[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

说明书

本发明公开了一种基于小样本域自适应的医学影像分割或分类方法，根据从公开数据集下载医学影像数据和临床影像数据，以处理后的医学影像数据作为标签已知的源域训练数据集，以处理后的临床影像数据作为待分类或分割的目标域数据集，通过医生对极少量临床影像数据的标注，由卷积神经网络实现的特征提取器和分类器构建小样本域自适应模型，经过训练得到训练好的小样本域自适应模型；将待分类或分割的目标域数据集输入到分类效果最好的小样本域自适应模型中，得出目标域数据集的病灶所属分类或分割结果。本发明根据数据是否含有标签采用不同的目标函数，实现小样本域自适应模型的跨域迁移，应用于临床、病理和超声等影像数据的分类或分割。

技术领域

本发明属于医学影像分类技术领域，具体属于一种基于小样本域自适应的医学影像分割或分类方法。

背景技术

近年来，随着医学成像技术和计算机技术的不断发展和进步，医学图像分析已成为医学研究、临床疾病诊断和治疗中一个不可或缺的工具和技术手段。传统医疗图像分析最初主要通过医生详细筛查和甄别，从而做出相应的诊断，包括边缘检测、纹理特征、形态学滤波以及模板匹配等方法。但医院内每日的医学影像数据量巨大，重复性的工作使得医生可能由于过于疲乏而产生判断失误。

得益于不断提高的计算能力和持续增长的可用数据量，深度学习特别是深度卷积神经网络已经迅速发展成为医学图像分析的研究热点，医学图像分类与识别以及病灶分割是当前医学图像分析的主要应用领域。分类是临床医生需要借助医学图像来辅助诊断人体是否有病灶，并对病灶的轻重程度进行量化分级，因此自动识别图像中的病灶区域和正常组织器官是医学图像分析的基本任务。分割要识别图像中感兴趣的目标区域内部体素以及外部轮廓，它是临床手术图像导航和图像引导肿瘤放疗的关键任务。可以利用公开数据集训练模型，然后将待识别的数据输入到已训练好的模型中从而得到分类或分割结果，这与无辅助的视觉检查相比，可以有效提高诊断效率。

但是目前针对临床医学影像的分类或分割研究仍存在两个主要的挑战，一方面是获取的临床数据集有标注的数据少之又少，并且医生标注成本高，费时费力。另一方面，深度学习模型大多依赖于特定的数据集，当基于特定数据集训练的模型迁移到其他数据集时，诊断结果会有很大的偏差。对于不同的医学成像设备，由于成像原理、参数等因素的不同，对病灶具有不同的表征程度，从而无法保证诊断精度。

发明内容

为了解决现有技术中存在的问题，本发明的目的是提供一种基于小样本域自适应的医学影像分割或分类方法，实现临床医学影像数据进行分类或分割。

为实现上述目的，本发明提供如下技术方案：一种基于小样本域自适应的医学影像分割或分类方法，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。

进一步的，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。