一种基于生成对抗网络的无监督域适应系统及方法技术方案

本发明专利技术公开了一种基于生成对抗网络的无监督域适应系统、方法及存储介质。该系统包括：特征提取模块，用于提取第一样本和第二样本的高维特征图，第一样本和第二样本是具有不同染色风格的切片图像；降维模块，用于将第一样本和第二样本的高维特征图，降维转化为低维特征图；判别器，用于接收第一样本和第二样本的低维特征图，通过对抗训练使得降维模块输出的低维特征图具有一致性；升维模块，用于将第一样本和第二样本的低维特征图升维重新生成第一样本和第二样本的高维特征图；分类模块，用于接收重新生成的第一样本和第二样本的高维特征图并输出图像分析结果。本发明专利技术对具有不同染色风格的切片图像具有良好的分析能力。

【技术实现步骤摘要】
一种基于生成对抗网络的无监督域适应系统及方法
本专利技术属于医学细胞病理图像分析
，更具体地，涉及一种基于生成对抗网络的无监督域适应系统、方法及存储介质。
技术介绍
近年来，人工智能技术发展迅速，人工智能与医疗结合能够缓解医生资源紧缺的问题。在医学细胞病理领域，病理切片数据的大量积累为医学细胞病理图像的分析提供了大数据背景，在大数据样本的处理中，由于深度学习算法的分析处理能力普遍强于其他传统分析算法，深度学习被广泛用于大数据医学细胞病理图像分析领域。运用深度学习进行医学细胞病理图像的分析需要通过对大量标签数据的学习，训练出具有分类、识别或分割效果的深度模型。但现实中，由于拍摄仪器差异、仪器参数差异、病理切片染色方法差异等导致所成病理切片染色风格出现较大差异，例如在色相、饱和度、亮度等图像属性表现出差异。染色风格差异会导致模型出现一些问题，如：在单一染色风格下训练出的深度模型难以在另一染色风格的数据中具有相同或相近表现；不同染色风格病理切片作为数据训练深度模型时会导致模型难以收敛。单独为具有新的染色风格病理切片标注数据重新训练深度模型的方案由于成本太高不可行，因此医学细胞病理图像的染色风格差异要求深度模型需要具有较好的泛化能力，能够对不同染色风格的数据具有良好的自适应能力。现有的方法通过数据增强扩大训练数据，在数据中添加噪声等方式提高模型的泛化能力，但这些方式所训练出的模型的适用范围总是有限的，不能保证模型能在任一染色风格的数据上表现较好。也有一些方法通过分析颜色和空间信息或者通过深度模型学习映射函数来匹配不同染色风格数据之间的分布，这些方式的归一化只能在一定程度上缩小不同染色风格之间的差异，不能真正地做到染色风格的一致。综上所述，不同来源的医学细胞病理图像的染色风格存在差异，需要深度模型在实际运用中具有良好泛化能力。仅通过数据增强、归一化等方法虽然能够一定程度上提高模型的泛化能力，但仍然无法满足深度模型在不同染色风格数据上的需求。
技术实现思路
针对现有技术的至少一个缺陷或改进需求，本专利技术提供了一种基于生成对抗网络的无监督域适应系统、方法及存储介质，对具有不同数据分布特征的样本均具有良好的分析能力。为实现上述目的，按照本专利技术的第一方面，提供了一种基于生成对抗网络的无监督域适应系统，包括：特征提取模块，用于提取第一样本和第二样本的高维特征图，其中，所述第一样本是第一染色风格切片图像，所述第二样本是第二染色风格切片图像；降维模块，用于接收所述第一样本和所述第二样本的高维特征图，并且通过降维转化为所述第一样本和所述第二样本的低维特征图；判别器，用于接收所述第一样本和所述第二样本的低维特征图通过对抗训练使得所述降维模块输出的所述第一样本和所述第二样本的低维特征图具有一致性；升维模块，用于接收所述第一样本和所述第二样本的低维特征图，并且通过升维重新生成所述第一样本和所述第二样本的高维特征图；分类模块，用于接收重新生成的第一样本和所述第二样本的高维特征图并输出图像分析结果。优选地，所述第一样本和所述第二样本的低维特征均为三维特征，三维特征是具有物理含义的特征。优选地，所述降维模块采用卷积核滤波进行降维，所述升维模块采用卷积核滤波进行升维。优选地，所述特征提取模块以残差模块为基本模块堆叠形成的特征提取模型，所述残差模块为以卷积层、批归一化层、ReLU激活层残差连接构造成的基本构件。优选地，所述判别器采用以卷积模块为基本模块堆叠形成的分类网络，所述卷积模块为以卷积层、批归一化层、ReLU激活层构造成的基本构件。优选地，所述特征提取模块、降维模块作为生成对抗训练中的生成器，所述生成器与判别器在训练中使用生成对抗损失进行网络参数更新。按照本专利技术的第二方面，提供了一种基于生成对抗网络的无监督域适应方法，包括步骤：提取第一样本和第二样本的高维特征图，其中，所述第一样本是第一染色风格切片图像，所述第二样本是第二染色风格切片图像；将所述第一样本和所述第二样本的高维特征图通过降维转化为所述第一样本和所述第二样本的低维特征图；接收所述第一样本和所述第二样本的低维特征图通过对抗训练使得降维输出的所述第一样本和所述第二样本的低维特征图具有一致性；将所述第一样本和所述第二样本的低维特征图通过升维重新生成所述第一样本和所述第二样本的高维特征图；根据重新生成的第一样本和所述第二样本的高维特征图输出图像分析结果。按照本专利技术的第三方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项方法。总体而言，本专利技术与现有技术相比，具有有益效果：(1)本专利技术提出的深度学习模型对具有不同数据分布特征的样本均具有良好的分析能力，特别是对于不同来源的宫颈细胞病理切片具有自适应能力，有效解决了在单一染色风格下训练出的深度学习模型难以在另一染色风格的数据中具有相同或相近表现的问题：通过判别器的监督作用，可以使得生成器在接受不同染色风格的病理图像作为输入时，输出具有相同分布的低维特征结构图作为深度学习模型的后半部分进行分析的特征图，进而使得深度学习模型对不同的染色风格的数据有相同或相近的分析能力。(2)本专利技术有效解决了不同染色风格病理切片作为数据训练深度学习模型时会导致模型难以收敛的问题。本专利技术基于生成对抗网络，通过判别器的监督作用，生成器学习一个将不同染色风格的病理图像映射至相同结构分布的结构特征图的映射函数。基于相同的结构分布的进行训练时深度模型不会出现难以收敛的问题。(3)本专利技术将升维模块、降维模块嵌入深度学习模型内部，使得生成器输出的结构化特征图具有实际的病理含义。这种结构设计使得在深度学习模型的训练过程中，降维升维模块的卷积核参数能够根据输入图像标签提供的监督信息进行学习，因此生成器输出的特征图不仅需要保证对呈现不同染色风格的输入具有相同的分布，同时还需要适合于进行病理图像分析。也就是说，生成器生成的结构化特征图具有实际的病理含义。(4)本专利技术以卷积核滤波提取高维或低维特征图的方式进行升维降维，能够根据不同图像分析任务中结构信息以及语义信息的不同重要程度，放置在深度学习模型的不同位置。当降维升维模块放置较前，生成的低维特征图更侧重于结构信息；放置较后时，生成的低维特征图更侧重于语义信息。附图说明图1是本专利技术实施例的一种基于生成对抗网络的无监督域适应系统的示意图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术。此外，下面所描述的本专利技术各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。本专利技术实施例的一种基于生成对抗网络的无监督域适应系统，如图1所示，无监督域适应系统本质是基于生成对抗网络的深度学习模型，将第一样本集和第二样本集输入到基于本文档来自技高网...

