CN113421270A - 基于单中心标定数据实现医学图像域自适应分割的方法、系统、装置、处理器及其存储介质 - Google Patents

基于单中心标定数据实现医学图像域自适应分割的方法、系统、装置、处理器及其存储介质 Download PDF

Info

Publication number
CN113421270A
CN113421270A CN202110757216.2A CN202110757216A CN113421270A CN 113421270 A CN113421270 A CN 113421270A CN 202110757216 A CN202110757216 A CN 202110757216A CN 113421270 A CN113421270 A CN 113421270A
Authority
CN
China
Prior art keywords
network model
segmentation
calibration data
data
domain
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110757216.2A
Other languages
English (en)
Other versions
CN113421270B (zh
Inventor
李青峰
杨志
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Mental Health Center Shanghai Psychological Counselling Training Center
Original Assignee
Shanghai Mental Health Center Shanghai Psychological Counselling Training Center
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Mental Health Center Shanghai Psychological Counselling Training Center filed Critical Shanghai Mental Health Center Shanghai Psychological Counselling Training Center
Priority to CN202110757216.2A priority Critical patent/CN113421270B/zh
Publication of CN113421270A publication Critical patent/CN113421270A/zh
Application granted granted Critical
Publication of CN113421270B publication Critical patent/CN113421270B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20004—Adaptive image processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于单中心标定数据实现医学图像域自适应分割的方法，其中，该方法包括：提取原始输入图像中的金标准标定数据，将其输入至分割网络模型进行图像分割处理；根据图像分割结果；固定分割网络模型中所包含的各项参数，并输入金标准标定数据以及未标定数据；提取经分割网络模型中的最后一层卷积层处理得到的金标准标定数据特征图和未标定数据特征图，将其输入至域判别网络模型进行类型判定；根据判定结果，得到域判别精度损失，从而对域判别网络模型进行调参优化。本发明还涉及一种相应的系统、装置、处理器及其存储介质。采用了本发明的该方法、系统、装置、处理器及其存储介质，利用对抗训练，即可实现对感兴趣区域的精准、快速分割。

