[發明專利]一種具備模型遷移功能的顯微圖像識別分割方法

在審

• 申請號: 201910844452.0
• 申請日: 2019-09-06
• 公開（公告）號: CN110738107A
• 公開（公告）日: 2020-01-31
• 發明（設計）人: 劉凈心;慕瀟;左彥飛;郭滟
• 申請（專利權）人: 上海衡道醫學病理診斷中心有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08
• 代理公司: 34147 合肥律眾知識產權代理有限公司
• 代理人: 馮慧云

一種具備模型遷移功能的顯微圖像識別分割方法，該方法基于雙域適應模塊金字塔型網絡建立模型遷移SDK，包含識別分割模式和模型遷移模式，所述識別分割模式的實施步驟為：S1、輸入顯微圖像S2、加載分割模型S3、獲得分割結果，所述模型遷移模式的實施步驟為：Y1、輸入目標遷移的圖像Y2、讀取步驟Y1中輸入的圖像并訓練模型Y3、更新現有的識別分割模型；該方法通過對圖像和特征層次的對抗訓練，訓練時無需目標域標簽，測試或使用過程與正常的分割網絡一樣工作；該方法可以提升分割神經網絡的在無標記的新圖像的分割精度，為機器人及車的識別街景、計算機輔助診斷等提供技術支持，實用性強，有著較強的推廣與應用價值。

技術領域

本發明涉及數字圖像處理及計算機視覺技術領域，尤其是一種具備模型遷移功能的顯微圖像識別分割方法。

背景技術

數字圖像分割技術在機器人，自動導航，醫療影像等領域有著重要的應用。傳統的基于深度學習的語義圖像分割模型需要使用有標記的訓練數據進行有監督學習，并且需要保證訓練和測試數據大體相似，即具有相同的分布(或處在相同的域)，然而，在實際情況很難保證訓練數據和測試數據或新的數據(實際運行的數據)處在同一域內，使得模型在測試數據上出現顯著的性能下降。傳統解決此類問題的方式是對新的數據進行標記，并在原模型上進行遷移學習。然而，獲得準確的標記是繁瑣且耗時復雜的，無法保證對新的數據進行充足的標記，因而需要重新設計一種具備模型遷移功能的顯微圖像識別分割方法。

本發明就是為了解決以上問題而進行的改進。

發明內容

本發明需要解決的技術問題是提供一種分割精度高、實用性強，有著較強的推廣與應用價值的具備模型遷移功能的顯微圖像識別分割方法。

本發明為解決其技術問題所采用的技術方案是：

一種具備模型遷移功能的顯微圖像識別分割方法，該方法基于雙域適應模塊金字塔型網絡建立模型遷移SDK，包含識別分割模式和模型遷移模式，所述識別分割模式的實施步驟為：

S1、輸入顯微圖像，從顯微鏡閱片系統中獲取數字顯微圖像；

S2、加載分割模型，加載分割模型及訓練完成的權重；

S3、獲得分割結果，將圖像輸入模型，獲得預測的分割結果；

所述模型遷移模式的實施步驟為：

Y1、輸入目標遷移的圖像，準備目標域顯微圖像；

Y2、讀取步驟Y1中輸入的圖像并訓練模型，系統內部讀取原始訓練圖像及其對應的原始訓練標記；

Y3、更新現有的識別分割模型，將訓練完成后所得的分割網絡權重更新替換現有的權重；

進一步的，所述該方法是建立在雙域適應模塊金字塔型網絡基礎上實現的；

更進一步的，所述步驟S3中的分割模型包含編碼器、金字塔型池化模塊和解碼器；

具體的，所述步驟S4中圖像輸入分割網絡模型，網絡的損失函數為該分割函數由分類交叉熵和Dice系數兩部分組成，數學表達為：

其中α是權衡參數，y與分別表示標準結果與預測結果；

其中，所述步驟Y2中加載基于雙域適應模塊金字塔型網絡，利用雙域適應模塊金字塔型網絡及無監督域適應圖像分割方法讀取步驟Y1中輸入的圖像并訓練模型。

可選的，所述雙域適應模塊金字塔型網絡包含編碼器、金字塔型池化模塊、解碼器、圖像級域適應模塊及特征級域適應模塊.；