【技术实现步骤摘要】
本专利技术涉及一种结合特征对齐和解缠结表示的无监督域适应医学图像分割方法，属于医学图像无监督域适应分割。
技术介绍
1、在医学图像分割领域，深度学习技术取得了显著的进展，特别是在基于监督学习的图像分割任务中取得了很大成功。然而，监督学习方法的局限性在于其对大量标记数据的依赖，而这在医学图像分割领域尤其困难和昂贵。并且现有模型主要依赖于过于简单化的假设，即训练数据和测试数据服从独立同分布(independent and identicallydistributed，i.i.d)。当用于训练深度学习模型的数据分布与测试期间遇到的数据分布之间存在差异时，就会发生域转移，导致性能急剧下降。为了克服监督学习的限制，无监督域适应(uda)成为一种至关重要的解决方案。
2、无监督域适应使用来自源域的图像及其标记数据和来自目标域的未标记图像来训练模型，实现对目标域图像预测的过程。在无监督域适应医学图像分割中，有多种方法被用来解决不同域之间的分布差异，从而提高模型在目标域上的泛化能力和性能。
3、特征对齐是无监督域自适应方法的关键方法之一，其目的是将不同领域的特征空间进行映射或调整，使得不同领域的图像特征在共享的特征空间中更加接近或重叠，从而实现跨领域的知识迁移。han等人提出了一种用于医学图像分割的uda的新型深度对称架构，引入了一种双向对齐方案，通过一个共享编码器和两个私有解码器，同时对齐特征。xian等人提出了一种双重适应引导网络dag-net，在训练中结合了基于傅里叶的对比风格增强和残差空间对齐，以协作地将分割模型
4、解缠结表示方法在无监督域适应领域起着重要作用，用于学习源域和目标域之间的共享表示，从而实现跨领域的特征对齐和知识迁移。解缠结表示方法的核心思想是将数据的特征空间分解为公共部分和特定部分，使得在共享的特征空间中，不同领域的数据可以表示为共享的因子和特定领域的因子，使得跨域图像的表示能够更加接近，从而提升模型的泛化能力。wang等人提出了一种基于特征解纠缠的无监督域自适应方法，通过两部分来学习解纠特征：内容相关特征，负责分割任务和跨域不变，以及风格相关特征，阐明不同领域之间的差异。pei等人提出了一种用于跨模态图像分割的uda框架，将每个域分解为difs和dsfs，使用自注意力模块增强difs的表示，并引入零损耗来增强dsfs的特性。
5、本专利技术的主要内容可以总结为：1)提出了一种结合特征对齐和解缠结表示的语义感知正交分解无监督域适应分割框架saoduda；2)引入语义感知标准化(semantic-awarenormalization，san)和语义感知白化(semantic-aware whitening，saw)模块，实现输入特征的中心对齐和分布式对齐；3)重新设计了特征提取器dir，并重新设计了损失函数，以促进输入特征中心对齐与分布式对齐，并分解为域不变特征(domain-invariant features，difs)和域特定特征(domain-specific features，dsfs)，从而提升无监督域适应网络的性能。
技术实现思路
1、针对现有技术存在的上述缺陷，本专利技术提出了一种结合特征对齐和解缠结表示的无监督域适应医学图像分割方法。
2、本专利技术所述的结合特征对齐和解缠结表示的无监督域适应医学图像分割方法，包括如下步骤：
3、s1：提出医学图像无监督域适应分割任务，包括如下小步：
4、s11：建立基于语义感知与正交分解的域适应分割网络saoduda：resnet50作为saoduda的主干网络，deeplab网络作为saoduda的分割网络；
5、s12：引入语义感知模块：在resnet网络第一层和第二层引入san(semantic-awarenormalization)模块，san模块将输入特征转化为以类别为中心的特征，实现输入特征的中心对齐；然后在san模块后引入saw(semantic-aware whitening)模块，saw模块将经过san模块中心对齐的特征转化为分布式对齐的特征，实现对齐来自不同域的联合特征边缘分布，从而实现语义感知的中心对齐和分布式对齐；
