合训练好的目标模态图像生成器和编码器进行训练，得到训练好的编码器；利用训练好的编码器和目标模态图像生成器进行医学图像模态转换。本发明能够在进行图像转换时最大程度保留源图像的结构和内容细节，实现最优的医学图像模态转换效果。

本发明公开了基于BezierMix数据混合的无监督域适应医学图像分割方法及装置，涉及医学图像分割领域，方法包括：S1，获取医学图像数据中的目标域样本和源域样本并进行混合生成混合样本；S2，构建包括教师模型、学生模型和判别器的无监督域适应分割模型；S3，对教师模型和学生模型构成的自训练框架进行第一阶段训练；使用判别器对学生模型进行第二阶段对抗训练；S4，使用训练好的模型进行医学图像分割。本发明通过使用跨域数据混合方法BezierMix生成混合样本，提高模型泛化能力；将源域的风格迁移到目标域，并结合对抗学习与自训练框架，减小了源域和目标域在图像层面和输出空间的域差异。

本发明公开了一种基于空间频率引导网络的实时肺部CT分割方法及装置，涉及图像分割技术领域。所述空间频率引导网络包括编码器部分、解码器部分和分割头；编码器部分包括依次连接的茎块和若干个编码器，对肺部CT图像依次进行特征提取并输出若干个不同尺度的特征；解码器部分包括依次连接的多尺度特征交互模块和若干个解码器，对所述若干个不同尺度的特征进行整合，得到最终特征；分割头基于最终特征生成分割结果。本发明通过集成残差下采样块与空间频率引导块实现稳定层次编码，并结合多尺度特征交互模块完成高效特征融合；将空频表征融入编码器‑解码器流程，显著提升精细解剖结构勾勒能力及病理驱动的外观变异处理能力，且不影响效率。

本发明公开了一种基于双重校正的半监督医学图像分割方法，涉及医学图像处理与分析技术领域，包括初始化双学生模型和教师模型，划分数据集并进行预处理；基于预处理后的数据集，利用双学生模型和教师模型进行预测；根据双学生模型的预测结果识别双学生模型不一致区域，对双学生模型进行校正，并计算有监督损失和总体有监督损失；根据教师模型的预测结果计算不确定性图，基于不确定性图，动态筛选高置信度伪标签，并计算教师仲裁损失；综合各损失来定义总损失，优化双学生模型参数；通过多轮迭代训练，不断优化模型参数，最终输出医学图像分割模型。本发明通过引入双学生模型与教师模型的协同工作机制，提升了分割模型在处理无标签数据时的准确性。