[发明专利]一种基于多任务协同跨域迁移的医学图像自动分割方法

说明书

本发明提供了一种基于多任务协同跨域迁移的医学图像自动分割方法，主要涉及利用基于多任务引导的跨域迁移网络进行无监督自动分割。该方法包括：构建语义分割网络，该网络包括特征编码分支与特征解码分支；构建重构分支，构建基于特征空间与基于预测空间的自适应对抗网络，包括基于特征空间的域判别器与基于预测空间的域判别器；最终利用重构分支引导语义分割网络提取特征，用自适应对抗网络完成跨域迁移，提高了在跨域医学图像上无监督自动分割的精度。

技术领域

本发明涉及深度学习与生物医学领域，特别是指一种基于多任务协同跨域迁移的医学图像自动分割方法。

背景技术

对医学图像精确的分割，是理解大脑神经结构与功能的必要步骤。不同的医学图像往往能够表现出不同的病理特征，利用医学图像的分割，能够更加快速有效地对病源进行诊断。例如通过对线粒体医学图像的分割，能够从对比中快速诊断出病人所患的疾病。因此，医学图像的自动分割方法是十分必要的。

目前应用最广泛的生物医学影像分割方法，是基于有监督学习的深度卷积神经网络。但这些网络均依赖于大量像素级的标注图像。然而对医学图像进行像素级别的标注，是一件耗时费力、重复性大的工作，使得获取大量的、有标签的医学图像变得异常困难。因此，在进行语义分割任务时，将在有充分标签的源域数据上训练的模型良好地泛化应用在无标签的目标域数据上，可以有效地缓解无标签数据的训练困难。

发明内容

本发明的主要目的在于对于无标注的医学图像数据集即目标域，如何利用类似但不同的有充分标注医学图像数据集即源域的训练模型，实现对目标域图像数据的语义分割，且本发明提出的方法，能够有效提高跨域模型在目标域数据上的分割效果。

本发明采用如下技术方案：

S1.在有标注的源域图像数据集上训练语义分割网络；

S11:对源域图像数据集进行预处理；

优选的，预处理可包括但不限于图像去噪、直方图均衡化等常见医学图像处理方法；

优选的，所述语义分割网络为包含编码器和解码器的全卷积网络，采用交叉熵损失函数作为优化目标函数，采用随机梯度方法作为优化器；

S12:将所述源域图像数据集划分为训练集、验证集，分别用于模型参数的优化和模型超参数的选择或调整；

S13：利用所述训练集和所述验证集训练语义分割网络模型；

S14：保存所述语义分割网络参数模型，用于预测和跨域模型迁移；

S2:在目标域图像数据集上训练基于多任务引导的跨域迁移语义分割网络；

优选的，所述多任务引导的跨域迁移语义分割网络同时使用源域图像数据集、源域图像数据集的标注和目标域图像数据集进行参数优化；

S21:对目标域图像数据集进行预处理；

优选的，预处理可包括但不限于图像去噪、直方图均衡化等常见医学图像处理方法；

S22:将所述目标域图像数据集划分为训练集与验证集；

S23:利用所述步骤S12中源域图像数据集的训练集、所述步骤S22中目标域图像数据集的训练集、目标域图像数据集的验证集训练基于多任务引导的跨域迁移网络；

S24:保存生成的跨域迁移语义分割网络的参数模型，用于目标域上的分割预测；