一种基于特征函数和对抗学习的域适应医学图像分割方法技术

本发明专利技术涉及一种基于特征函数和对抗学习的域适应医学图像分割方法，该方法包括如下步骤：S1，获取目标数据和源数据；S2，构建用于提取中间特征的特征提取网络；S3，计算目标数据和源数据中间特征之间的差异；S4，构建用于区别中间特征域来源的特征判别器；S5，针对源数据构建图像分割网络，图像分割网络输入源数据的中间特征，输出分割标签；S6，针对目标数据构建图像重建网络，该网络输入目标数据的中间特征，输出重建的目标数据；S7，循环迭代训练，获取所有网络的最优参数；S8，应用时，将目标图像依次输入至特征提取网络和图像分割网络，输出分割结果。与现有技术相比，本发明专利技术该方法泛化能力强，分割结果准确可靠。

A domain adaptive medical image segmentation method based on feature function and confrontation learning

【技术实现步骤摘要】
一种基于特征函数和对抗学习的域适应医学图像分割方法
本专利技术涉及图像处理
，尤其是涉及一种基于特征函数和对抗学习的域适应医学图像分割方法。
技术介绍
在医学影像领域，医学图像的精确对于许多临床应用有着十分重要的辅助作用，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医学图像十分耗时耗力，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。目前，域适应无监督分割方法中，均采用对抗神经网络迫使不同域隐变量模态无关。该策略通过引入一个判别器网络，交替更新生成器和判别器网络，最终使得该判别器无法识别不同模态隐变量的类别。然而这种方法一般在优化过程中很难找到纳什均衡点，且训练过程复杂。
技术实现思路
本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于特征函数和对抗学习的域适应医学图像分割方法。本专利技术的目的可以通过以下技术方案来实现：一种基于特征函数和对抗学习的域适应医学图像分割方法，该方法包括如下步骤：S1：本文档来自技高网...

【技术保护点】
1.一种基于特征函数和对抗学习的域适应医学图像分割方法，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：构建特征提取网络，用于提取源数据的中间特征Z

【技术特征摘要】
1.一种基于特征函数和对抗学习的域适应医学图像分割方法，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：构建特征提取网络，用于提取源数据的中间特征ZS和目标数据的中间特征ZT；
S3：计算中间特征ZS和ZT之间的差异；
S4：构建用于区别中间特征ZS和ZT的域来源的特征判别器，所述的特征判别器输入为特征提取网络输出的中间特征，输出为数据的域来源；
S5：针对源数据构建图像分割网络，所述的图像分割网络输入中间特征ZS，输出分割标签；
S6：针对目标数据构建图像重建网络，所述的图像重建网络输入中间特征ZT，输出重建的目标数据；
S7：循环迭代训练，获取特征判别器、特征提取网络、图像分割网络和图像重建网络的最优参数；
S8：应用时，将目标图像输入至特征提取网络提取目标中间特征，然后将目标中间特征输入至图像分割网络，输出分割结果。


2.根据权利要求1所述的一种基于特征函数和对抗学习的域适应医学图像分割方法，其特征在于，步骤S3采用蒙特卡罗采样计算中间特征ZS和ZT之间的差异。


3.根据权利要求2所述的一种基于特征函数和对抗学习的域适应医学图像分割方法，其特征在于，中间特征ZS和ZT之间的差异通过中间特征的分布距离来度量，中间特征距离通过下式获取：



其中，d(ZS,ZT)为中间特征距离，Ns为源数据的蒙特卡罗采样数目，NT为目标数据的蒙特卡罗采样...

【专利技术属性】
技术研发人员：庄吓海，吴富平，
申请(专利权)人：复旦大学，
类型：发明
国别省市：上海;31