【技术实现步骤摘要】
本专利技术属于医学图像处理，具体涉及一种医学图像持续无源域适应分割系统。
技术介绍
1、深度神经网络的出现彻底改变了医学图像分割的格局。然而，这种巨大的成功是建立在训练数据和测试数据来自相同分布的假设的基础上的。但是在现实世界的临床场景中，由于不同的采集协议或不同的成像方式，在训练(即源域)和测试(即目标域)数据集之间存在广泛的域转移。这种分布差距通常会降低模型在目标域上的性能。
2、在医学图像处理中，我们通常需要将模型从源域迁移到一个目标域。这种迁移过程被称为域适应(domain adaptation,da)。源域和目标域的数据分布可能是不同的，而域适应的目标是使模型能够在目标域上获得良好的性能。在传统的域适应任务中，我们需要有源域和目标域的数据样本。然而在实际应用中，我们可能无法获得源域的数据。这种情况下，我们需要使用一种特殊的域适应方法，即无源域适应(source-freedomainadaptation,sfda)。它的目标是在仅使用目标域数据的情况下，将模型从源域迁移到目标域。而与标准无源域适应假设特定目标域不同，...
【技术保护点】
1.一种医学图像持续无源域适应分割系统，其特征在于，所述分割系统包括MRI图像获取单元、MRI图像处理单元、第一数据域医学图像分割模型和第二数据域医学图像分割模型，且第一数据域医学图像分割模型中包括Unet分割网络、形状感知标签生成单元和数据域感知图像生成单元；第二数据域医学图像分割模型采用的是Unet分割网络；
2.根据权利要求1所述的一种医学图像持续无源域适应分割系统，其特征在于，所述第一数据域医学图像分割模型和第二数据域医学图像分割模型的联合训练过程为：
3.根据权利要求1所述的一种医学图像持续无源域适应分割系统，其特征在于，所述图像切片...
【技术特征摘要】
1.一种医学图像持续无源域适应分割系统，其特征在于，所述分割系统包括mri图像获取单元、mri图像处理单元、第一数据域医学图像分割模型和第二数据域医学图像分割模型，且第一数据域医学图像分割模型中包括unet分割网络、形状感知标签生成单元和数据域感知图像生成单元；第二数据域医学图像分割模型采用的是unet分割网络；
2.根据权利要求1所述的一种医学图像持续无源域适应分割系统，其特征在于，所述第一数据域医学图像分割模型和第二数据域医学图像分割模型的联合训练过程为：
3.根据权利要求1所述的一种医学图像持续无源域适应分割系统，其特征在于，所述图像切片在输入到模型之前，首先需要经过截取操作以得到尺寸为n×n的图像切片。
4.根据权利要求2所述的一种医学图像持续无源域适应分割系统，其特征在于，所述形状感知标签生成单元内包括梯度类别激活模块和导向反向卷积模块；形状感知标签生成单元用于生成伪标签；
【专利技术属性】
技术研发人员：骆功宁，朱占仕，顾海耀，董素宇，王玮，王宽全，
申请(专利权)人：哈尔滨工业大学，
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。