一种基于无监督领域自适应的激光散斑衬比图像分割方法技术

本发明专利技术涉及一种基于无监督领域自适应的激光散斑衬比图像分割方法，包括如下步骤：S1：获取源域数据集和目标域数据集，源域数据集包括源域图像及对应的标签，目标域数据集包括目标域图像，目标域图像为激光散斑衬比图像；S2：构建图像转换模型和图像分割模型；S3：将源域图像和目标域图像输入到图像转换模型进行训练，将源域图像通过训练好的图像转换模型转换到目标域生成新的目标域图像；S4：将新的目标域图像和对应的源域图像的标签输入到图像分割模型进行训练；S5：将待分割的激光散斑衬比图像输入到训练好的图像分割模型得到分割完成的血管网络。与现有技术相比，本发明专利技术实现了在无标签的情况下激光散斑衬比图像的较高准确率的分割。

【技术实现步骤摘要】
一种基于无监督领域自适应的激光散斑衬比图像分割方法
本专利技术涉及生物医学图像处理
，尤其是涉及一种基于无监督领域自适应的激光散斑衬比图像分割方法。
技术介绍
激光散斑衬比成像是一种全场的、高时空分辩的和低成本的血流测量技术，不仅能够提供血管网络的结构信息，而且能提供血流速度、血流灌注等功能信息。基于激光散斑衬比成像技术的血管分割在科学研究和临床诊疗领域中占有基础地位，在临床诊断、治疗规划和治疗评估等方面可发挥至关重要的作用。但目前，科研人员对于激光散斑衬比图像的分割尚未提出有效的解决方案。手工进行图像分割不仅耗费大量时间和精力，而且分割的质量有时不能得到满足。深度学习及卷积神经网络(CNN)的应用极大提高了生物医学图像分割的效率和准确性。基于深度学习的图像分割的优势是能从大量图像中自动提取图像特征，从而完成图像分割。然而，深度学习模型的有效应用依赖于大量的标注好的图像。这类标签数据往往是通过人工分割得到。在激光散斑衬比图像的分割中，人工分割图像会耗费大量时间和精力，因此，图像的标签数据往往是有限甚至缺失的。因此，针对基于深度学习本文档来自技高网...

【技术保护点】
1.一种基于无监督领域自适应的激光散斑衬比图像分割方法，其特征在于，该方法包括如下步骤：/n步骤S1：获取源域数据集和目标域数据集，所述的源域数据集包括源域图像及对应的标签，所述的目标域数据集包括目标域图像，所述的目标域图像为激光散斑衬比图像；/n步骤S2：构建图像转换模型和图像分割模型，所述的图像转换模型用于源域图像和目标域图像的相互转换，所述的图像分割模型用于激光散斑衬比图像的血管网络分割；/n步骤S3：将源域图像和目标域图像输入到图像转换模型进行训练，并将源域图像通过训练好的图像转换模型转换到目标域生成新的目标域图像；/n步骤S4：将新的目标域图像和对应的源域图像的标签输入到图像分割模型...

【技术特征摘要】
1.一种基于无监督领域自适应的激光散斑衬比图像分割方法，其特征在于，该方法包括如下步骤：
步骤S1：获取源域数据集和目标域数据集，所述的源域数据集包括源域图像及对应的标签，所述的目标域数据集包括目标域图像，所述的目标域图像为激光散斑衬比图像；
步骤S2：构建图像转换模型和图像分割模型，所述的图像转换模型用于源域图像和目标域图像的相互转换，所述的图像分割模型用于激光散斑衬比图像的血管网络分割；
步骤S3：将源域图像和目标域图像输入到图像转换模型进行训练，并将源域图像通过训练好的图像转换模型转换到目标域生成新的目标域图像；
步骤S4：将新的目标域图像和对应的源域图像的标签输入到图像分割模型进行训练；
步骤S5：将待分割的激光散斑衬比图像输入到训练好的图像分割模型得到分割完成的血管网络。


2.根据权利要求1所述的一种基于无监督领域自适应的激光散斑衬比图像分割方法，其特征在于，所述的图像转换模型包括CycleGAN网络。


3.根据权利要求2所述的一种基于无监督领域自适应的激光散斑衬比图像分割方法，其特征在于，所述的图像转换模型一个图像生成器和一个图像判别器，所述的图像生成器将源域图像转换至目标域生成新的目标域图像，所述的图像判别器将新的目标域图像和原始的目标域图像进行比对确定转换误差。


4.根据权利要求3所述的一种基于无监督领域自适应的激光散斑衬比图像分割方法，其特征在于，所述的图像生成器包括下采样部分、深度残差网络和上采样部分，所述的下采样部分对输入图像特征进行提取，所述的上采样部分对提取的图像特征进行上采样以恢复原始图像分辨率，所述的深度残差网络用于不同层的直连和学习效率的优化。


5.根据权利要求4所述的一种基于...

【专利技术属性】
技术研发人员：童善保，苗鹏，陈和平，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：上海;31