Description

基于单中心标定数据实现医学图像域自适应分割的方法、系 统、装置、处理器及其存储介质
技术领域
本发明涉及计算机视觉技术领域，尤其涉及磁共振图像数据处理技术领域，具体是指一种基于单中心标定数据实现医学图像域自适应分割的方法、系统、装置、处理器及其计算机可读存储介质。
背景技术
医学图像的感兴趣区域精确分割，对后续基于感兴趣区域的特征提取、病灶定位等分析过程具有重要作用。以磁共振图像为例，由于目前医学成像领域的磁共振成像仪生产厂家不同、各医院或研究单位扫描参数不同、不同机器场强存在差异等多种原因，不同影像中心的同一种成像模态下的磁共振影像灰度分布均有差别，从而对于分割算法在不同中心的影像上的稳定分割(即模型鲁棒性)产生了挑战。
目前对跨中心分割鲁棒性问题的解决方案主要依赖两种策略：1)数据增强策略，即采用多中心的金标准标定影像数据进行模型训练，该解决方法依赖多中心的金标准数据，而多中心金标准数据极难获得，因此限制了该种策略的使用；2)概率图模型，即通过图像中每个空间位置上的标签概率模型来指导图像的感兴趣区域分割，该种方法速度较慢，且在影像数据存在较大个体变异时，分割精度较低。
发明内容
本发明的目的是克服了上述现有技术的缺点，提供了一种具备精准分割且易于实现的基于单中心标定数据实现医学图像域自适应分割的方法、系统、装置、处理器及其存储介质
为了实现上述目的，本发明的基于单中心标定数据实现医学图像域自适应分割的方法、系统、装置、处理器及其存储介质如下：
该基于单中心标定数据实现医学图像域自适应分割的方法，其主要特点是，所述的方法包括以下步骤：
(1)提取原始输入图像中的金标准标定数据，将其输入至分割网络模型进行图像分割处理；
(2)根据图像分割结果，得到分割精度损失，依据所述的分割精度损失尽可能小的原则，对所述的分割网络模型进行调参优化；
(3)固定所述的分割网络模型中所包含的各项参数，并对所述的分割网络模型输入金标准标定数据以及未标定数据；
(4)提取经所述的分割网络模型中的最后一层卷积层处理得到的金标准标定数据特征图和未标定数据特征图，将其输入至所述的域判别网络模型；
(5)所述的域判别网络模型进行对所述的金标准标定数据特征图的数据和未标定数据特征图的数据分别属于哪一类型原始数据的判定并输出判定结果；
(6)根据判定结果，得到域判别精度损失，依据所述的域判别精度损失尽可能小的原则，对所述的域判别网络模型进行调参优化；
(7)固定所述的域判别网络模型中所包含的各项参数，并对所述的分割网络模型输入所述的原始输入图像的金标准标定数据以及未标定数据；
(8)提取经所述的分割网络模型中的最后一层卷积层处理得到的金标准标定数据特征图和未标定数据特征图，将其输入至所述的域判别网络模型；
(9)所述的域判别网络模型进行对所述的金标准标定数据特征图和未标定数据特征图的数据分别属于哪一类型原始数据的判定并输出判定结果；
(10)根据判定结果，得到域判别精度损失，根据所述的域判别精度损失尽可能大的原则，对所述的分割网络模型进行调参优化。
较佳地，所述的根据图像分割结果得到分割精度损失，具体为：
所述的金标准标定数据通过所述的分割网络模型得到的分割结果与金标准之间的差异。
较佳地，所述的根据判定结果得到域判别精度损失，具体为：
所述的域判别网络模型对于原始输入图像中获取的数据属于金标准标定数据或者未标定数据的判定结果与获取得到的真实数据结果之间的差异。
该基于单中心标定数据实现医学图像域自适应分割的系统，其主要特点是，所述的系统包括：
金标准标定数据提取功能模块，用于提取原始输入图像中的金标准标定数据，将其输入至分割网络模型进行图像分割处理；
第一分割网络模型调参优化功能模块，用于根据图像分割结果，得到分割精度损失，依据所述的分割精度损失尽可能小的原则，对所述的分割网络模型进行调参优化；
分割网络模型参数固定及输入功能模块，用于固定所述的分割网络模型中所包含的各项参数，并对所述的分割网络模型输入金标准标定数据以及未标定数据；
数据特征图提取功能模块，用于提取经所述的分割网络模型中的最后一层卷积层处理得到的金标准标定数据特征图和未标定数据特征图，将其输入至所述的域判别网络模型；
原始数据类型判定功能模块，用于驱动所述的域判别网络模型进行对所述的金标准标定数据特征图和未标定数据特征图的数据分别属于哪一类型原始数据的判定并输出判定结果；
域判别网络模型调参优化功能模块，用于根据判定结果，得到域判别精度损失，依据所述的域判别精度损失尽可能小的原则，对所述的域判别网络模型进行调参优化；
