科创中国
一种基于领域自适应的多域医学图像分割方法
成果类型：: 发明专利
发布时间: 2023-11-09 16:42:20
科技成果产业化落地方案
方案提交机构：天津市滨海新区| 宋学姮 | 2023-11-22 12:01:34
本发明公开了一种基于领域自适应的多域医学图像分割方法。该方法包括：以设定的损失函数为目标训练变分自编码器，以提取不同域的隐空间编码和对应域的风格向量，其中，该变分自编码器包括编码器和解码器；对于待处理图像，利用所述变分自编码器推断域信息并提取域风格向量，将图像的隐空间编码减去相应域的风格向量，获得去风格化的隐空间编码；将所述去风格化的隐空间编码输入至所述解码器，重建出统一风格的图像；将所述统一风格的图像输入到经训练的分割网络，获得分割结果。本发明消除了多域数据之间的域鸿沟，并增加了训练分割网络的数据量，提升了图像分割精度。
1.一种基于领域自适应的多域医学图像分割方法，包括以下步骤：
步骤S1：以设定的损失函数为目标训练变分自编码器，以提取不同域的隐空间编码和对应域的风格向量，其中，该变分自编码器包括编码器和解码器；
步骤S2：对于待处理图像，利用所述变分自编码器推断域信息并提取域风格向量，将图像的隐空间编码减去相应域的风格向量，获得去风格化的隐空间编码；
步骤S3：将所述去风格化的隐空间编码输入至所述解码器，重建出统一风格的图像；
步骤S4：将所述统一风格的图像输入到经训练的分割网络，获得分割结果。
数据收集： 收集来自不同医学领域的图像数据，确保涵盖多个数据域，例如不同设备、不同分辨率、不同病例类型等。
特征提取： 提取医学图像中的特征，可以使用卷积神经网络（CNN）等深度学习方法，以捕获图像中的结构和纹理信息。
领域自适应： 引入领域自适应技术，通过训练模型以适应目标领域的特定特征分布，减小不同领域之间的分布差异。可能采用对抗训练、领域对抗神经网络（DANN）等方法。
多域融合： 将来自多个域的信息进行融合，使模型能够综合各种领域的特征，提高模型的泛化性能。
分割网络设计： 构建医学图像分割网络，可以使用U-Net、DeepLab等结构，确保网络能够准确地将图像分割成感兴趣的区域，如病变区域、器官等。
训练和优化： 使用多域数据集对分割网络进行训练，并通过反向传播算法进行优化，以提高模型在目标领域上的性能。
性能评估： 对模型在目标领域上的性能进行评估，可以使用各种指标如Dice系数、准确率等来衡量分割结果的准确性。
中国科学院深圳先进技术研究院提升了粤港地区及我国先进制造业和现代服务业的自主创新能力，推动我国自主知识产权新工业的建立，成为国际一流的工业研究院。 深圳先进院目前已初步构建了以科研为主的集科研、教育、产业、资本为一体的微型协同创新生AC态系统，由九个研究平台，国科大深圳先进技术学院，多个特色产业育成基地、多支产业发展基金、多个具有独立法人资质的新型专业科研机构等组成。开展先进技术研究，促进科技发展。信息、电子、通讯技术研究新材料、新能源技术研究高性能计算、自动化、精密机械研究生物医学与医疗仪器研究相关学历教育、博士后培养与学术交流。
领域自适应（Domain Adaptation）： 通过调整模型以适应不同领域的特征分布，以提高模型的泛化性能。
多域学习（Multi-domain Learning）： 关注在多个领域上学习并共享知识，以提高在新领域上的性能。
对抗训练（Adversarial Training）： 通过引入对抗网络，使模型更好地适应目标领域而不受其他领域的影响。
深度学习网络结构： 如U-Net、DeepLab等，用于图像分割任务的深度学习网络结构。
技术转让
基于领域自适应的多域医学图像分割方法旨在提高模型在不同医学图像数据集上的泛化能力，使其适用于不同的医学领域和数据来源。这种方法旨在克服医学图像分割中由于数据多样性导致的挑战，提高模型的鲁棒性和泛化性能，使其在实际医学应用中更加可靠。
下载app