[發明專利]基于域自適應的醫學圖像分割方法及系統

在審

• 申請號: 202110594160.3
• 申請日: 2021-05-28
• 公開（公告）號: CN113344944A
• 公開（公告）日: 2021-09-03
• 發明（設計）人: 張桂娟;代麗;亓延鵬;呂蕾;陸佃杰
• 申請（專利權）人: 山東師范大學
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06K9/62;G06N3/04
• 代理公司: 濟南圣達知識產權代理有限公司 37221
• 代理人: 朱忠范

本發明提供一種基于域自適應的醫學圖像分割方法及系統，屬于計算機視覺技術領域，首先在有標簽的數據集(源域)進行訓練得到模型，然后通過特征層面的自適應，將在源域訓練好的模型遷移到無標簽或標簽極少的數據集(目標域)上執行任務，并具有在源域上執行任務時同樣高的性能。本發明減少了對于有標簽數據集的需求，從而緩解了醫學圖像數據集稀缺的問題。減少了模型應用在新的數據集上的訓練時間。將已訓練好的模型更好的應用于真實場景中。

技術領域

本發明涉及計算機視覺技術領域，具體涉及一種基于域自適應的醫學圖像分割方法及系統。

背景技術

近年來，深度學習架構在圖像處理領域已經取得了重大進展，當前用于圖像分割的神經網絡架構都是在有著豐富標簽的數據集上進行訓練。然而對醫學圖像進行標記時，需要專業醫生進行人工篩選標記，而且人工標注數據分布差異較大，將在訓練集上訓練出來的模型運用到實際應用場景中時，常常會導致模型的性能下降。

發明內容

本發明的目的在于提供一種減少了對于有標簽數據集的需求、緩解了醫學圖像數據集稀缺、減少了模型應用在新的數據集上的訓練時間的基于域自適應的醫學圖像分割方法及系統，以解決上述背景技術中存在的至少一項技術問題。

為了實現上述目的，本發明采取了如下技術方案：

第一方面，本發明提供一種基于域自適應的醫學圖像分割方法，包括：

利用有標簽的源域數據集訓練得到分割模型；

通過特征層面的域自適應，將訓練好的分割模型遷移到無標簽的目標域數據集上執行任務，實現目標圖像的分割。

優選的，訓練得到分割模型包括：

使用域自適應整體架構的編碼器提取源域圖像的深度特征圖；

深度特征圖在特征空間進行域自適應，使屬于同一類的特征聚集在一起，使不同類的特征分離并相互正交；

利用域自適應整體架構的編碼器還原域自適應后的圖像，恢復圖像的分辨率，得到訓練好的分割模型。

優選的，提取源域圖像的特征包括：

域自適應整體架構的編碼器有兩層神經網絡，第一層神經網絡卷積得到的特征圖經過最大池化后作為第二層神經網絡的輸入；第二層神經網絡卷積提取得到深度特征圖。

優選的，深度特征圖在特征空間進行域自適應包括：

通過聯合使用聚類、正交將屬于同一類的特征聚集在一起，同時分離不同類的特征并迫使不同類之間相互正交，阻止不同類的的特征向量間活動信道的重疊。

優選的，利用域自適應整體架構的編碼器還原域自適應后的圖像包括：

在第一層神經網絡上，將圖像進行兩次卷積操作，每一次卷積操作之后使用ReLU函數進行激活；將第一層神經網絡得到的特征圖進行反卷積操作，并將其得到的特征圖作為第二層神經網絡的輸入；最后進行1×1×1的卷積操作將特征通道降維。

優選的，所述聚類包括：將深度特征圖的特征向量使用聚類損失函數測量特征與其相應的質心之間的距離，以及不同語義類之間的距離，使屬于同一類的特征向量圍繞在其相應的質心周圍，使不同類之間的特征向量邊界更加明顯。

優選的，所述正交包括：使用正交損失函數使特征向量的分類概率有一個峰值分布，使特征向量與除了其所屬類的質心外的所有質心正交，促進特征空間的標準化。

第二方面，本發明提供一種基于域自適應的圖像分割系統，包括：

訓練模塊，用于利用有標簽的源域數據集訓練得到分割模型；