【技术实现步骤摘要】
一种基于域适应的无监督医学图像分割方法
本专利技术涉及图像处理
，尤其是涉及一种基于域适应的无监督医学图像分割方法。
技术介绍
精确的心脏分割对于许多临床应用有着十分重要的辅助作用，如心脏的三维建模和心功能分析，在临床上，多模态医学影像已被广泛使用。然而，手动分割所有模态的心脏图像十分耗时耗力，而且不同医师的分割结果之间也存在着差异。为了减轻工作量，建立统一分割标准，计算机自动化分割就显得尤为重要。基于学习的训练方法可以实现所需的自动化分割模型。为了减少训练所需标注数据，一个非常有用的方法是利用已有的有金标准的心脏影像数据，迁移学习其中的解剖结构信息，并将学习到的知识用于待分割的其它模态的目标图像，实现图像的自动分割。然而，实验表明在一种模态数据上训练得到的分割模型若直接用于其它模态的目标数据，分割结果通常会很差，这是由于不同模态数据的分布差异所导致的。域适应方法很好的解决了这一问题，在分割问题中，域适应方法通常是将所有数据映射到同一个隐变量特征空间，利用优化方法将不同模态数据的分布在该特征空间上进行匹配，得到...
【技术保护点】
1.一种基于域适应的无监督医学图像分割方法，其特征在于，该方法包括如下步骤：/nS1：获取与目标数据结构相同的不同模态的具有标签的影像学数据作为源数据；/nS2：对源数据和目标数据分别引入隐变量，构建两个结构相同的变分自编码器，分别为用于源数据图像分割的源变分自编码器和用于目标数据图像分割的目标变分自编码器；/nS3：分别获取两个变分自编码器的损失函数；/nS4：分别估计两个变分自编码器隐变量的概率分布，并计算隐变量概率分布的差异；/nS5：综合两个变分自编码器的损失函数及隐变量概率分布的差异得到总体损失函数，利用总体损失函数优化两个变分自编码器；/nS6：采用优化得到的目...
【技术特征摘要】
1.一种基于域适应的无监督医学图像分割方法，其特征在于，该方法包括如下步骤：
S1：获取与目标数据结构相同的不同模态的具有标签的影像学数据作为源数据；
S2：对源数据和目标数据分别引入隐变量，构建两个结构相同的变分自编码器，分别为用于源数据图像分割的源变分自编码器和用于目标数据图像分割的目标变分自编码器；
S3：分别获取两个变分自编码器的损失函数；
S4：分别估计两个变分自编码器隐变量的概率分布，并计算隐变量概率分布的差异；
S5：综合两个变分自编码器的损失函数及隐变量概率分布的差异得到总体损失函数，利用总体损失函数优化两个变分自编码器；
S6：采用优化得到的目标变分自编码器对目标数据进行分割得到分割结果。
2.根据权利要求1所述的一种基于域适应的无监督医学图像分割方法，其特征在于，所述的变分自编码器包括编码器、解码器和预测模块，所述的编码器用于输入原始图像并输出隐变量，所述的预测模块用于输入所述的隐变量并输出分割结果，所述的解码器用于同时输入隐变量和分割结果并输出原始图像的重建结果。
3.根据权利要求1所述的一种基于域适应的无监督医学图像分割方法，其特征在于，源变分自编码器的损失函数为：
其中，Loss1为源变分自编码器的损失，LBVAE(θS,φS)为源变分自编码器的目标函数，LBVAE(θS,φS)具体为源数据似然函数的变分下界，θS、φS为源变分自编码器中待学习参数，xS为源数据，yS为源数据的标签，zS为源数据的隐变量，DKL表示Kullback-Leibler散度，表示给定源数据xS的情况下zS的近似条件概率分布，zS服从高斯分布N(US,∑S)，其中US＝(uS1,uS2,…,uSn)表示隐变量zS的各子变量均值，∑S＝diag(λS1,λS2,…,λSn)表示相应的协方差对角矩阵，n表示隐变量zS的维度，表示zS的真实概率分布，表示已知yS和zS的情况下xS的条件概率分布，表示已知zS的情况下yS的条件概率分布，E表示求相应变量的期望。
4.根据权利要求1所述的一种基于域适应的无监督医学图像分割方法，其特征在于，目标变分自编码器的损失函数为：
其中，Loss2为目标变分自编码器的损失，LBVAE(θT,φT)为目标变分自编码器的目标函数，LBVAE(θT,φT)具体为目标数据似然函数的变分下界，θT、φT为目标变分自编码器中待学习参数，xT为目...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。