无源域自适应眼底图像分割方法和设备技术

本发明专利技术涉及计算机图像处理领域，具体涉及无源域自适应眼底图像分割方法和设备。通过无源域自适应眼底图像分割模型训练方法得到新的眼底图像分割模型，即一种级联网络引导的类平衡多原型辅助学习的无源域自适应框架，该框架由伪标签生成阶段和模型适应阶段组成。在伪标签生成阶段，采用级联转换‑分割网络模块，利用转化网络从原始目标域预测中生成各种目标类图像；通过迭代转换和分割网络学习，最终的分割结果被视为可靠的伪标签。在模型适应阶段，利用生成的可靠伪标签来指导类平衡多原型辅助学习网络模块，将记忆网络和多原型机制相结合，综合利用来自源域的伪标签信息和来自目标域的特征信息。

【技术实现步骤摘要】

本专利技术涉及计算机图像处理领域，具体涉及无源域自适应眼底图像分割方法和设备。

技术介绍

1、深度神经网络已被用于眼底图像的视杯（optic cup，oc）和视盘（optic disc，od）分割，然而，获取足够的标注训练数据面临着高成本、隐私问题和存储限制等挑战。

2、迁移学习通过在没有标记数据集的情况下实现跨领域知识转移；领域适应是迁移学习的一个重要分支，其目的是通过利用来自源域的已标注数据集，提高模型在无标注目标域中的效率。然而，在眼底图像分析中实施领域适应会遇到很大的挑战，因为从不同医疗机构收集的图像在色调、对比度和亮度方面存在显著差异，这对领域适应构成了严峻的障碍，通常被称为域偏移。

3、为了应对域偏移的挑战，无监督域自适应取得了重大进展，该技术通常需要同时访问源域和目标域的数据。尽管无监督域自适应方法的性能已得到明显改善，但它们通常需要访问源域图像。然而，由于隐私问题、存储限制和其他因素，造成这种访问受限，成为新的一项挑战。

技术实现思路

1、基于此，本专利技术提供无源域自本文档来自技高网...

【技术保护点】

1.一种无源域自适应眼底图像分割方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的方法，其特征在于，所述预训练源模型为MobileNetV2adapted DeepLabv3+模型。

3.根据权利要求1所述的方法，其特征在于，所述第一总损失由公式(6)计算：

4.根据权利要求3所述的方法，其特征在于，所述动态权重交叉熵损失由公式(7)计算：

5.根据权利要求4所述的方法，其特征在于，所述第二总损失L由公式(12)计算：

6.一种无源域自适应眼底图像分割设备，其特征在于，包括：

7.一种青光眼辅助诊断系统，其特...

【技术特征摘要】

1.一种无源域自适应眼底图像分割方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的方法，其特征在于，所述预训练源模型为mobilenetv2adapted deeplabv3+模型。

3.根据权利要求1所述的方法，其特征在于，所述第一总损失由公式(6)计算：

4.根据权利要求3所述的...

【专利技术属性】
技术研发人员：易玉根，段彧，周唯，杨学坤，胡扬涛，周斌，杜英魁，
申请(专利权)人：江西师范大学，
类型：发明
国别省市：