一种基于域自适应的OCT图像脉络膜分割网络模型及方法技术

本发明专利技术提供一种基于域自适应OCT图像脉络膜分割网络模型及方法，网络模型包括：预处理模块、分割器模块、鉴别器模块以及二阶段优化模块；所述预处理模块用于对源域图像和目标域图像进行预处理；所述分割器模块与所述预处理模块连接，所述分割器模块包括特征编码器以及特征解码器；所述分割器模块和所述鉴别器模块连接，所述分割器模块和所述鉴别器模块用于对源域数据特征与目标域数据特征进行对抗训练，得到目标域图像预测概率图；所述二阶段优化模块用于基于目标域图像预测概率图对所述分割器模块进行再次训练，得到更新的分割器模型。从图像层面以及特征层面上提高模型的泛化性能，并进一步地优化目标数据的分割结果，提高跨域数据分割的精度。跨域数据分割的精度。跨域数据分割的精度。

【技术实现步骤摘要】
一种基于域自适应的OCT图像脉络膜分割网络模型及方法


[0001]本专利技术涉及图像分割
，尤其涉及一种基于域自适应的OCT(Optical Coherence Tomography，光学相干断层扫描)图像脉络膜分割网络模型及方法。

技术介绍

[0002]光学相干断层扫描图像中的脉络膜自动分割用于对脉络膜的自动定量分析，对于高度近视、年龄相关性黄斑变性等眼底病变的诊断和治疗具有重要意义。近年来已提出多种脉络膜自动分割网络模型，其中基于卷积神经网络的深度学习网络模型在该任务上表现优异。但OCT图像可能来自于不同仪器，其图像质量有较大差异，当训练好的网络模型用于不同质量的图像时，网络模型性能表现急剧下降。通常需要在新的数据上进行重新训练以获取较好性能，而这一过程需要对新数据进行人工标注，这样多次标注费时费力。
[0003]传统域自适应网络模型采用损失函数约束网络的方式，通过在同一特征空间中计算源域与目标域间特征间的最大均值差异作为网络的约束度量，以此来解决由二者数据分布差异引起的模型泛化性能降低问题。在损失函数约束的基础上，对抗学习也被引入用以解决该类问题。循环一致对抗域自适应通过像素循环一致性和语义损失实现局部和全局结构一致性，进一步优化域自适应的过程。此外，也有一些利用非对抗的方法：课程学习根据源样本推断目标图像的重要属性并指导模型分割目标图像对应区域；基于非对抗模型的自训练方法通过不断地去优化训练过程中生成的目标图像伪标签来传递语义表示。同时，也有学者通过域流转换的方式去探索源域与目标域的中间域，在其内进行语义分割的工作。虽然这些网络模型或方法取得一定的效果，但仍然存在以下不足：
[0004](1)基于一般深度学习的脉络膜分割网络模型，在源域上训练，在目标域上测试，当源域和目标域图像质量有差异时，性能有显著下降。
[0005](2)特征无监督域自适应方法通过在源域和目标域之间对齐从网络中提取的特征，虽然对齐了边缘分布但却不强制任何语义的一致性，导致特征映射存在误差的可能；
[0006](3)对抗无监督域自适应网络模型虽然在特征空间上减少了不同数据的分布差异，从而增强了特征的迁移性，但同时也牺牲了特征的判别性。
[0007](4)基于距离度量的无监督域自适应网络模型虽然能够有效的利用数据，但随着数据量的增多，其计算量也呈几何倍地增长。
[0008]因此，亟需一种能精确分割OCT图像中脉络膜的网络模型及方法。

技术实现思路

[0009]本专利技术所要解决的技术问题是，针对由不同仪器或同一仪器采用不同扫描方式获取的OCT图像在噪声分布、对比度以及分辨率等方面存在着较大的差异，提出一种基于域自适应的OCT图像脉络膜分割网络模型及方法，目的在于减小跨域OCT数据分布差异，用源域图像及其金标准训练，而不需要目标域图像金标准，获得在目标域图像上较高的脉络膜分割性能。
[0010]为了解决上述问题，本专利技术实施例提供一种基于域自适应的OCT图像脉络膜分割网络模型，该网络模型包括预处理模块、分割器模块、鉴别器模块以及二阶段优化模块；
[0011]所述预处理模块用于对源域图像和目标域图像进行预处理；所述分割器模块与所述预处理模块连接，所述分割器模块包括特征编码器以及特征解码器；所述分割器模块和所述鉴别器模块连接，所述分割器模块和所述鉴别器模块用于对源域数据特征与目标域数据特征进行对抗训练，得到目标域图像预测概率图；所述二阶段优化模块用于基于目标域图像预测概率图对所述分割器模块进行再次训练，得到更新的分割器模型。
[0012]优选地，所述预处理模块用于对源域图像和目标域图像进行预处理具体包括：
[0013]对源域图像和目标域图像作傅里叶变换，得到源域图像和目标域图像的幅度谱和相位谱；选定源域幅度谱中心，取范围大小为设定倍数的图像宽高的低频部分交换到目标域中，保留目标域相位谱并对目标域图像进行重构，得到风格变换后的目标域图像。
[0014]优选地，所述特征编码器包含四层，每层由卷积核、批归一化和Relu激活构成；每一层后开始下采样一次，通道数增大一倍。共下采样4次，输出通道数分别为64、128、256、512。
[0015]优选地，所述特征解码器包括四层，每层由卷积核、反卷积构成，所述特征解码器将上采样的深层特征图和跳跃连接的浅层特征图进行拼接，然后得到该层的输出特征图，输出特征图大小与通道数与浅层特征图相同。
[0016]优选地，所述鉴别器模块包含四层卷积，每层卷积核大小为4
×
4，步长分别为1,2,2,1，最终所述鉴别器模块输出一个32
×
32的矩阵
[0017]优选地，所述分割器模块和所述鉴别器模块采用对抗学习方法，通过损失函数的约束，对源域数据特征与目标域数据特征进行对抗训练。
[0018]优选地，在对抗学习中，所述分割器模块和所述鉴别器模块分别采用不同的损失函数，其中分割器模块损失函数定义为：
[0019]L
S
＝L
seg
(x
s
，y
s
)+αL
adv
(D(S(x
t
)))
[0020][0021][0022]鉴别器模块损失函数定义为：
[0023][0024]其中，α为权重系数，设置为0.001，t
i
代表源域输入图像的分割标签y
s
中第i个像素的值，p
i
代表源域输入图像x
s
的模型预测结果中第i个像素的值，N代表源域标签图像的总像
素数，D(S(x
t
))代表目标域图像x
t
经过分割器模块S与鉴别器模块D的输出矩阵，D
m
(S(x
t
))代表矩阵D(S(x
t
))中第m个元素值，D(S(x
s
))代表源域图像x
s
经过分割器模块S与鉴别器模块D的输出矩阵，D
m
(S(x
s
))代表矩阵D(S(x
s
))中第m个元素值，X
t
代表目标域图像集合，X
s
代表源域图像集合，|X
t
|代表目标域图像总数，|X
s
|代表源域图像总数，M代表鉴别器模块D输出矩阵中元素个数。
[0025]优选地，所述二阶段优化模块用于基于所述分割器模块的预测结果对所述分割器模块进行再次训练，具体包括：
[0026]首先计算目标域图像预测概率图的信息熵，其计算公式如下：
[0027][0028]其中，P
xt
为目标域图像预测概率图，h和w分别为图像中像素点所在的行数和列数；
[0029]然后选取设定范围内的低熵即高置信度的目标域数据，将分割器模块得到的分割结果作为分割标签，对分割器模型进一步做训练，得到更新的分割本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于域自适应OCT图像脉络膜分割网络模型，其特征在于，包括预处理模块、分割器模块、鉴别器模块以及二阶段优化模块；所述预处理模块用于对源域图像和目标域图像进行预处理；所述分割器模块与所述预处理模块连接，所述分割器模块包括特征编码器以及特征解码器；所述分割器模块和所述鉴别器模块连接，所述分割器模块和所述鉴别器模块用于对源域数据特征与目标域数据特征进行对抗训练，得到目标域图像预测概率图；所述二阶段优化模块用于基于目标域图像预测概率图对所述分割器模块进行再次训练，得到更新的分割器模型。2.根据权利要求1所述的基于域自适应OCT图像脉络膜分割网络模型，其特征在于，所述预处理模块用于对源域图像和目标域图像进行预处理具体包括：对源域图像和目标域图像作傅里叶变换，得到源域图像和目标域图像的幅度谱和相位谱；选定源域幅度谱中心，取范围大小为设定倍数的图像宽高的低频部分交换到目标域中，保留目标域相位谱并对目标域图像进行重构，得到风格变换后的目标域图像。3.根据权利要求1所述的基于域自适应OCT图像脉络膜分割网络模型，其特征在于，所述特征编码器包含四层，每层由卷积核、批归一化和Relu激活构成；每一层后开始下采样一次，通道数增大一倍，下采样4次，输出通道数分别为64、128、256、512。4.根据权利要求1所述的基于域自适应OCT图像脉络膜分割网络模型，其特征在于，所述特征解码器包括四层，每层由卷积核、反卷积构成，所述特征解码器将上采样的深层特征图和跳跃连接的浅层特征图进行拼接，得到该层的输出特征图，输出特征图大小与通道数与浅层特征图相同。5.根据权利要求1所述的基于域自适应OCT图像脉络膜分割网络模型，其特征在于，所述鉴别器模块包含四层卷积，每层卷积核大小为4
×
4，步长分别为1,2,2,1，最终所述鉴别器模块输出一个32
×
32的矩阵。6.根据权利要求1所述的基于域自适应OCT图像脉络膜分割网络模型，其特征在于，所述分割器模块和所述鉴别器模块采用对抗学习方法，通过损失函数的约束，对源域数据特征与目标域数据特征进行对抗训练。7.根据权利要求6所述的基于域自适应OCT图像脉络膜分割网络模型，其特征在于，在对抗学习中，所述分割器模块和所述鉴别器模块分别采用不同的损失函数，其中分割器模块损失函数定义为：L
S
＝L
seg
(x
s
,y
s
)+αL
adv
(D(S(x
t
))))))鉴别器模块损失函数定义为：
...

【专利技术属性】
技术研发人员：石霏，刁胜勇，陈新建，孟庆权，
申请(专利权)人：苏州大学，
类型：发明
国别省市：