【技术实现步骤摘要】
本专利技术涉及计算机视觉和医学图像处理领域，具体涉及一种基于在线自训练的无源领域自适应医学图像分割方法。
技术介绍
1、图像分割是指将图像中每个像素点划分到特定的类别(即分割类)，例如对腹部图像分割时，要将腹部中脾脏、右肾、左肾和肝脏的区域分割出来(其中0代表图像中的其他背景区域，1代表脾脏区域，2代表右肾区域，3代表左肾区域，4代表肝脏区域)。作为图像处理中的基础任务，随着深度学习技术的发展，基于深度学习的图像分割在包括医学分析、遥感以及工业应用等多个实际领域中取得了显著进展。然而，当训练数据和测试数据之间存在领域偏移时，深度学习模型分割性能会显著下降。这里训练数据称为源域，测试数据称为目标域，源域和目标域属于同一类任务，但是数据分布不同。在医学图像中，源域和目标域之间的领域偏移问题更加常见，因为数据通常来源于规格不同的仪器，或者使用不同的成像模式(例如ct和mri)获取。这促使了对无监督领域自适应(unsupervised domainadaptation，uda)医学图像分割方法的研究，此方法使用源域数据以及目标域数据进行模型训练...
【技术保护点】
1.一种基于选择性在线自训练无源领域自适应医学图像分割方法，其特征在于包括以下步骤：
2.如权利要求1所述的基于选择性在线自训练无源领域自适应医学图像分割方法，其特征在于所述强增强处理包括随机裁剪、旋转、随机亮度、随机对比度、随机伽玛变换，所述弱增强处理包括随机裁剪、旋转、缩放。
3.如权利要求1所述的基于选择性在线自训练无源领域自适应医学图像分割方法，其特征在于2.3步所述对CHAOS’数据集的划分方法是：训练集中图像总数为T＝395，验证集中图像总数为V＝97。
4.如权利要求1所述的基于选择性在线自训练无源领域自适应医学图像分...
【技术特征摘要】
1.一种基于选择性在线自训练无源领域自适应医学图像分割方法，其特征在于包括以下步骤：
2.如权利要求1所述的基于选择性在线自训练无源领域自适应医学图像分割方法，其特征在于所述强增强处理包括随机裁剪、旋转、随机亮度、随机对比度、随机伽玛变换，所述弱增强处理包括随机裁剪、旋转、缩放。
3.如权利要求1所述的基于选择性在线自训练无源领域自适应医学图像分割方法，其特征在于2.3步所述对chaos’数据集的划分方法是：训练集中图像总数为t＝395，验证集中图像总数为v＝97。
4.如权利要求1所述的基于选择性在线自训练无源领域自适应医学图像分割方法，其特征在于3.2步所述设置网络训练配置的方法是：优化器采用adam优化器，初始学习率设置为1×10-4，权重衰减为5×10-4，最大迭代次数t(ax＝2000，初始化迭代...
【专利技术属性】
技术研发人员：陈微，周雯涓，何玉麟，李晨，王浩天，李霖，丁瑞华，寻天赐，
申请(专利权)人：中国人民解放军国防科技大学，
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。