[發明專利]一種基于域自適應的OCT圖像脈絡膜分割網絡模型及方法

在審

• 申請號: 202310124231.2
• 申請日: 2023-02-16
• 公開（公告）號: CN116206108A
• 公開（公告）日: 2023-06-02
• 發明（設計）人: 石霏;刁勝勇;陳新建;孟慶權
• 申請（專利權）人: 蘇州大學
• 主分類號: G06V10/26
• 分類號: G06V10/26;G06V10/774;G06V10/82;G06N3/0464;G06V10/44;G06V20/70;G06V40/18;G06T7/00
• 代理公司: 蘇州市中南偉業知識產權代理事務所(普通合伙) 32257
• 代理人: 陳華紅子

本發明提供一種基于域自適應OCT圖像脈絡膜分割網絡模型及方法，網絡模型包括：預處理模塊、分割器模塊、鑒別器模塊以及二階段優化模塊；所述預處理模塊用于對源域圖像和目標域圖像進行預處理；所述分割器模塊與所述預處理模塊連接，所述分割器模塊包括特征編碼器以及特征解碼器；所述分割器模塊和所述鑒別器模塊連接，所述分割器模塊和所述鑒別器模塊用于對源域數據特征與目標域數據特征進行對抗訓練，得到目標域圖像預測概率圖；所述二階段優化模塊用于基于目標域圖像預測概率圖對所述分割器模塊進行再次訓練，得到更新的分割器模型。從圖像層面以及特征層面上提高模型的泛化性能，并進一步地優化目標數據的分割結果，提高跨域數據分割的精度。

技術領域

本發明涉及圖像分割技術領域，尤其涉及一種基于域自適應的OCT(OpticalCoherence?Tomography，光學相干斷層掃描)圖像脈絡膜分割網絡模型及方法。

背景技術

光學相干斷層掃描圖像中的脈絡膜自動分割用于對脈絡膜的自動定量分析，對于高度近視、年齡相關性黃斑變性等眼底病變的診斷和治療具有重要意義。近年來已提出多種脈絡膜自動分割網絡模型，其中基于卷積神經網絡的深度學習網絡模型在該任務上表現優異。但OCT圖像可能來自于不同儀器，其圖像質量有較大差異，當訓練好的網絡模型用于不同質量的圖像時，網絡模型性能表現急劇下降。通常需要在新的數據上進行重新訓練以獲取較好性能，而這一過程需要對新數據進行人工標注，這樣多次標注費時費力。

傳統域自適應網絡模型采用損失函數約束網絡的方式，通過在同一特征空間中計算源域與目標域間特征間的最大均值差異作為網絡的約束度量，以此來解決由二者數據分布差異引起的模型泛化性能降低問題。在損失函數約束的基礎上，對抗學習也被引入用以解決該類問題。循環一致對抗域自適應通過像素循環一致性和語義損失實現局部和全局結構一致性，進一步優化域自適應的過程。此外，也有一些利用非對抗的方法：課程學習根據源樣本推斷目標圖像的重要屬性并指導模型分割目標圖像對應區域；基于非對抗模型的自訓練方法通過不斷地去優化訓練過程中生成的目標圖像偽標簽來傳遞語義表示。同時，也有學者通過域流轉換的方式去探索源域與目標域的中間域，在其內進行語義分割的工作。雖然這些網絡模型或方法取得一定的效果，但仍然存在以下不足：

(1)基于一般深度學習的脈絡膜分割網絡模型，在源域上訓練，在目標域上測試，當源域和目標域圖像質量有差異時，性能有顯著下降。

(2)特征無監督域自適應方法通過在源域和目標域之間對齊從網絡中提取的特征，雖然對齊了邊緣分布但卻不強制任何語義的一致性，導致特征映射存在誤差的可能；

(3)對抗無監督域自適應網絡模型雖然在特征空間上減少了不同數據的分布差異，從而增強了特征的遷移性，但同時也犧牲了特征的判別性。

(4)基于距離度量的無監督域自適應網絡模型雖然能夠有效的利用數據，但隨著數據量的增多，其計算量也呈幾何倍地增長。

因此，亟需一種能精確分割OCT圖像中脈絡膜的網絡模型及方法。

發明內容

本發明所要解決的技術問題是，針對由不同儀器或同一儀器采用不同掃描方式獲取的OCT圖像在噪聲分布、對比度以及分辨率等方面存在著較大的差異，提出一種基于域自適應的OCT圖像脈絡膜分割網絡模型及方法，目的在于減小跨域OCT數據分布差異，用源域圖像及其金標準訓練，而不需要目標域圖像金標準，獲得在目標域圖像上較高的脈絡膜分割性能。

為了解決上述問題，本發明實施例提供一種基于域自適應的OCT圖像脈絡膜分割網絡模型，該網絡模型包括預處理模塊、分割器模塊、鑒別器模塊以及二階段優化模塊；