域判别网络模型参数固定及输入功能模块，用于固定所述的域判别网络模型中所包含的各项参数，并对所述的分割网络模型输入所述的原始输入图像的金标准标定数据以及未标定数据；
第二分割网络模型调参优化功能模块，用于根据判定结果，得到域判别精度损失，根据所述的域判别精度损失尽可能大的原则，对所述的分割网络模型进行调参优化。
该用于实现基于单中心标定数据的医学图像域自适应分割的装置，其主要特点是，所述的装置包括：
处理器，被配置成执行计算机可执行指令；
存储器，存储一个或多个计算机可执行指令，所述计算机可执行指令被所述处理器执行时，实现上述基于单中心标定数据实现医学图像域自适应分割的方法的各个步骤。
该用于实现基于单中心标定数据的医学图像域自适应分割的处理器，其主要特点是，所述的处理器被配置成执行计算机可执行指令，所述的计算机可执行指令被所述的处理器执行时，实现上述基于单中心标定数据实现医学图像域自适应分割的方法的各个步骤。
采用了本发明的该基于单中心标定数据实现医学图像域自适应分割的方法、系统、装置、处理器及其计算机可读存储介质，借助于自适应分割的方法，采用分割网络逐层特征提取得到的最后一层卷积层的输出特征图作为域判别网络的输入，该操作使得域判别网络获取到的图像域相关信息更多，使得最终的域自适应分割效果鲁棒性更高，实现了对感兴趣区域的精准、快速分割，且对于多中心采集的数据具有较好的鲁棒性。同时，训练时只需要单中心标定影像数据，无需额外提供其他中心的标定数据，极大地减少了数据获取成本，使模型的训练更加易于实现，具有较好的适用性。
附图说明
图1为本发明的基于单中心标定数据实现医学图像域自适应分割的方法的工作原理示意图。
具体实施方式
为了能够更清楚地描述本发明的技术内容，下面结合具体实施例来进行进一步的描述。
在详细说明根据本发明的实施例前，应该注意到的是，在下文中，第一和第二之类的关系术语仅仅用来区分一个实体或动作与另一个实体或动作，而不一定要求或暗示这种实体或动作之间的任何实际的这种关系或顺序。术语“包括”、“包含”或任何其他变体旨在涵盖非排他性的包含，由此使得包括一系列要素的过程、方法、物品或者设备不仅包含这些要素，而且还包含没有明确列出的其他要素，或者为这种过程、方法、物品或者设备所固有的要素。
该基于单中心标定数据实现医学图像域自适应分割的方法，其中，所述的方法包括以下步骤：
(1)提取原始输入图像中的金标准标定数据，将其输入至分割网络模型进行图像分割处理；
(2)根据图像分割结果，得到分割精度损失，依据所述的分割精度损失尽可能小的原则，对所述的分割网络模型进行调参优化；
(3)固定所述的分割网络模型中所包含的各项参数，并对所述的分割网络模型输入金标准标定数据以及未标定数据；
(4)提取经所述的分割网络模型中的最后一层卷积层处理得到的金标准标定数据特征图和未标定数据特征图，将其输入至所述的域判别网络模型；
(5)所述的域判别网络模型进行对所述的金标准标定数据特征图的数据和未标定数据特征图的数据分别属于哪一类型原始数据的判定并输出判定结果；
(6)根据判定结果，得到域判别精度损失，依据所述的域判别精度损失尽可能小的原则，对所述的域判别网络模型进行调参优化；
(7)固定所述的域判别网络模型中所包含的各项参数，并对所述的分割网络模型输入所述的原始输入图像的金标准标定数据以及未标定数据；
(8)提取经所述的分割网络模型中的最后一层卷积层处理得到的金标准标定数据特征图和未标定数据特征图，将其输入至所述的域判别网络模型；
(9)所述的域判别网络模型进行对所述的金标准标定数据特征图和未标定数据特征图的数据分别属于哪一类型原始数据的判定并输出判定结果；
(10)根据判定结果，得到域判别精度损失，根据所述的域判别精度损失尽可能大的原则，对所述的分割网络模型进行调参优化。
作为本发明的优选实施方式，所述的根据图像分割结果得到分割精度损失，具体为：
所述的金标准标定数据通过所述的分割网络模型得到的分割结果与金标准之间的差异。
作为本发明的优选实施方式，所述的根据判定结果得到域判别精度损失，具体为：
所述的域判别网络模型对于原始输入图像中获取的数据属于金标准标定数据或者未标定数据的判定结果与获取得到的真实数据结果之间的差异。
该基于单中心标定数据实现医学图像域自适应分割的系统，其中，所述的系统包括：
金标准标定数据提取功能模块，用于提取原始输入图像中的金标准标定数据，将其输入至分割网络模型进行图像分割处理；
第一分割网络模型调参优化功能模块，用于根据图像分割结果，得到分割精度损失，依据所述的分割精度损失尽可能小的原则，对所述的分割网络模型进行调参优化；