【技术保护点】
1.一种基于生成对抗网络的无监督域适应系统，其特征在于，包括：/n特征提取模块，用于提取第一样本和第二样本的高维特征图，其中，所述第一样本是第一染色风格切片图像，所述第二样本是第二染色风格切片图像；/n降维模块，用于接收所述第一样本和所述第二样本的高维特征图，并且通过降维转化为所述第一样本和所述第二样本的低维特征图；/n判别器，用于接收所述第一样本和所述第二样本的低维特征图，通过对抗训练使得所述降维模块输出的所述第一样本和所述第二样本的低维特征图具有一致性；/n升维模块，用于接收所述第一样本和所述第二样本的低维特征图，并且通过升维重新生成所述第一样本和所述第二样本的高维特征图；/n分类模块，用于接收重新生成的第一样本和所述第二样本的高维特征图并输出图像分析结果。/n

【技术特征摘要】
1.一种基于生成对抗网络的无监督域适应系统，其特征在于，包括：
特征提取模块，用于提取第一样本和第二样本的高维特征图，其中，所述第一样本是第一染色风格切片图像，所述第二样本是第二染色风格切片图像；
降维模块，用于接收所述第一样本和所述第二样本的高维特征图，并且通过降维转化为所述第一样本和所述第二样本的低维特征图；
判别器，用于接收所述第一样本和所述第二样本的低维特征图，通过对抗训练使得所述降维模块输出的所述第一样本和所述第二样本的低维特征图具有一致性；
升维模块，用于接收所述第一样本和所述第二样本的低维特征图，并且通过升维重新生成所述第一样本和所述第二样本的高维特征图；
分类模块，用于接收重新生成的第一样本和所述第二样本的高维特征图并输出图像分析结果。


2.如权利要求1所述的基于生成对抗网络的无监督域适应系统，其特征在于，所述第一样本和所述第二样本的低维特征均为三维特征，三维特征是具有物理含义的特征。


3.如权利要求1或2所述的一种基于生成对抗网络的无监督域适应系统，其特征在于，所述降维模块采用卷积核滤波进行降维，所述升维模块采用卷积核滤波进行升维。


4.如权利要求1或2所述的基于生成对抗网络的无监督域适应系统，其特征在于，所述特征提取模块以残差模块为基本模块堆叠形成的特征提取模型，所述残差模块为以卷积层、批归一化层、ReLU激活层残差连接构造成的基本构件。


5.如权利要求1或2所述的基于生成对抗网络的无监督域适应系统，其特征在于，所述判别器采用以卷积模块为基本模块堆叠形...

【专利技术属性】
技术研发人员：曾绍群，余江胜，程胜华，刘秀丽，陈西豪，
申请(专利权)人：怀光智能科技武汉有限公司，
类型：发明
国别省市：湖北;42