一种具备模型迁移功能的显微图像识别分割方法技术

一种具备模型迁移功能的显微图像识别分割方法，该方法基于双域适应模块金字塔型网络建立模型迁移SDK，包含识别分割模式和模型迁移模式，所述识别分割模式的实施步骤为：S1、输入显微图像S2、加载分割模型S3、获得分割结果，所述模型迁移模式的实施步骤为：Y1、输入目标迁移的图像Y2、读取步骤Y1中输入的图像并训练模型Y3、更新现有的识别分割模型；该方法通过对图像和特征层次的对抗训练，训练时无需目标域标签，测试或使用过程与正常的分割网络一样工作；该方法可以提升分割神经网络的在无标记的新图像的分割精度，为机器人及车的识别街景、计算机辅助诊断等提供技术支持，实用性强，有着较强的推广与应用价值。

A segmentation method of microscopic image recognition with model migration function

【技术实现步骤摘要】
一种具备模型迁移功能的显微图像识别分割方法
本专利技术涉及数字图像处理及计算机视觉
，尤其是一种具备模型迁移功能的显微图像识别分割方法。
技术介绍
数字图像分割技术在机器人，自动导航，医疗影像等领域有着重要的应用。传统的基于深度学习的语义图像分割模型需要使用有标记的训练数据进行有监督学习，并且需要保证训练和测试数据大体相似，即具有相同的分布(或处在相同的域)，然而，在实际情况很难保证训练数据和测试数据或新的数据(实际运行的数据)处在同一域内，使得模型在测试数据上出现显著的性能下降。传统解决此类问题的方式是对新的数据进行标记，并在原模型上进行迁移学习。然而，获得准确的标记是繁琐且耗时复杂的，无法保证对新的数据进行充足的标记，因而需要重新设计一种具备模型迁移功能的显微图像识别分割方法。本专利技术就是为了解决以上问题而进行的改进。
技术实现思路
本专利技术需要解决的技术问题是提供一种分割精度高、实用性强，有着较强的推广与应用价值的具备模型迁移功能的显微图像识别分割方法。本专利技术为解决其技术问题所采用的技术方案是：一种具备模型迁移功能的显微图像识别分割方法，该方法基于双域适应模块金字塔型网络建立模型迁移SDK，包含识别分割模式和模型迁移模式，所述识别分割模式的实施步骤为：S1、输入显微图像，从显微镜阅片系统中获取数字显微图像；S2、加载分割模型，加载分割模型及训练完成的权重；S3、获得分割结果，将图像输入模型，获得预测的分割结果；所述模型迁移模式的实施步骤为：Y1、输入目标迁移的图像，准备目标域显微图像；Y2、读取步骤Y1中输入的图像并训练模型，系统内部读取原始训练图像及其对应的原始训练标记；Y3、更新现有的识别分割模型，将训练完成后所得的分割网络权重更新替换现有的权重；进一步的，所述该方法是建立在双域适应模块金字塔型网络基础上实现的；更进一步的，所述步骤S3中的分割模型包含编码器、金字塔型池化模块和解码器；具体的，所述步骤S4中图像输入分割网络模型，网络的损失函数为该分割函数由分类交叉熵和Dice系数两部分组成，数学表达为：其中α是权衡参数，y与分别表示标准结果与预测结果；其中，所述步骤Y2中加载基于双域适应模块金字塔型网络，利用双域适应模块金字塔型网络及无监督域适应图像分割方法读取步骤Y1中输入的图像并训练模型。可选的，所述双域适应模块金字塔型网络包含编码器、金字塔型池化模块、解码器、图像级域适应模块及特征级域适应模块.；相应的，所述系统内部读取原始训练图像及其对应的原始训练标记是结合源域图像分割模块及两个域适应模块，通过对抗性训练对最小-最大博弈同时优化三个分割网络及两个域适应模块，其整体的目标方程为：本专利技术的优点在于：该方法通过对图像和特征层次的对抗训练，训练时无需目标域标签，测试或使用过程与正常的分割网络一样工作；该方法可以提升分割神经网络的在无标记的新图像的分割精度，为机器人及车的识别街景、计算机辅助诊断等提供技术支持，实用性强，有着较强的推广与应用价值。附图说明图1是本专利技术提出的一种具备模型迁移功能的显微图像识别分割方法的结构框图。图2是本专利技术提出的一种具备模型迁移功能的显微图像识别分割方法中双域适应模块金字塔型网络的结构框图。具体实施方式为了使本专利技术实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合图示与具体实施例，进一步阐述本专利技术。参照图1、图2所示，该具备模型迁移功能的显微图像识别分割方法，该方法基于双域适应模块金字塔型网络建立模型迁移SDK，包含识别分割模式和模型迁移模式，所述识别分割模式的实施步骤为：S1、输入显微图像，从显微镜阅片系统中获取数字显微图像；S2、加载分割模型，加载分割模型及训练完成的权重；S3、获得分割结果，将图像输入模型，获得预测的分割结果；所述模型迁移模式的实施步骤为：Y1、输入目标迁移的图像，准备目标域显微图像；Y2、读取步骤Y1中输入的图像并训练模型，系统内部读取原始训练图像及其对应的原始训练标记；Y3、更新现有的识别分割模型，将训练完成后所得的分割网络权重更新替换现有的权重；进一步的，所述该方法是建立在双域适应模块金字塔型网络基础上实现的；更进一步的，所述步骤S3中的分割模型包含编码器、金字塔型池化模块和解码器；具体的，所述步骤S4中图像输入分割网络模型，网络的损失函数为该分割函数由分类交叉熵和Dice系数两部分组成，数学表达为：其中α是权衡参数，y与分别表示标准结果与预测结果；其中，所述步骤Y2中加载基于双域适应模块金字塔型网络，利用双域适应模块金字塔型网络及无监督域适应图像分割方法读取步骤Y1中输入的图像并训练模型。可选的，所述双域适应模块金字塔型网络包含编码器、金字塔型池化模块、解码器、图像级域适应模块及特征级域适应模块.；相应的，所述系统内部读取原始训练图像及其对应的原始训练标记是结合源域图像分割模块及两个域适应模块，通过对抗性训练对最小-最大博弈同时优化三个分割网络及两个域适应模块，其整体的目标方程为：其中，双域适应模块金字塔型网络，包含编码器(ENCODER)、金字塔型池化模块(PyramidPoolingModule，PPM)、解码器(DECODER)、图像级域适应模块(Dimg)及特征级域适应模块(Dfeat)。所述编码器之后连接一个金字塔型池化模块，解码器连接在金字塔型池化模块之后，所述解码器通过跳连技术与解码器同尺寸的卷积层相连；所述图像级域适应模块连接在金字塔型池化模块之后，用以减小的源域图像和目标域图像全局图像差异(如源域和目标域之间的图像颜色和图像样式)；所述特征级域适应模块连接在解码器之后，特征级域适应模块在解码器的最终输出之前，所述特征级域适应模块的输入为解码器各级的融合，其用于降低全局及局部的分割差异；所述卷积块包含E1～E4卷积块，每一个编码卷积块包含conv_3x3，conv_3x3，pool_3x3，其中conv为卷积层，卷积核为3x3，pool为最大池化层，池化倍数为2，编码器的卷积块个数与卷积层的滤波个数可以修改。但是网络模型不限制于此，也可以为VGG19,ResNet18,ResNet50等现有模型主体全卷积部分；所述解码器中的卷积块与编码器中的卷积块E1～E4相对应，解码器的卷积块D4-D1，每个解码卷积块包含concat,conv_3x3，conv_3x3，upsample，其中concat为合并运算，合并上一个解码块的输出和与此解码卷积块对应的编码卷积块的输出，upsample为上采样层，上采样倍数为2。解码器的卷积块个数与卷积层滤波个数可以随编码器结构对应修改；所述金字塔型池化模块的输入为编码器的最后一层输出，通过卷积核(kernalsiz本文档来自技高网...

