基于域自适应的医学图像分割方法及系统技术方案

本发明专利技术提供一种基于域自适应的医学图像分割方法及系统，属于计算机视觉技术领域，首先在有标签的数据集(源域)进行训练得到模型，然后通过特征层面的自适应，将在源域训练好的模型迁移到无标签或标签极少的数据集(目标域)上执行任务，并具有在源域上执行任务时同样高的性能。本发明专利技术减少了对于有标签数据集的需求，从而缓解了医学图像数据集稀缺的问题。减少了模型应用在新的数据集上的训练时间。将已训练好的模型更好的应用于真实场景中。已训练好的模型更好的应用于真实场景中。已训练好的模型更好的应用于真实场景中。

【技术实现步骤摘要】
基于域自适应的医学图像分割方法及系统


[0001]本专利技术涉及计算机视觉
，具体涉及一种基于域自适应的医学图像分割方法及系统。

技术介绍

[0002]近年来，深度学习架构在图像处理领域已经取得了重大进展，当前用于图像分割的神经网络架构都是在有着丰富标签的数据集上进行训练。然而对医学图像进行标记时，需要专业医生进行人工筛选标记，而且人工标注数据分布差异较大，将在训练集上训练出来的模型运用到实际应用场景中时，常常会导致模型的性能下降。

