[发明专利]一种基于无监督领域自适应的激光散斑衬比图像分割方法

权利要求书

1.一种基于无监督领域自适应的激光散斑衬比图像分割方法，其特征在于，该方法包括如下步骤：

步骤S1：获取源域数据集和目标域数据集，所述的源域数据集包括源域图像及对应的标签，所述的目标域数据集包括目标域图像，所述的目标域图像为激光散斑衬比图像；

步骤S2：构建图像转换模型和图像分割模型，所述的图像转换模型用于源域图像和目标域图像的相互转换，所述的图像分割模型用于激光散斑衬比图像的血管网络分割；

步骤S3：将源域图像和目标域图像输入到图像转换模型进行训练，并将源域图像通过训练好的图像转换模型转换到目标域生成新的目标域图像；

步骤S4：将新的目标域图像和对应的源域图像的标签输入到图像分割模型进行训练；

步骤S5：将待分割的激光散斑衬比图像输入到训练好的图像分割模型得到分割完成的血管网络。

2.根据权利要求1所述的一种基于无监督领域自适应的激光散斑衬比图像分割方法，其特征在于，所述的图像转换模型包括CycleGAN网络。

3.根据权利要求2所述的一种基于无监督领域自适应的激光散斑衬比图像分割方法，其特征在于，所述的图像转换模型一个图像生成器和一个图像判别器，所述的图像生成器将源域图像转换至目标域生成新的目标域图像，所述的图像判别器将新的目标域图像和原始的目标域图像进行比对确定转换误差。

4.根据权利要求3所述的一种基于无监督领域自适应的激光散斑衬比图像分割方法，其特征在于，所述的图像生成器包括下采样部分、深度残差网络和上采样部分，所述的下采样部分对输入图像特征进行提取，所述的上采样部分对提取的图像特征进行上采样以恢复原始图像分辨率，所述的深度残差网络用于不同层的直连和学习效率的优化。

5.根据权利要求4所述的一种基于无监督领域自适应的激光散斑衬比图像分割方法，其特征在于，所述的图像判别器为卷积神经网络。

6.根据权利要求5所述的一种基于无监督领域自适应的激光散斑衬比图像分割方法，其特征在于，图像生成器和图像判别器中采用ReLu函数作为所有卷积层的激活函数。

7.根据权利要求3所述的一种基于无监督领域自适应的激光散斑衬比图像分割方法，其特征在于，对图像转换模型训练的具体方式为：使用源域图像和目标域图像对图像生成器和图像判别器进行对抗训练，在训练过程中使用自适应矩估计作为优化器。

8.根据权利要求1所述的一种基于无监督领域自适应的激光散斑衬比图像分割方法，其特征在于，所述的图像分割模型包括U-Net网络。

9.根据权利要求8所述的一种基于无监督领域自适应的激光散斑衬比图像分割方法，其特征在于，对图像分割模型训练的具体方式为：采用ReLu函数作为图像分割模型中所有卷积层的激活函数，采图像语义分割评价指标dice系数作为损失函数，在训练过程中使用自适应矩估计作为优化器，采用丢弃算法来减少过拟合。

10.根据权利要求1所述的一种基于无监督领域自适应的激光散斑衬比图像分割方法，其特征在于，所述的图像转换模型和图像分割模型同步训练，训练过中的目标函数为：

min L＝λ₁L_GAN+λ₂L_Cycle+λ₃L_seg

其中，L为加权损失，L_GAN为图像转换模型的对抗损失，L_GAN用于衡量经图像转换模型生成的图像和转换前的原图像之间的相似性，L_Cycle为图像转换模型的一致性损失，L_Cycle用于衡量经图像转换模型生成的图像和原目标域图像之间的相似性，L_seg为图像分割模型的分割损失，L_seg用于模型同步训练，λ₁、λ₂、λ₃均为加权权重。