[发明专利]基于对抗学习的肺结节域适应分割方法、装置及存储介质

说明书

本发明涉及基于对抗学习的肺结节域适应分割方法、装置及存储介质，属于图像分割技术领域，该方法对目标域网络模型进行了两次训练，第一训练采用的数据源是未标注肺结节的图像数据集，利用对抗训练的方式，基于Wasserstein距离对源域分割网络模型和目标域分割网络模型中的高级特征进行对齐；第二次训练采用的数据源是已标注肺结节的图像数据集，含有少量的肺结节图像，利用这部分图像，在第一次训练的基础之上，再对目标域分割网络模型进行辅助训练；经过两次训练，得到了精确的肺结节分割模型，能够实现待分割图像的精确分割，可靠性高，效果好。

技术领域

本发明属于图像分割技术领域，具体涉及基于对抗学习的肺结节域适应分割方法、装置及存储介质。

背景技术

肺癌是全世界发病率和死亡率最高的恶行肿瘤之一，因此，及时进行肺癌的早期诊断和筛查，对保证患者的生命健康至关重要。肺结节是肺癌的早期表现形式，在肺癌的诊断中，需要医学影像科医生通过精确的肺结节数据进行判断。在肺部的CT图像上，肺结节通常多表现为直径小于3cm的局部病灶性以及类圆形的肺部阴影，病灶较小，需要根据医生的经验，对CT图像上的肺结节进行诊断，费时费力。

现有技术中，可以采用基于生成对抗网络实现目标域图像的无监督分割方法，实现CT图像上肺结节图像的分割，如图1所示，但是，该方法存在以下不足：

一，该无监督分割方法只能学习到两个域(源域和目标域)中相似的特征，在两个域相差较大时，如采集的图像亮度差异，分辨率差异以及采集设备差异等，训练完成的分割网络模型对目标域中特定特征的提取能力较弱，图像分割效果较差，分割精度较低。

二，生成对抗网络需要生成器和鉴别器达到纳什平衡，在训练过程中会出现训练不稳定的问题，导致肺结节图像的分割精确降低。

发明内容

本发明的目的是提供一种基于对抗学习的肺结节域适应分割方法，用于解决现有方法的肺结节图像分割效果差的问题；本发明提出一种基于对抗学习的肺结节域适应分割装置，以解决现有方法的肺结节图像分割效果差的问题；同时，本发明还提出了一种计算机可读存储介质，用于解决上述问题。

基于上述目的，一种基于对抗学习的肺结节域适应分割方法的技术方案如下：

获取待分割图像，将该待分割图像输入肺结节分割模型中，得到分割后的肺结节图像；所述肺结节分割模型的确定步骤如下：

(1)获取肺结节图像的公共数据集，作为源域数据集，利用该源域数据集训练源域分割网络模型，训练完成后得到源域分割网络模型的参数；

(2)获取未标注肺结节的图像数据集，作为目标域数据集，将该目标域数据集输入至预设的目标域分割网络模型，将所述目标域数据集输入至源域分割网络模型，利用对抗训练的方式，基于Wasserstein距离对源域分割网络模型和目标域分割网络模型中的高级特征进行对齐，确定目标域分割网络模型中的参数；所述高级特征包括结构特征和空间特征；

(3)获取已标注肺结节的图像数据集，利用该图像数据集对目标域分割网络模型进行辅助训练，更新目标域分割网络模型中的参数，得到肺结节分割模型。

一种基于对抗学习的肺结节域适应分割装置的技术方案如下：

包括存储器和处理器，以及存储在所述存储器上并在所述处理器上运行的计算机程序，所述处理器与所述存储器相耦合，所述处理器执行所述计算机程序时实现上述的肺结节域适应分割方法。

上述两个技术方案的有益效果是：