一种基于对称自适应网络的跨模态医学图像分割方法技术

本发明专利技术公开了一种基于对称自适应网络的跨模态医学图像分割方法，对预先获取的医学图像进行预处理，获取源域和目标域数据集；构建对称自适应网络：采用两个对称且共享编码器的转换子网络，以生成跨域图像，利用不同风格的图像挖掘丰富的语义信息；基于源域和目标域数据集对对称自适应网络进行优化训练；基于优化训练好对称自适应网络对目标图像进行测试，得到最终的医学图像分割结果。本发明专利技术利用两个对称的转换子网络双向拉近特征分布及利用不同风格的图像挖掘丰富的语义信息两方面减小源域和目标域之间的分布差异；进而在目标域图像上获得了较好的分割性能，具有较高的实用价值。值。值。

【技术实现步骤摘要】
一种基于对称自适应网络的跨模态医学图像分割方法


[0001]本专利技术属于图像分割领域，特别涉及一种基于对称自适应网络的跨模态医学图像分割方法。

技术介绍

[0002]近几年深度卷积神经网络方法在医学图像分割任务中取得的重大突破。绝大多数的分割任务往往假设训练集和测试集图像来源于相同的数据分布，但在真实场景中，特别是医学领域，由于采集参数或者成像方式不同，训练集和测试集图像往往存在较大的分布差异。这种分布差异常常导致训练好的模型在测试图像上的表现急剧下降。
[0003]为了缓解上述问题，一个比较直接的方式是利用有标签的目标域图像微调已训练好的源域模型。然而，为目标域图像标注像素级别的标签常常会花费较大的时间和人力成本。当前的无监督域自适应方法主要从图像生成和特征对齐两个方面，减小源域和目标域之间的分布差异。
[0004]在图像生成方面，一些方法利用图像转换网络，将源域图像转换为伪目标域图像，转换后的源域图像保留了原始的内容信息，同时学到了目标域的风格信息。该图像和其原始标签用于有监督地训练目标域分割网络。然而，图像转换网络常采用本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于对称自适应网络的跨模态医学图像分割方法，其特征在于，包括以下步骤：(1)对预先获取的医学图像进行预处理，获取源域和目标域数据集；(2)构建对称自适应网络：采用两个对称且共享编码器的转换子网络，以生成跨域图像，利用不同风格的图像挖掘丰富的语义信息；(3)基于源域和目标域数据集对对称自适应网络进行优化训练；(4)基于优化训练好对称自适应网络对目标图像进行测试，得到最终的医学图像分割结果。2.根据权利要求1所述的基于对称自适应网络的跨模态医学图像分割方法，其特征在于，步骤(1)所述的预处理实现过程如下：截取目标器官区域，将3D图像切分为多张2D图像，修改图像尺寸为统一的256
×
256，对图像进行标准化以及归一化操作，并进行随机裁剪、随机旋转实现图像增广操作。3.根据权利要求1所述的基于对称自适应网络的跨模态医学图像分割方法，其特征在于，步骤(2)所述的对称自适应网络包括一个共享编码器(E)、两个特定领域的解码器(U
s
，U
t
)和一个像素级分类器(C)；所述共享编码器和两个特定领域的解码器构成了两个对称的转换子网络，分别用于将图像从源域转换到目标域，以及从目标域转换到源域；所述共享编码器和像素级分类器又构成分割子网络。4.根据权利要求3所述的基于对称自适应网络的跨模态医学图像分割方法，其特征在于，所述转换子网络和分割子网络之间共用一个编码器，所有的跨域生成损失都会反向传播至共享编码器，约束源域和目标域特征分布的双向靠近，减小了两域之间的分布差异，跨域生成损失为：域生成损失为：其中，D
s
和D

【专利技术属性】
技术研发人员：史颖欢，韩晓婷，凌彤，高阳，
申请(专利权)人：南京大学，
类型：发明
国别省市：