分割网络模型参数固定及输入功能模块，用于固定所述的分割网络模型中所包含的各项参数，并对所述的分割网络模型输入金标准标定数据以及未标定数据；
数据特征图提取功能模块，用于提取经所述的分割网络模型中的最后一层卷积层处理得到的金标准标定数据特征图和未标定数据特征图，将其输入至所述的域判别网络模型；
原始数据类型判定功能模块，用于驱动所述的域判别网络模型进行对所述的金标准标定数据特征图和未标定数据特征图的数据分别属于哪一类型原始数据的判定并输出判定结果；
域判别网络模型调参优化功能模块，用于根据判定结果，得到域判别精度损失，依据所述的域判别精度损失尽可能小的原则，对所述的域判别网络模型进行调参优化；
域判别网络模型参数固定及输入功能模块，用于固定所述的域判别网络模型中所包含的各项参数，并对所述的分割网络模型输入所述的原始输入图像的金标准标定数据以及未标定数据；
第二分割网络模型调参优化功能模块，用于根据判定结果，得到域判别精度损失，根据所述的域判别精度损失尽可能大的原则，对所述的分割网络模型进行调参优化。
该用于实现基于单中心标定数据的医学图像域自适应分割的装置，其中，所述的装置包括：
处理器，被配置成执行计算机可执行指令；
存储器，存储一个或多个计算机可执行指令，所述计算机可执行指令被所述处理器执行时，实现上述所述的基于单中心标定数据实现医学图像域自适应分割的方法的各个步骤。
该用于实现基于单中心标定数据的医学图像域自适应分割的处理器，其中，所述的处理器被配置成执行计算机可执行指令，所述的计算机可执行指令被所述的处理器执行时，实现上述基于单中心标定数据实现医学图像域自适应分割的方法的各个步骤。
该计算机可读存储介质，其中，其上存储有计算机程序，所述的计算机程序可被处理器执行以实现上述所述的基于单中心标定数据实现医学图像域自适应分割的方法的各个步骤。
本技术方案使用一种对抗训练的策略，以目前图像处理领域最先进的分割模型为基础，通过单中心的金标准标定数据和多中心的未标定数据对抗训练，实现分割模型的跨中心鲁棒性。请参阅图1所示，本域自适应分割方法主要包括两部分：1)分割网络模型，2)域判别网络模型。其中，分割网络模型为目前图像处理领域常见的分割模型，根据输入的原图像，经过一系列卷积等操作，得到分割结果。域判别网络模型为目前常规的卷积神经网络分类器结构，其以原始输入图像经分割网络最后一层卷积层得到的特征图作为输入，输出对原始输入图像属于哪一中心的判定。为描述方便，记金标准标定数据为中心1数据，其他未标定数据为中心2数据。图1中，分割精度损失为中心1数据通过分割网络模型得到的分割结果与金标准之间的差异，域判别精度损失为域判别网络模型对于原始输入图像所属中心的判定结果与真实情况的差异。
在本发明的一具体实施方式中，为通过训练使分割网络模型具有跨中心域自适应性能，需要确保：1)分割网络模型在金标准数据上的分割表现应该精确，2)分割网络模型提取出的特征不应包含与中心相关的特征。
基于上述要求以此为依据，整个分割网络模型的训练在每一次迭代的过程中分为以下三个阶段：
1)固定域判别网络模型的参数，分割网络模型输入中心1原始数据，输出分割结果，依据分割精度损失尽可能低的原则，对分割网络模型进行调参优化；
2)固定分割网络模型的参数，对分割网络模型输入中心1、中心2的原始数据，对于中心1、中心2数据分别提取分割网络模型中最后一层卷积层得到的特征图，将两组特征图分别作为域判别网络模型的输入，输出原始数据属于中心1/中心2的判定，然后依据域判别精度损失尽可能小的原则(域判别模型能够根据特征图较好地区分原始数据属于哪一中心)，对域判别网络进行调参优化，这里需注意，不同于常规的生成对抗模型采用最终网络输出(即二值化的分割结果)作为域判别网络的输入，本发明采用分割网络逐层特征提取得到的最后一层卷积层的输出特征图，作为域判别网络的输入，该操作使得域判别网络获取到的图像域相关信息更多，使得最终的域自适应分割效果鲁棒性更高；
3)固定域判别网络模型的参数，分割网络模型输入中心1、中心2的原始数据，对于中心1、中心2数据分别提取分割网络模型中最后一层卷积层得到的特征图，将两组特征图分别作为域判别网络的输入，输出原始数据属于中心1/中心2的判定，然后依据域判别精度损失尽可能大的原则(域判别模型根据特征图无法区分原始数据属于哪一中心)，对分割网络模型进行调参优化。
基于上述3个处理过程可以看到，在迭代的2)和3)阶段，模型的优化目标是相反的，分割网络模型、域判别网络模型的训练构成对抗训练过程，对抗训练会使分割网络和域判别网络的性能同步提升，直至收敛。
