基于领域自适应的医学图像分割方法技术

一种基于领域自适应的医学图像分割方法，包括：构建模型整体架构，根据总体网络布局，构建编码器网络框架，将图像特征由低分辨率转换为高分辨率。提取图像特征后，通过重参数化方法消除图像中的噪声。使用正则化方法对源域和目标域的数据分布进行度量，以此优化目标训练网络。构建解码器网络框架，使用标签和重参数化后的特征重建图像，提升模型对图像结构信息的提取能力。将三次重参数化结果输入分割器，从不同尺度预测分割结果。构建熵判别器网络框架，使用分割器得到的软分割结果的熵图，使源域和目标域的熵分布相似来间接最小化熵。本发明专利技术实现了利用有标注数据和未标注数据之间的相似性来迁移已有的知识，实现领域自适应的医学图像分割。学图像分割。学图像分割。

【技术实现步骤摘要】
基于领域自适应的医学图像分割方法


[0001]本专利技术涉及人工智能医学图像辅助诊断领域，具体涉及了一种基于领域自适应的医学图像分割方法。

技术介绍

[0002]医学图像分析是计算机视觉领域中的重要组成之一，被广泛用于各类疾病的诊断。医学图像是通过各种医学影像设备得到的，通过非侵入的方式呈现身体内部组织，医生可以根据图像信息，实现临床诊断。医学图像分割是医学图像分析的重要步骤，可以为后续的疾病诊断、治疗及病情监测等任务提供支持，分割的质量将直接影响后续治疗效果。
[0003]随着人工智能的发展，基于深度学习的医学图像分割方法逐渐兴起，与传统方法相比，可以大大提高诊断精度。然而，这个领域仍然存在许多问题。一方面，医学图像具有多种成像模式，不同个体的器官信息存在差异，医学图像普遍存在对比度低、整体结构不清晰的特点；另一方面，建立大量样本的医学图像数据集是一项艰巨的任务，医学图像中存在大量形状不规则的组织，标注成本极高，需要耗费大量时间和精力。这些问题为医学图像分割带来了很大的挑战，现有的方法难以完全解决这些问题。