【技术保护点】
1.一种具备模型迁移功能的显微图像识别分割方法，该方法基于双域适应模块金字塔型网络建立模型迁移SDK，其特征在于：/n包含识别分割模式和模型迁移模式，所述识别分割模式的实施步骤为：/nS1、输入显微图像，从显微镜阅片系统中获取数字显微图像；/nS2、加载分割模型，加载分割模型及训练完成的权重；/nS3、获得分割结果，将图像输入模型，获得预测的分割结果；/n所述模型迁移模式的实施步骤为：/nY1、输入目标迁移的图像，准备目标域显微图像；/nY2、读取步骤Y1中输入的图像并训练模型，系统内部读取原始训练图像及其对应的原始训练标记；/nY3、更新现有的识别分割模型，将训练完成后所得的分割网络权重更新替换现有的权重。/n

【技术特征摘要】
1.一种具备模型迁移功能的显微图像识别分割方法，该方法基于双域适应模块金字塔型网络建立模型迁移SDK，其特征在于：
包含识别分割模式和模型迁移模式，所述识别分割模式的实施步骤为：
S1、输入显微图像，从显微镜阅片系统中获取数字显微图像；
S2、加载分割模型，加载分割模型及训练完成的权重；
S3、获得分割结果，将图像输入模型，获得预测的分割结果；
所述模型迁移模式的实施步骤为：
Y1、输入目标迁移的图像，准备目标域显微图像；
Y2、读取步骤Y1中输入的图像并训练模型，系统内部读取原始训练图像及其对应的原始训练标记；
Y3、更新现有的识别分割模型，将训练完成后所得的分割网络权重更新替换现有的权重。


2.如权利要求1所述的一种具备模型迁移功能的显微图像识别分割方法，其特征在于，所述该方法是建立在双域适应模块金字塔型网络基础上实现的。


3.如权利要求1所述的一种具备模型迁移功能的显微图像识别分割方法，其特征在于，所述步骤S3中的分割模型包含编码器、金字塔型池化模块和解码器。


...

【专利技术属性】
技术研发人员：刘净心，慕潇，左彦飞，郭滟，
申请(专利权)人：上海衡道医学病理诊断中心有限公司，
类型：发明
国别省市：上海;31