训练完成后，分割网络模型即具有域自适应性能，对于任意中心的输入数据，均可实现稳定分割。
在本发明的一具体实施方式中，将利用上述自适应分割方法训练得到的图像质量判别器，在搭载CentOs 6.5系统的Intel(R)Xeon(R)CPU E5-2670 v2 2.50GHz处理器上，利用Pytorch 搭建模型并测试，可在0.1秒内实现来自任意中心单幅图像的大脑组织分割，在ADNI/OASIS/ABCD/上海市精神卫生中心的T1磁共振影像上，脑组织分割的Dice均可以达到0.99以上。
在本发明的一具体实施方式中，本发明所述的分割网络模型为一深度卷积神经网络，包括下采样支和上采样支，其中下采样支的网络结构主要包括4层卷积核尺寸为3×3×3、步长为1的卷积层，每层卷积层后包括一层批归一化层、一层ReLU激活函数层、以及一层池化核尺寸为2×2×2、步长为2的最大池化层，每经过一组卷积层、批归一化层、激活函数层和池化层的处理，特征图尺寸减半、通道数加倍，最终得到128通道的特征图；上采样支的网络结构主要包括4层卷积核尺寸为2×2×2、步长为2的反卷积层，每层反卷积层后包括一层批归一化层、一层ReLU激活函数层、以及一层卷积核尺寸为3×3×3、步长为1的卷积层，每经过一组反卷积层、批归一化层、激活函数层和卷积层的处理，特征图尺寸加倍、通道数减半，最终得到与原始输入图像尺寸相同的特征图，经softmax阈值化处理，得到最终的分割结果。
在本发明的一具体实施方式中，本发明所述域判别网络模型为一深度卷积神经网络，其网络结构主要包括5层卷积核尺寸为3×3×3、步长为1的卷积层，每层卷积层后包括一层批归一化层、一层ReLU激活函数层、以及一层池化核尺寸为2×2×2、步长为2的最大池化层，每经过一组卷积层、批归一化层、激活函数层和池化层的处理，特征图尺寸减半、通道数加倍，最终输出128维向量，经一层全连接层处理，输出2维向量(2为中心类别数)。
模型的优化方式采用自适应矩估计算法，学习率设为1e-4，模型参数通过梯度下降法更新。
在本发明的一具体实施方式中，在网络结构方面，分割网络模型的网络结构不局限于前述描述的结构，可以包括但不限于VNet、UNet、PSPNet等；域判别网络模型的网络结构不局限于前述描述的结构，可以包括但不限于AlexNet、VGG、ResNet等其他均适用的网络结构；
在本发明的一具体实施方式中，在损失函数部分，分割精度损失和域判别精度损失的定义可以为交叉相关性、交叉熵、Dice、Focalloss等其他可微的相似性度量其他均适用的损失函数。
在本发明的一具体实施方式中，本发明以磁共振结构图像为例进行说明，但其适用对象包括但不限于其余模态的医学影像、遥感图像、显微镜切片图像、自然图像等其他均适用的图像类型。
在本发明的一具体实施方式中，在金标准标签方面，分割标签的监督信息仅依赖单中心标定数据，大大降低了数据获取的成本。
在本发明的一具体实施方式中，根据实际情况，域判别网络模型的输入图像包括但不限于分割网络最后一层卷积层得到的特征图，也可为分割网络其余卷积层得到的特征图或其组合。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行装置执行的软件或固件来实现。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成的，程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
在本说明书的描述中，参考术语“一实施例”、“一些实施例”、“示例”、“具体示例”、“实施方式”或“实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
采用了本发明的该基于单中心标定数据实现医学图像域自适应分割的方法、系统、装置、处理器及其计算机可读存储介质，借助于自适应分割的方法，采用分割网络逐层特征提取得到的最后一层卷积层的输出特征图作为域判别网络的输入，该操作使得域判别网络获取到的图像域相关信息更多，使得最终的域自适应分割效果鲁棒性更高，实现了对感兴趣区域的精准、快速分割，且对于多中心采集的数据具有较好的鲁棒性。同时，训练时只需要单中心标定影像数据，无需额外提供其他中心的标定数据，极大地减少了数据获取成本，使模型的训练更加易于实现，具有较好的适用性。
在此说明书中，本发明已参照其特定的实施例作了描述。但是，很显然仍可以作出各种修改和变换而不背离本发明的精神和范围。因此，说明书和附图应被认为是说明性的而非限制性的。

