[发明专利]一种基于小样本域自适应的医学影像分割或分类方法

权利要求书

1.一种基于小样本域自适应的医学影像分割或分类方法，其特征在于，具体步骤如下：

S1，获取具有分类或分割标注的医学影像数据，对得到的医学影像数据进行处理得到标签已知的源域训练数据集；

S2，获取待分类或分割的临床影像数据，对得到的临床影像数据进行处理得到目标域数据集，目标域数据集包括标签已知的训练集、验证集和测试集和标签未知的训练集；

S3，构建小样本域自适应模型，所述小样本域自适应模型包括由卷积神经网络实现的特征提取器和分类器，将步骤S1的标签已知的源域训练数据集和步骤S2的标签已知的训练集及标签未知的训练集输入小样本域自适应模型中训练至模型收敛，得到训练完成的小样本域自适应模型；

S4，调整训练完成的小样本域自适应模型的超参数，重复步骤S3得到多个小样本域自适应模型，选取在验证集上分类或分割效果最好的小样本域自适应模型；

S5，将步骤S2中目标域数据集的测试集输入步骤S4中得到的小样本域自适应模型中，小样本域自适应模型输出临床影像数据的病灶所属分类或分割结果。

2.根据权利要求1所述的一种基于小样本域自适应的医学影像分割或分类方法，其特征在于，步骤S1中，对医学影像数据进行数据增强并调整医学影像数据的尺寸使其符合小样本域自适应模型的网络输入标准，得到源域训练数据集。

3.根据权利要求1所述的一种基于小样本域自适应的医学影像分割或分类方法，其特征在于，步骤S2中，调整临床影像数据的尺寸使其符合小样本域自适应模型的网络输入标准，得到目标域数据集。

4.根据权利要求3所述的一种基于小样本域自适应的医学影像分割或分类方法，其特征在于，所述目标域数据集中训练集、验证集和测试集数据量比例为8:1:1。

5.根据权利要求1所述的一种基于小样本域自适应的医学影像分割或分类方法，其特征在于，步骤S3中，以经典的深度卷积神经网络为基础构建小样本域自适应模型，深度卷积神经网络包括ResNet、Inception和DenseNet。

6.根据权利要求1所述的一种基于小样本域自适应的医学影像分割或分类方法，其特征在于，步骤S3中，所述特征提取器由移除最后一个或几个线性层的深度卷积神经网络构建，所述分类器包括n-way线性分类层和Softmax层。

7.根据权利要求6所述的一种基于小样本域自适应的医学影像分割或分类方法，其特征在于，对于源域训练数据集和标签已知的训练集采用最大相关熵函数作为目标函数，训练特征提取器和分类器；标签未知的训练集采用最大最小化条件熵目标函数，训练特征提取器和分类器。

8.根据权利要求1所述的一种基于小样本域自适应的医学影像分割或分类方法，其特征在于，步骤S3中，采用反向传播算法和随机梯度下降法不断更新迭代，直至小样本域自适应模型收敛。

9.根据权利要求1所述的一种基于小样本域自适应的医学影像分割或分类方法，其特征在于，所述小样本域自适应模型的输出层为Softmax层，所述Softmax层输出临床影像所属分类或分割结果。

10.根据权利要求1所述的一种基于小样本域自适应的医学影像分割或分类方法，其特征在于，应用分割或分类方法的装置包括：

获取模块，用于获取标签已知的源域训练数据集和目标域数据集，其中目标域数据集包括标签已知的训练集、验证集和测试集和标签未知的训练集；

训练模块，用于将标签已知的源域训练数据集、标签已知的训练集及标签未知的训练集训练小样本自适应模型，得到训练完成的小样本域自适应模型；

验证模块，用于验证训练完成的小样本域自适应模型，得到分类或分割效果最好的小样本域自适应模型；

分类或分割模块，用于将测试集进行分割或分类，得到分割或分类结果。