技术实现思路

[0003]本专利技术的目的在于提供一种减少了对于有标签数据集的需求、缓解了医学图像数据集稀缺、减少了模型应用在新的数据集上的训练时间的基于域自适应的医学图像分割方法及系统，以解决上述
技术介绍
中存在的至少一项技术问题。
[0004]为了实现上述目的，本专利技术采取了如下技术方案：
[0005]第一方面，本专利技术提供一种基于域自适应的医学图像分割方法，包括：
[0006]利用有标签的源域数据集训练得到分割模型；
[0007]通过特征层面的域自适应，将训练好的分割模型迁移到无标签的目标域数据集上执行任务，实现目标图像的分割。
[0008]优选的，训练得到分割模型包括：
[0009]使用域自适应整体架构的编码器提取源域图像的深度特征图；
[0010]深度特征图在特征空间进行域自适应，使属于同一类的特征聚集在一起，使不同类的特征分离并相互正交；
[0011]利用域自适应整体架构的编码器还原域自适应后的图像，恢复图像的分辨率，得到训练好的分割模型。
[0012]优选的，提取源域图像的特征包括：
[0013]域自适应整体架构的编码器有两层神经网络，第一层神经网络卷积得到的特征图经过最大池化后作为第二层神经网络的输入；第二层神经网络卷积提取得到深度特征图。
[0014]优选的，深度特征图在特征空间进行域自适应包括：
[0015]通过联合使用聚类、正交将属于同一类的特征聚集在一起，同时分离不同类的特征并迫使不同类之间相互正交，阻止不同类的的特征向量间活动信道的重叠。
[0016]优选的，利用域自适应整体架构的编码器还原域自适应后的图像包括：
[0017]在第一层神经网络上，将图像进行两次卷积操作，每一次卷积操作之后使用ReLU函数进行激活；将第一层神经网络得到的特征图进行反卷积操作，并将其得到的特征图作为第二层神经网络的输入；最后进行1
×1×
1的卷积操作将特征通道降维。
[0018]优选的，所述聚类包括：将深度特征图的特征向量使用聚类损失函数测量特征与
其相应的质心之间的距离，以及不同语义类之间的距离，使属于同一类的特征向量围绕在其相应的质心周围，使不同类之间的特征向量边界更加明显。
[0019]优选的，所述正交包括：使用正交损失函数使特征向量的分类概率有一个峰值分布，使特征向量与除了其所属类的质心外的所有质心正交，促进特征空间的标准化。
[0020]第二方面，本专利技术提供一种基于域自适应的图像分割系统，包括：
[0021]训练模块，用于利用有标签的源域数据集训练得到分割模型；
[0022]分割模块，用于通过特征层面的域自适应，将训练好的分割模型迁移到无标签的目标域数据集上执行任务，实现目标图像的分割。
[0023]第三方面，本专利技术提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质包括用于执行如上所述的基于域自适应的医学图像分割方法的指令。
[0024]第四方面，本专利技术提供一种电子设备，包括如上所述的非暂态计算机可读存储介质；以及能够执行所述非暂态计算机可读存储介质的所述指令的一个或多个处理器。
[0025]本专利技术有益效果：在有标签的数据集(源域)进行训练得到模型，然后通过特征层面的自适应，将在源域训练好的模型迁移到无标签或标签极少的数据集(目标域)上执行任务，并具有在源域上执行任务时同样高的性能，减少了对于有标签数据集的需求，缓解了医学图像数据集稀缺的问题，减少了模型应用在新的数据集上的训练时间，已训练好的模型能够更好的应用于真实场景中。
[0026]本专利技术附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本专利技术的实践了解到。
附图说明
[0027]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0028]图1为本专利技术实施例所述的的域自适应整体架构编码器原理框图。
[0029]图2为本专利技术实施例所述的聚类结果示意图。
[0030]图3为本专利技术实施例所述的正交结果示意图。
[0031]图4为本专利技术实施例所述的目标域进行域自适应前后特征空间数据分布对比图。
具体实施方式
[0032]下面详细叙述本专利技术的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过附图描述的实施方式是示例性的，仅用于解释本专利技术，而不能解释为对本专利技术的限制。
[0033]本
技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本专利技术所属领域中的普通技术人员的一般理解相同的意义。
[0034]还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
[0035]本
技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本专利技术的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件和/或它们的组。
[0036]在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本专利技术的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0037]为便于理解本专利技术，下面结合附图以具体实施例对本专利技术作进一步解释说明，且具体实施例并不构成对本专利技术实施例的限定。
[0038]本领域技术人员应该理解，附图只是实施例的示意图，附图中的部件并不一定是实施本专利技术所必须的。
[0039]实施例1
[0040]本专利技术实施例1提供一种基于域自适应的医学图像分割系本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于域自适应的医学图像分割方法，其特征在于，包括：利用有标签的源域数据集训练得到分割模型；通过特征层面的域自适应，将训练好的分割模型迁移到无标签的目标域数据集上执行任务，实现目标图像的分割。2.根据权利要求1所述的基于域自适应的医学图像分割方法，其特征在于，训练得到分割模型包括：使用域自适应整体架构的编码器提取源域图像的深度特征图；深度特征图在特征空间进行域自适应，使属于同一类的特征聚集在一起，使不同类的特征分离并相互正交；利用域自适应整体架构的编码器还原域自适应后的图像，恢复图像的分辨率，得到训练好的分割模型。3.根据权利要求2所述的基于域自适应的医学图像分割方法，其特征在于，提取源域图像的特征包括：域自适应整体架构的编码器有两层神经网络，第一层神经网络卷积得到的特征图经过最大池化后作为第二层神经网络的输入；第二层神经网络卷积提取得到深度特征图。4.根据权利要求3所述的基于域自适应的医学图像分割方法，其特征在于，深度特征图在特征空间进行域自适应包括：通过联合使用聚类、正交将属于同一类的特征聚集在一起，同时分离不同类的特征并迫使不同类之间相互正交，阻止不同类的的特征向量间活动信道的重叠。5.根据权利要求4所述的基于域自适应的医学图像分割方法，其特征在于，利用域自适应整体架构的编码器还原域自适应后的图像包括：在第一层神经网络上，将图像进行两次卷积操作，每一次卷积操作之后使用Re...

【专利技术属性】
技术研发人员：张桂娟，代丽，亓延鹏，吕蕾，陆佃杰，
申请(专利权)人：山东师范大学，
类型：发明
国别省市：