Claims (7)

1.一种基于单中心标定数据实现医学图像域自适应分割的方法，其特征在于，所述的方法包括以下步骤：
(1)提取原始输入图像中的金标准标定数据，将其输入至分割网络模型进行图像分割处理；
(2)根据图像分割结果，得到分割精度损失，依据所述的分割精度损失尽可能小的原则，对所述的分割网络模型进行调参优化；
(3)固定所述的分割网络模型中所包含的各项参数，并对所述的分割网络模型输入金标准标定数据以及未标定数据；
(4)提取经所述的分割网络模型中的最后一层卷积层处理得到的金标准标定数据特征图和未标定数据特征图，将其输入至所述的域判别网络模型；
(5)所述的域判别网络模型进行对所述的金标准标定数据特征图的数据和未标定数据特征图的数据分别属于哪一类型原始数据的判定并输出判定结果；
(6)根据判定结果，得到域判别精度损失，依据所述的域判别精度损失尽可能小的原则，对所述的域判别网络模型进行调参优化；
(7)固定所述的域判别网络模型中所包含的各项参数，并对所述的分割网络模型输入所述的原始输入图像的金标准标定数据以及未标定数据；
(8)提取经所述的分割网络模型中的最后一层卷积层处理得到的金标准标定数据特征图和未标定数据特征图，将其输入至所述的域判别网络模型；
(9)所述的域判别网络模型进行对所述的金标准标定数据特征图和未标定数据特征图的数据分别属于哪一类型原始数据的判定并输出判定结果；
(10)根据判定结果，得到域判别精度损失，根据所述的域判别精度损失尽可能大的原则，对所述的分割网络模型进行调参优化。
2.根据权利要求1所述的基于单中心标定数据实现医学图像域自适应分割的方法，其特征在于，所述的根据图像分割结果得到分割精度损失，具体为：
所述的金标准标定数据通过所述的分割网络模型得到的分割结果与金标准之间的差异。
3.根据权利要求1所述的基于单中心标定数据实现医学图像域自适应分割的方法，其特征在于，所述的根据判定结果得到域判别精度损失，具体为：
所述的域判别网络模型对于原始输入图像中获取的数据属于金标准标定数据或者未标定数据的判定结果与获取得到的真实数据结果之间的差异。
4.一种基于单中心标定数据实现医学图像域自适应分割的系统，其特征在于，所述的系统包括：
金标准标定数据提取功能模块，用于提取原始输入图像中的金标准标定数据，将其输入至分割网络模型进行图像分割处理；
第一分割网络模型调参优化功能模块，用于根据图像分割结果，得到分割精度损失，依据所述的分割精度损失尽可能小的原则，对所述的分割网络模型进行调参优化；
分割网络模型参数固定及输入功能模块，用于固定所述的分割网络模型中所包含的各项参数，并对所述的分割网络模型输入金标准标定数据以及未标定数据；
数据特征图提取功能模块，用于提取经所述的分割网络模型中的最后一层卷积层处理得到的金标准标定数据特征图和未标定数据特征图，将其输入至所述的域判别网络模型；
原始数据类型判定功能模块，用于驱动所述的域判别网络模型进行对所述的金标准标定数据特征图和未标定数据特征图的数据分别属于哪一类型原始数据的判定并输出判定结果；
域判别网络模型调参优化功能模块，用于根据判定结果，得到域判别精度损失，依据所述的域判别精度损失尽可能小的原则，对所述的域判别网络模型进行调参优化；
域判别网络模型参数固定及输入功能模块，用于固定所述的域判别网络模型中所包含的各项参数，并对所述的分割网络模型输入所述的原始输入图像的金标准标定数据以及未标定数据；
第二分割网络模型调参优化功能模块，用于根据判定结果，得到域判别精度损失，根据所述的域判别精度损失尽可能大的原则，对所述的分割网络模型进行调参优化。
5.一种用于实现基于单中心标定数据的医学图像域自适应分割的装置，其特征在于，所述的装置包括：
处理器，被配置成执行计算机可执行指令；
存储器，存储一个或多个计算机可执行指令，所述计算机可执行指令被所述处理器执行时，实现权利要求1至3中任一项所述的基于单中心标定数据实现医学图像域自适应分割的方法的各个步骤。
6.一种用于实现基于单中心标定数据的医学图像域自适应分割的处理器，其特征在于，所述的处理器被配置成执行计算机可执行指令，所述的计算机可执行指令被所述的处理器执行时，实现权利要求1至3中任一项所述的基于单中心标定数据实现医学图像域自适应分割的方法的各个步骤。
7.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述的计算机程序可被处理器执行以实现权利要求1至3中任一项所述的基于单中心标定数据实现医学图像域自适应分割的方法的各个步骤。
CN202110757216.2A 2021-07-05 2021-07-05 基于单中心标定数据实现医学图像域自适应分割的方法、系统、装置、处理器及其存储介质 Active CN113421270B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110757216.2A CN113421270B (zh) 2021-07-05 2021-07-05 基于单中心标定数据实现医学图像域自适应分割的方法、系统、装置、处理器及其存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110757216.2A CN113421270B (zh) 2021-07-05 2021-07-05 基于单中心标定数据实现医学图像域自适应分割的方法、系统、装置、处理器及其存储介质

