[发明专利]一种基于域适应的无监督医学图像分割方法

权利要求书

1.一种基于域适应的无监督医学图像分割方法，其特征在于，该方法包括如下步骤：

S1：获取与目标数据结构相同的不同模态的具有标签的影像学数据作为源数据；

S2：对源数据和目标数据分别引入隐变量，构建两个结构相同的变分自编码器，分别为用于源数据图像分割的源变分自编码器和用于目标数据图像分割的目标变分自编码器；

S3：分别获取两个变分自编码器的损失函数；

S4：分别估计两个变分自编码器隐变量的概率分布，并计算隐变量概率分布的差异；

S5：综合两个变分自编码器的损失函数及隐变量概率分布的差异得到总体损失函数，利用总体损失函数优化两个变分自编码器；

S6：采用优化得到的目标变分自编码器对目标数据进行分割得到分割结果；

源变分自编码器的损失函数为：

其中，Loss1为源变分自编码器的损失，LB_VAE(θ_S,φ_S)为源变分自编码器的目标函数，LB_VAE(θ_S,φ_S)具体为源数据似然函数的变分下界，θ_S、φ_S为源变分自编码器中待学习参数，x_S为源数据，y_S为源数据的标签，z_S为源数据的隐变量，D_KL表示Kullback-Leibler散度，表示给定源数据x_S的情况下z_S的近似条件概率分布，z_S服从高斯分布N(U_S,∑_S)，其中U_S＝(u_S1,u_S2,L,u_Sn)表示隐变量z_S的各子变量均值，∑_S＝diag(λ_S1,λ_S2,L,λ_Sn)表示相应的协方差对角矩阵，n表示隐变量z_S的维度，表示z_S的真实概率分布，表示已知y_S和z_S的情况下x_S的条件概率分布，表示已知z_S的情况下y_S的条件概率分布，E表示求相应变量的期望；

目标变分自编码器的损失函数为：

其中，Loss2为目标变分自编码器的损失，LB_VAE(θ_T,φ_T)为目标变分自编码器的目标函数，LB_VAE(θ_T,φ_T)具体为目标数据似然函数的变分下界，θ_T、φ_T为目标变分自编码器中待学习参数，x_T为目标数据，为目标数据的预测标签，z_T为目标数据的隐变量，D_KL表示Kullback-Leibler散度，表示给定目标数据x_T情况下z_T的近似条件概率分布，z_T服从高斯分布N(U_T,∑_T)，其中U_T＝(u_T1,u_T2,L,u_Tn)表示隐变量z_T的各子变量均值，∑_T＝diag(λ_T1,λ_T2,L,λ_Tn)表示相应的协方差对角矩阵，n表示隐变量z_T的维度，表示z_T的真实概率分布，表示已知和z_T的情况下x_T的条件概率分布，表示已知z_T的情况下的条件概率分布，E表示求相应变量的期望；

步骤S4采用蒙特卡洛采样估计两个变分自编码器隐变量的概率分布；

两个变分自编码器隐变量概率分布的差异为：

其中，D(z_S,z_T)表示两个变分自编码器隐变量概率分布的差异，z_S为源数据的隐变量，z_T为目标数据的隐变量，M为蒙特卡洛采样的采样量，表示采样所得源数据的第i个数据，为采样所得源数据的第j个数据，表示采样所得目标数据的第i个数据，为采样所得目标数据的第j个数据，表示所对应的隐变量z_S的条件分布的均值向量U_S的第l个元素，表示所对应的隐变量z_S第l个元素的条件分布的方差，表示所对应的隐变量z_S的条件分布的均值向量U_S的第l个元素，表示所对应的隐变量z_S第l个元素的条件分布的方差，表示所对应的隐变量z_T的条件分布的均值向量U_T的第l个元素，表示所对应的隐变量z_T第l个元素的条件分布的方差，表示所对应的隐变量z_T的条件分布的均值向量U_T的第l个元素，表示所对应的隐变量z_T第l个元素的条件分布的方差。