一种基于跨域自适应与边界优化的医学超声图像分割方法技术

本发明专利技术属于医学图像分割技术领域，具体涉及一种基于跨域自适应与边界优化的医学超声图像分割方法，包括构建并训练基于SAM大模型的医学超声图像分割模型，将待分割图像输入训练好的医学超声图像分割模型得到分割结果；所述医学超声图像分割模型包括跨域风格对齐模块、多阶段自适应特征校准模块、新掩码解码模块；本发明专利技术有效弥合自然图像与医学超声图像的域间差异，突破传统归一化方法的泛化瓶颈，提升分割精度。

【技术实现步骤摘要】

本专利技术属于医学图像分割，具体涉及一种基于跨域自适应与边界优化的医学超声图像分割方法。

技术介绍

1、sam(segment anything model)是基于视觉转换器(vit)架构的创新性基础模型，其在包含1100万张图像(标注有10亿个掩码)的大规模数据集上完成了训练。sam最显著的优势在于对未见数据表现出卓越的零样本分割能力，通过点、框等多样化提示机制，能够精准定位目标对象的像素级语义和区域级位置信息，展现出强大的通用性和任务适应性。

2、然而在医学影像分析场景中，面对多模态、多目标的医学数据集时，sam的零样本分割能力的稳定性和准确性显著下降。首先，医疗对象特别是超声图像的特定属性(如复杂的形态结构、模糊的边界特征、较小的尺寸或低对比度)会显著影响模型的对象识别性能，其次，在医学图像中，存在显著的跨域差异，这主要是由图像采集设备的参数和人群声学特征差异引起的，从而严重限制了模型的跨中心泛化能力。这表明虽然sam具备发展为通用医学分割模型的潜质，但其当前在医疗领域的应用可靠性仍需提升。为此，我们的研究应重点关注两方面：一是探索如何利本文档来自技高网...

【技术保护点】

1.一种基于跨域自适应与边界优化的医学超声图像分割方法，其特征在于，构建并训练基于SAM大模型的医学超声图像分割模型，将待分割图像输入训练好的医学超声图像分割模型得到分割结果；所述医学超声图像分割模型包括跨域风格对齐模块、多阶段自适应特征校准模块、新掩码解码模块；

2.根据权利要求1所述的一种基于跨域自适应与边界优化的医学超声图像分割方法，其特征在于，跨域风格对齐模块动态构建源域风格库S＝{S1,S2,…,SM}，其中Sm表示第m＝1,2,…,M个源域的数据库，用于存储来自第m个源域的医学超声图像的通道均值和通道方差，M表示源域数量；进一步构建风格库表示第m个源域的风格信息，...

【技术特征摘要】

1.一种基于跨域自适应与边界优化的医学超声图像分割方法，其特征在于，构建并训练基于sam大模型的医学超声图像分割模型，将待分割图像输入训练好的医学超声图像分割模型得到分割结果；所述医学超声图像分割模型包括跨域风格对齐模块、多阶段自适应特征校准模块、新掩码解码模块；

2.根据权利要求1所述的一种基于跨域自适应与边界优化的医学超声图像分割方法，其特征在于，跨域风格对齐模块动态构建源域风格库s＝{s1,s2,…,sm}，其中sm表示第m＝1,2,…,m个源域的数据库，用于存储来自第m个源域的医学超声图像的通道均值和通道方差，m表示源域数量；进一步构建风格库表示第m个源域的风格信息，表示第m个源域的均值，表示第m个源域的方差；

3.根据权利要求1所述的一种基于跨域自适应与边界优化的医学超声图像分割方法，其特征在于，步骤s2将图像特征fx，x＝1,2,…,m，输入跨域风格对齐...

【专利技术属性】
技术研发人员：乔丽红，徐熠，舒禹程，肖斌，李伟生，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：