Publications (2)

Publication Number Publication Date
CN113421270A true CN113421270A (zh) 2021-09-21
CN113421270B CN113421270B (zh) 2022-07-19

Family

ID=77720209

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110757216.2A Active CN113421270B (zh) 2021-07-05 2021-07-05 基于单中心标定数据实现医学图像域自适应分割的方法、系统、装置、处理器及其存储介质

Country Status (1)

Country Link
CN (1) CN113421270B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108062753A (zh) * 2017-12-29 2018-05-22 重庆理工大学 基于深度对抗学习的无监督域自适应脑肿瘤语义分割方法
CN108268870A (zh) * 2018-01-29 2018-07-10 重庆理工大学 基于对抗学习的多尺度特征融合超声图像语义分割方法
CN109829894A (zh) * 2019-01-09 2019-05-31 平安科技（深圳）有限公司 分割模型训练方法、oct图像分割方法、装置、设备及介质
CN110111335A (zh) * 2019-05-08 2019-08-09 南昌航空大学 一种自适应对抗学习的城市交通场景语义分割方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108062753A (zh) * 2017-12-29 2018-05-22 重庆理工大学 基于深度对抗学习的无监督域自适应脑肿瘤语义分割方法
CN108268870A (zh) * 2018-01-29 2018-07-10 重庆理工大学 基于对抗学习的多尺度特征融合超声图像语义分割方法
CN109829894A (zh) * 2019-01-09 2019-05-31 平安科技（深圳）有限公司 分割模型训练方法、oct图像分割方法、装置、设备及介质
CN110111335A (zh) * 2019-05-08 2019-08-09 南昌航空大学 一种自适应对抗学习的城市交通场景语义分割方法及系统

Also Published As

Publication number Publication date
CN113421270B (zh) 2022-07-19

Similar Documents

Publication Publication Date Title
CN111784671B (zh) 基于多尺度深度学习的病理图像病灶区域检测方法
CN109410219B (zh) 一种基于金字塔融合学习的图像分割方法、装置和计算机可读存储介质
Yazdani et al. Image segmentation methods and applications in MRI brain images
Oghli et al. Automatic fetal biometry prediction using a novel deep convolutional network architecture
CN112102237A (zh) 基于半监督学习的脑部肿瘤识别模型的训练方法及装置
CN108629784A (zh) 一种基于深度学习的ct图像颅内血管分割方法及系统
CN114581662B (zh) 一种脑肿瘤图像的分割方法、系统、装置及存储介质
CN111291825A (zh) 病灶分类模型训练方法、装置、计算机设备和存储介质
CN112037146B (zh) 医学图像伪影自动校正方法、装置和计算机设备
CN110110727B (zh) 基于条件随机场和贝叶斯后处理的图像分割方法
CN111931751A (zh) 深度学习训练方法、目标物识别方法、系统和存储介质
CN113424222A (zh) 用于使用条件生成对抗网络提供中风病灶分割的系统和方法
Yang et al. Discriminative dictionary learning for retinal vessel segmentation using fusion of multiple features
JP2023547169A (ja) 多重化免疫蛍光画像における自己蛍光アーチファクトの識別
CN111080658A (zh) 基于可形变配准和dcnn的宫颈mri图像分割方法
CN114494215A (zh) 基于Transformer的甲状腺结节检测方法
KR20220129405A (ko) 전역 어텐션 기반 컨볼루션 네트워크를 이용한 이미지 분할 방법 및 장치
CN116579975A (zh) 一种卷积神经网络的脑龄预测方法及系统
Martins et al. An adaptive probabilistic atlas for anomalous brain segmentation in MR images
CN111968112B (zh) Ct三维定位图像的获取方法、装置和计算机设备
CN116664590B (zh) 基于动态对比增强磁共振图像的自动分割方法及装置
CN111815569B (zh) 基于深度学习的图像分割方法、装置、设备和存储介质
CN113421270B (zh) 基于单中心标定数据实现医学图像域自适应分割的方法、系统、装置、处理器及其存储介质
CN113379770B (zh) 鼻咽癌mr图像分割网络的构建方法、图像分割方法及装置
Ruppertshofen et al. Multi-level approach for the discriminative generalized hough transform

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant