基于小波谱迁移的双向跨模态无监督图像分割域适应方法技术

本发明专利技术公开了一种基于小波谱迁移的双向跨模态无监督图像分割域适应方法，包括：构建源域数据与目标域数据，基于所述源域数据与所述目标域数据获取迁移数据；基于所述迁移数据构建域分割模型；基于自训练策略对所述域分割模型进行优化，获取最优分割模型；基于所述最优分割模型进行图像域分割。本发明专利技术提出的双向跨模态无监督域适应框架摒弃了传统的对抗网络训练方式，显式地缩小了源域和目标域的数据差异，从而有效提升了在目标域的分割性能。从而有效提升了在目标域的分割性能。从而有效提升了在目标域的分割性能。

【技术实现步骤摘要】
基于小波谱迁移的双向跨模态无监督图像分割域适应方法


[0001]本专利技术属于图像处理及应用领域，特别是涉及一种基于小波谱迁移的双向跨模态无监督图像分割域适应方法。

技术介绍

[0002]目前，基于深度学习的多模态医学图像分割已经取得了巨大成功，这对于临床评估、诊断以及治疗具有重要意义。我们往往有一个基本的假设：在模型训练的过程中，训练集(源域)和测试集(目标域)来自同一个域，其数据分布不存在偏差。然而，在实际应用中该假设是过强的，不同模态的下的心脏区域图像由于物理成像特性有着完全不同的视觉特点。因此，当把训练好的模型应用到实际的医疗场景中时，模型的性能往往会由于医学图像数据是采集自不同的扫描机器、配置以及模态，即存在跨域偏移,产生灾难性的下降。为了解决域偏移的问题，域适应技术近几年引起了学者的广泛关注，它试图在源域数据分布下训练一个在目标域也能表现良好的模型。当标签可用时，最直接的方式就是将在源域中预训练好的模型在目标域中进行微调，但是与自然图像不同，医学图像中没有类似ImageNet大规模的有标注数据集，首先很难得到一个可靠且有效的预训练模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于小波谱迁移的双向跨模态无监督图像分割域适应方法，其特征在于，包括以下步骤：构建源域数据与目标域数据，基于所述源域数据与所述目标域数据获取迁移数据；基于所述迁移数据构建域分割模型；基于自训练策略对所述域分割模型进行优化，获取最优分割模型；基于所述最优分割模型进行图像域分割。2.根据权利要求1所述的基于小波谱迁移的双向跨模态无监督图像分割域适应方法，其特征在于，所述源域数据包括源域图像，所述目标域数据包括目标域图像。3.根据权利要求1所述的基于小波谱迁移的双向跨模态无监督图像分割域适应方法，其特征在于，所述迁移数据为具有所述目标域数据纹理细节信息的数据；基于所述源域数据与所述目标域数据获取迁移数据的过程包括：对所述源域数据进行谱迁移训练，获取所述迁移数据。4.根据权利要求3所述的基于小波谱迁移的双向跨模态无监督图像分割域适应方法，其特征在于，对所述源域数据进行谱迁移训练的过程包括：对所述源域数据与所述目标域数据进行平稳小波变换，获取源域高频小波分量与目标域高频小波分量，使所述目标域高频小波分量替换所述源域高频小波分量。5.根据权利...

【专利技术属性】
技术研发人员：刘绍雷，宋志坚，王满宁，
申请(专利权)人：复旦大学，
类型：发明
国别省市：