【技术实现步骤摘要】
本专利技术属于跨模态医学图像分割，尤其涉及基于滑动窗口的主动域自适应跨模态医学图像分割方法。
技术介绍
1、过去几十年来，卷积神经网络（cnns）极大地推动了医学图像分割任务的发展。
2、在现实世界的众多医疗应用中，设备制造商、扫描协议和图像模式等图像采集方法的差异往往会导致训练集和测试集之间的数据分布存在显著差距。这种现象通常被称为域转移问题。
3、因此，当把训练有素的模型部署到不同的临床地点时就会发现性能明显下降。意识到这些挑战后，人们对领域适应（da）进行了广泛的探索，如图1所示，da将在有标记的源领域训练的模型转移到无标记的目标领域。特别是自我训练技术促进了领域适应性，即使用目标领域的可靠预测生成的伪标签对网络进行重新训练。尽管da方法取得了显著进步，但其性能仍明显低于完全监督学习。
4、目前的技术中，为了克服上述障碍，最大限度地提高目标领域的分割性能，研究人员将主动学习（al）融入领域适应（da）中，以获得对信息量最大的目标数据子集进行额外注释。如图1中的（c）所示，例如，文献[ning,m.,lu,d.,wei,d.,bian,c.,yuan,c.,yu,s.,ma,k.,zheng,y.multi-anchoractivedomainadaptationforsemanticsegmentation.in:proceedingsoftheieee/cvfinternationalconferenceoncomputervision,pp.9112–9122（2021）]提出了一种
5、文献[shin,i.,kim,d.-j.,cho,j.w.,woo,s.,park,k.,kweon,i.s.labor:labelingonlyifrequiredfordomainadaptivesemanticsegmentation.in:proceedingsoftheieee/cvfinternationalconferenceoncomputervision,pp.8588–8598（2021）]利用自适应像素选择器提出了一种更有效的像素注释方法，但它忽略了图像的上下文结构和区域内像素的空间连续性。
6、目前的自主领域适应（ada）方法的激活效果不尽如人意，这与两个主要挑战有关：
7、第一，注释预算：现有方法倾向于标注对象内部过多的冗余区域，这可能会造成注释预算的浪费；
8、第二，获取策略：现有方法未能有效选择具有代表性的样本，这可能会阻碍网络学习目标领域的专属信息。
技术实现思路
1、本专利技术的目的在于提供基于滑动窗口的主动域自适应跨模态医学图像分割方法，旨在解决上述
技术介绍
中所提出的技术问题。
2、为实现上述目的，本专利技术提供了如下的技术方案。
3、基于滑动窗口的主动域自适应跨模态医学图像分割方法，在主动域适应任务中，利用一组带标签的源数据和未带标签的目标数据，其中，是属于标签空间中c个已知类别之一的像素标签；训练一个参数为的分割网络；
4、训练一个参数为的分割网络的步骤包括：
5、预训练与伪标签生成：利用标注源数据对分割网络进行预训练，并根据模型预测生成目标伪标签；
6、滑动窗口定义：引入滑动窗口机制，利用大小为k的窗口来挖掘目标伪标签的所有可能区域；
7、窗口不稳定性计算：利用目标数据的预测图与相应的傅里叶增强数据之间的库尔贝-莱伯勒发散计算每个窗口的不稳定性；通过预测图的熵确定不确定性，并利用每类伪标签的基尼系数来衡量多样性；
8、窗口获取策略：实施窗口获取策略，结合不确定性、基尼系数和熵这三个属性进行人工标注；
9、类间距离优化策略：设计类间距离优化策略；
10、模型训练：使用优化的损失函数，使用迭代的方式进行训练，每次迭代后，更新伪标签和窗口选择策略，得到训练后的分割网络模型。
11、作为本专利技术进一步的方案，在滑动窗口定义的步骤中，生成一个大小为（k,k）的规则正方形作为窗口区域；该窗口以1的步长向右下移动，以卷积核的方式遍历整个图像，不足的列和行被保留，自适应地调整窗口大小；形式上，对于高度为h、宽度为w的目标图像，窗口区域可表示为：
12、（1）；
13、式（1）中，i和j代表窗口区域初始位置对应的图像像素索引。
14、作为本专利技术进一步的方案，在窗口不稳定性计算的步骤中，窗口不稳定性预测具体包括：在训练过程中，进行傅里叶变换f，将目标图像转移到频域，得到幅值频谱和相位图像，其中，幅值频谱包含原始信号的低层次统计信息，而相位图像包含原始信号的高层次语义；
15、为了提高域自适应能力并进一步计算预测不稳定性，从源域随机选取一个源样本，进行傅里叶变换，得到振幅；
16、通过以下方法将源样本的振幅信息纳入目标图像：
17、（2）；
18、式（2）中：表示新生成的相位图像；是一个参数，用于调整和的相位信息比例，m是一个二进制掩码，用于控制需要交换的振幅频谱的空间范围；
19、通过将合并后的图像从频域变换到图像域，得到经过傅里叶变换增强并包含源样本底层信息的图像样本：
20、（3）；
21、接下来，我们将原始目标图像和变换后的图像输入分割网络，得到分割预测图：
22、（4）；
23、为了量化不稳定性，计算上述分割预测图中相应像素的方差：
24、（5）；
25、其中，计算期望值；如果这两个预测之间的差异越大，计算出的方差值就会很大，表明源图像像素与预测出的图像像素之间的不稳定性相对越高；对于滑动窗口，其预测不稳定性是通过窗口内所有像素的平均方差来评估的，具体如下：
26、（6）；
27、其中，表示集合中像素的数量；同时，我们还对目标域图像和增强图像的预测概率图施加了一致性约束，以促进网络提高其代表性和适应性：
28、（7）。
29、作为本专利技术进一步的方案，在窗口不稳定性计算的步骤中，窗口不确定性预测具体包括：
30、基于上述现有预测目标样本，采用每个像素的预测熵来衡量不确定性，并对c类进行预测，对于滑动窗口，对其预测进行评估不确定性，取窗口内所有像素熵的平均值，如下所示：
31、（8）；
32、其中，表示集合中像素的数量，i和j代表窗口区域初始位置对应的图像像素索引，表示每个像素。
33、作为本专利技术进一步的方案，在窗口不稳定性计算的步骤中，窗口多样性预测具体包括：
34、基于上述现有预测目标图像，目标伪标签可通过最大概率输出直接得出，即；
35、根据，我们可以将窗口区域划分为：
36、本文档来自技高网...
【技术保护点】
1.基于滑动窗口的主动域自适应跨模态医学图像分割方法，其特征在于：
2.根据权利要求1所述的基于滑动窗口的主动域自适应跨模态医学图像分割方法，其特征在于，在滑动窗口定义的步骤中，生成一个大小为（k，k）的规则正方形作为窗口区域；该窗口以1的步长向右下移动，以卷积核的方式遍历整个图像，不足的列和行被保留，自适应地调整窗口大小；形式上，对于高度为H、宽度为W的目标图像，窗口区域可表示为：
3.根据权利要求2所述的基于滑动窗口的主动域自适应跨模态医学图像分割方法，其特征在于，在窗口不稳定性计算的步骤中，窗口不稳定性预测具体包括：
4.根据权利要求3所述的基于滑动窗口的主动域自适应跨模态医学图像分割方法，其特征在于，在窗口不稳定性计算的步骤中，窗口不确定性预测具体包括：
5.根据权利要求4所述的基于滑动窗口的主动域自适应跨模态医学图像分割方法，其特征在于，在窗口不稳定性计算的步骤中，窗口多样性预测具体包括：
6.根据权利要求5所述的基于滑动窗口的主动域自适应跨模态医学图像分割方法，其特征在于，在窗口获取策略的步骤中，综合窗口不稳
7.根据权利要求6所述的基于滑动窗口的主动域自适应跨模态医学图像分割方法，其特征在于，在类间距离优化策略的步骤中，每个类别的中心通过平均属于同一类别的所有特征像素来计算，利用特征图X来预测粗略的分割概率图，每个类别的概率范围从0到1；
8.根据权利要求7所述的基于滑动窗口的主动域自适应跨模态医学图像分割方法，其特征在于，在模型训练的步骤中，对于已标记的源域数据，使用交叉熵损失和骰子损失组合对分割网络进行预训练：
...【技术特征摘要】
1.基于滑动窗口的主动域自适应跨模态医学图像分割方法，其特征在于：
2.根据权利要求1所述的基于滑动窗口的主动域自适应跨模态医学图像分割方法，其特征在于，在滑动窗口定义的步骤中，生成一个大小为（k，k）的规则正方形作为窗口区域；该窗口以1的步长向右下移动，以卷积核的方式遍历整个图像，不足的列和行被保留，自适应地调整窗口大小；形式上，对于高度为h、宽度为w的目标图像，窗口区域可表示为：
3.根据权利要求2所述的基于滑动窗口的主动域自适应跨模态医学图像分割方法，其特征在于，在窗口不稳定性计算的步骤中，窗口不稳定性预测具体包括：
4.根据权利要求3所述的基于滑动窗口的主动域自适应跨模态医学图像分割方法，其特征在于，在窗口不稳定性计算的步骤中，窗口不确定性预测具体包括：
5.根据权利要求4所述的基于滑动窗口的主...
【专利技术属性】
技术研发人员：王永梅，陈文希，张友华，周义峰，孙萍，宋贵宾，刘飞，高羽佳，
申请(专利权)人：安徽农业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。