技术实现思路

[0004]本专利技术要克服现有技术的上述缺点，提出了一种基于领域自适应的医学图像分割方法。
[0005]本专利技术基于UNet模型，并结合基于差异和对抗的领域自适应方法，显式度量域间距离，再利用对抗熵在输出空间约束模型，优化预测结果。
[0006]一种基于领域自适应的医学图像分割方法，具体步骤如下：
[0007]步骤S1、使用MMWHS数据集中心脏的CT和MR的医学图像分别作为源域数据，对于每张3D图像，从左心室腔中心周围的长轴视图中采样16个切片，裁剪成240
×
220大小。
[0008]步骤S2、首先构建模型整体架构，根据总体网络布局，构建编码器网络框架，对源域和目标域的图像执行四次下采样操作，提取图像特征，并执行上采样操作，将图像特征由低分辨率转换为高分辨率。
[0009]步骤S3、提取图像特征后，通过三次重参数化将特征映射到低维空间，消除图像中的噪声，生成和输入数据相似但没有噪声的新数据。
[0010]步骤S4、使用正则化方法对源域和目标域的数据分布进行度量，该度量作为损失项，结合其他优化目标训练网络。
[0011]步骤S5、构建解码器网络框架，该框架连接标签和编码器重参数化后的特征，输入到几个连续卷积块中重建图像，提升模型对图像结构信息的提取能力。
[0012]步骤S6、将三次重参数化结果输入分割器，从不同尺度预测分割结果。
[0013]步骤S7、构建熵判别器网络框架，该模型采用PatchGan架构，输入为分割器得到的软分割结果的熵图，以此构建熵判别器对齐熵映射源域和目标域的分布，使源域和目标域
的熵分布相似来间接最小化熵。
[0014]本专利技术提出了基于领域自适应的医学图像分割方法，利用有标注数据和未标注数据之间的相似性来迁移已有的知识，实现不同领域的知识迁移，通过显式度量方法和熵最小化来保留源域和目标域可迁移的公共特征，减少域间分布差异。此外，基于对抗的熵最小化利用判别器损失优化模型，调整源域和目标域的加权自信息分布，间接最小化了目标域的预测熵，产生更清晰的语义分割输出和更精细的对象边缘。本方法强制源域和目标域的软分割相似，促使分割网络对源域和目标域产生相似的预测。
[0015]本专利技术的优点是：源域和目标域数据在语义布局上具有较强的相似性。而显式距离度量方法通过最小化源域和目标域特征损失来优化模型，忽略了这种相似性，对目标域产生不确定的预测。为了抑制这种不确定性预测，本专利技术进一步使用熵驱动的对抗学习模型，通过强制源域和目标域的熵映射相似，减小域间差异，熵最小化可以防止模型过拟合，提高泛化性能和鲁棒性。
附图说明
[0016]图1是本专利技术的模型整体架构
[0017]图2是本专利技术的编码器网络架构
[0018]图3是本专利技术的重参数化模块
[0019]图4是本专利技术的熵判别器结构图
[0020]图5是本专利技术方法的流程图。
具体实施方式
[0021]为使本专利技术实施例的目的、技术方案和优点更加清楚，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例，基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0022]一个基于领域自适应的医学图像分割方法，具体步骤如下：
[0023]步骤S1、使用MMWHS数据集中心脏的CT和MR的医学图像分别作为源域数据，对于每张3D图像，从左心室腔中心周围的长轴视图中采样16个切片，裁剪成240
×
220大小。
[0024]上述步骤S1中对数据集处理的详细描述如下：
[0025]实验中，将图像裁剪为240
×
220的大小，归一化后输入网络。分别将CT图像和MR图像作为源域，测试其在目标域中的分割效果和性能。
[0026]步骤S2、首先构建模型整体架构，根据总体网络布局，构建编码器网络框架，对源域和目标域的图像执行四次下采样操作，提取图像特征，并执行上采样操作，将图像特征由低分辨率转换为高分辨率。
[0027]上述步骤S2中对模型整体架构和编码器网络框架的详细描述如下：
[0028]首先构建模型整体架构，该模型主要由三个模块组成，分别是生成器模块、数据分布度量模块和熵判别器模块，生成器模块包含编码器、解码器和分割器。根据总体网络布局，构建编码器网络框架。
[0029]步骤S21、对源域和目标域的图像执行四次下采样操作，提取图像特征，并执行上
采样操作，将图像特征由低分辨率转换为高分辨率，编码器呈U型结构，先对图像执行四次下采样操作，提取图像特征。
[0030]步骤S22、提取图像特征后，使用四次上采样，将低分辨率转换成高分辨率的图像特征，并通过跳跃连接获得图像的上下文信息，降低不同层次特征的语义差异。每次上采样都能获取到不同级别的图像信息，第二次上采样得到的特征图为原始图像的四分之一，特征中包含了图像的全局信息；第三次上采样得到的特征图为原始图像的二分之一，包含了图像的局部信息，可以通过此特征分析图像中的局部结构和纹理细节；第三次上采样将图像恢复成原始图像大小，此时特征图中包含了图像中更小的结构和细节信息。编码器输出后三层上采样得到的特征图，使分割器和解码器获取多层次的图像特征，增强对模型的约束。
[0031]步骤S3、提取图像特征后，通过三次重参数化将特征映射到低维空间，消除图像中的噪声，生成和输入数据相似但没有噪声的新数据。
[0032]上述步骤S3中对重参数化的详细描述如下：
[0033]步骤S31、提取图像特征后，利用神经网络计算输入特征的均值和方差，生成和原始特征相似的数据。
[0034]步骤S32、为了防止直接使用均值和方差采样出现过本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于领域自适应的医学图像分割方法，包括以下步骤：步骤S1、使用MMWHS数据集中心脏的CT和MR的医学图像分别作为源域数据，对于每张3D图像，从左心室腔中心周围的长轴视图中采样16个切片，裁剪成240
×
220大小；步骤S2、首先构建模型整体架构，根据总体网络布局，构建编码器网络框架，对源域和目标域的图像执行四次下采样操作，提取图像特征，并执行上采样操作，将图像特征由低分辨率转换为高分辨率；步骤S3、提取图像特征后，通过三次重参数化将特征映射到低维空间，消除图像中的噪声，生成和输入数据相似但没有噪声的新数据；步骤S4、使用正则化方法对源域和目标域的数据分布进行度量，该度量作为损失项，结合其他优化目标训练网络；步骤S5、构建解码器网络框架，该框架连接标签和编码器重参数化后的特征，输入到几个连续卷积块中重建图像，提升模型对图像结构信息的提取能力；步骤S6、将三次重参数化结果输入分割器，从不同尺度预测分割结果。步骤S7、构建熵判别器网络框架，该模型采用PatchGan架构，输入为分割器得到的软分割结果的熵图，以此构建熵判别器对齐熵映射源域和目标域的分布，使源域和目标域的熵分布相似来间接最小化熵。2.如权利要求1所述的一种基于领域自适应的医学图像分割方法，其特征在于：步骤S1具体包括：将图像裁剪为240
×
220的大小，归一化后输入网络。分别将CT图像和MR图像作为源域，测试其在目标域中的分割效果和性能。3.如权利要求1所述的一种基于领域自适应的医学图像分割方法，其特征在于：步骤S2所述构建模型整体架构，该模型主要由三个模块组成，分别是生成器模块、数据分布度量模块和熵判别器模块，生成器模块包含编码器、解码器和分割器。根据总体网络布局，构建编码器网络框架，具体步骤包括：步骤S21、对源域和目标域的图像执行四次下采样操作，提取图像特征，并执行上采样操作，将图像特征由低分辨率转换为高分辨率，编码器呈U型结构，先对图像执行四次下采样操作，提取图像特征；步骤S22、提取图像特征后，使用四次上采样，将低分辨率转换成高分辨率的图像特征，并通过跳跃连接获得图像的上下文信息，降低不同层次特征的语义差异；每次上采样都能获取到不同级别的图像信息，第二次上采样得到的特征图为原始图像的四分之一，特征中包含了图像的全局信息；第三次上采样得到的特征图为原始图像的二分之一，包含了图像的局部信息，可以通过此特征分析图像中的局部结构和纹理细节；第三次上采样将图像恢复成原始图像大小，此时特征图中包含了图像中更小的结构和细节信息；编码器输出后三层上采样得到的特征图，使分割器和解码器获取多层次的图像特征，增强对模型的约束。4.如权利要求1所述的一种基于领域自适应的医学图像分割方法，其特征在于：步骤S3具体包括：步骤S31、提取图像特征后，利用神经网络计算输入特征的均值和方差，生成和原始特征相似的数据；步骤S32、为了防止直接使用均值和方差采样出现过拟合的情况，在采样过程中从标准
正态分布中抽取噪声，与方差相乘再相加，生成具有多样性的样本，也能保证模型的稳定性。5.如权利要求1所述的一种基于领域自适应的医学图像分割方法，其特征在于：步骤S4具体包括：通过编码器得到源域和目...

【专利技术属性】
技术研发人员：郑恺潇，许金山，汪梦婷，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：