[发明专利]面向多种CT肺部纹理识别的非监督保内容域适应方法

说明书

本发明公开了一种面向多种CT肺部纹理识别的非监督保内容域适应方法，属于图像处理和计算机视觉领域。该方法能使在一种CT数据上(源域上)事先训练的肺部纹理识别的深层网络模型，在应用到另一种CT图像上(目标域上)时，在仅获得目标域的CT图像并无需人工标注典型肺部阴影的前提下，运用对抗学习机制和特殊设计的内容一致性网络模块，就可以对深层网络模型进行微调，使目标域上的肺部纹理识别保持较高性能。此方法不仅能节省开发的人力和时间成本，而且易于实现并具有较高的实用性。

技术领域

本发明属于医学图像处理和计算机视觉领域，具体涉及到一种面向多种CT肺部纹理识别的非监督保内容域适应方法。

背景技术

弥漫性肺疾患是指肺部区域内由于炎症或损伤等因素造成的肺间质异常纹理的总称。弥漫性肺疾患计算机辅助诊断(Computer-Aided Diagnosis，CAD)系统可辅助放射科医生对弥漫性肺疾患进行诊断，其中CT图像弥漫性肺疾患纹理的准确识别是构建该CAD系统的关键步骤。目前已有基于深层卷积神经网络的方法被发明，应用于弥漫性肺疾患纹理识别，并得到较好结果。

然而，由于医疗数据的难以获取，在基于深层网络的算法研发时，通常只收集一种CT图像数据，并在此数据上进行算法的设计和验证。在算法研发阶段，研制的深层网络模型，仅能在相同种类CT图像数据上得到较好的识别结果；在实际应用阶段，直接将此模型应用于不同种类CT图像数据上时，肺部阴影的识别精度会大大降低。这是因为不同种类CT图像在噪声、成像等方面存在不同，这导致仅针对一种CT数据设计和的网络模型，在其他种类CT数据上直接应用时，存在网络模型的泛化性不足的问题。

针对这一问题，虽然可通过采集不同种类CT图像数据，并将其混合共同对网络模型进行训练的方式，提高网络模型对不同种类CT图像数据的泛化性(Yongjun Chang,Jonghyuck Lim and et al.,“A support vector machine classifier reducesinterscanner variation in the hrct classification of regional disease patternin diffuse lung diseases:comparison to a Bayesian classifier,”MedicalPhysics,vol.40,no.5,pp.051912,2013.)。但是，这种方式不仅需要收集其他不同种类CT图像数据，还需要对这些新的CT图像中的典型肺部阴影区域进行繁琐和费事人工标注。因此，需要一种更加方便、有效的技术，解决不同种类CT数据的深层网络模型泛化性问题。

发明内容

本发明旨在克服现有技术的不足，提供了一种面向多种CT肺部纹理识别的非监督保内容域适应方法。该方法能使在一种CT数据上(源域上)事先训练的深层网络模型，包含CT图像和典型肺部阴影区域的人工标注，在应用到另一种CT图像上(目标域上)时，在仅获得目标域的CT图像并无需人工标注典型肺部阴影的前提下，运用对抗学习机制和特殊设计的内容一致性网络模块，就可以对深层网络模型进行微调，使目标域上的肺部纹理识别保持较高性能。

本发明的具体技术方案为，一种面向多种CT肺部纹理识别的非监督保内容域适应方法，包括下列步骤：

1)训练和测试数据准备：采集了两组不同种类的CT图像，并利用人工方式在这两组CT图像上标注典型肺部纹理区域。此后，随机指定一组图像为源域数据，另一组图像为目标域数据。源域上的CT图像和人工标注的肺部纹理区域，将处理成带标签(纹理类别)的CT小块，用于在源域上监督训练深层网络模型。目标域的数据，将处理成带标签和不带标签的CT小块，其中不带标签的CT小块，用于非监督方式对预先训练深层网络模型进行微调，带标签的CT小块用于测试本发明所提技术方案的最终结果；