6、s13：设计特征提取器dir：输入特征经过卷积层，bn层后使用celu(continuouslydifferentiable exponential linear unit)激活函数激活，并使用dropout随机失活，重复上述操作一次，最后经过卷积层，bn层得到提取特征；
7、s14：引入输入特征正交分解模块：经过中心对齐和分布式对齐的特征fss通过大卷积核的特征提取器dir提取输入特征中的域不变特征fssdi，特征fss与域不变特征fssdi输入到差分模块diff得到特定于域的特征fssds；为了加强域不变特征fssdi与特定于域的特征fssds的独立性，输入特征fss同时输入到小卷积核的特征提取器dir，得到另一组域不变特征fssdi与特定于域的特征fssds，计算损失优化模型；然后经过梯度反转层grl与域分类器学习域不变特征fssdi与特定于域的特征fssds；
8、s15：设计损失函数：引入两步优化策略，第一步在源域上学习分割特征fss，此时只有lognll loss参与训练，第二步在源域和目标域上学习分割特征fss，并将其分解为域不变特征fssdi与域特定特征fssds，此时lognll loss，orthogonal loss，saw loss，dicebce loss全部参与训练；本专利技术重新设计的损失函数定义如下：
9、
10、ldb＝α·ldice+(1-α)·lbce (4)
11、
12、lst＝ls+lt (7)
13、其中，ldice为dice loss，lbce为bce loss，c为域分类器，依次为第一个和第二个saw模块生成损失的均值，l⊥1,l⊥2分别为经过第一个和第二个特征提取器dir生成fssdi,fssds计算的损失，ls为在源域计算的损失，lt为在目标域计算的损失，lst为本文的总损失，α,β,χ为参数，在本专利技术中分别取值0.9，0.4，0.9；
14、s2：建立数据集进行模型评估，包括如下小步：
15、s21：评价指标的选用：选取dsc(dice similarity coefficient)，assd(averagesurface distance)，hd(hausdorffdistance)，sensitivity，specificity，jaccard作为本专利技术的评价指标，其中：
16、
17、assd(x,y)＝{asd(x,y)+asd(y,x)}/2 (10)
18、
19、式中：tp为恰当划分到前景区域的像素数；
20、tn表示被正确划分为背景区域的像素数；
本文档来自技高网...【技术保护点】
1.一种结合特征对齐和解缠结表示的无监督域适应医学图像分割方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的医学图像无监督域适应分割方法，其特征在于，所述步骤S11中，输入为源域的图像及标签，以及目标域的图像；输入图像经过ResNet第一层，SAN和SAW模块以及ResNet第二层，SAN和SAW模块后得到中心对齐和分布式对齐的特征；然后经过两次下采样后以次输入到特征提取器，差分模块，梯度反转层，域分类器得到DIFs(Domain-Invariant Features)和DSFs(Domain-Specific Features)，最后，输入特征经过DeepLabHead得到分割结果。
3.根据权利要求1所述的医学图像无监督域适应分割方法，其特征在于，所述步骤S12中，将中间小批量特征输入到SAN，特征经过分类器生成分割掩模来突出显示前景区域，同时抑制背景区域；针对医学图像的特殊性，本专利技术取消了SAN模块原本在训练过程中输入真实分割掩模优化模型的策略，在训练过程中采用两步优化策略，以更有效地学习分割表示的中心对齐特征；SAN中归一化后的特征送入
4.根据权利要求1所述的医学图像无监督域适应分割方法，其特征在于，所述步骤S13中，由于ReLU(Rectified Linear Unit)在零点处不可导，并将所有负值置零，但CELU(Continuously Differentiable Exponential Linear Unit)是一个连续可微的激活函数，并对负值部分进行了平滑处理，使用CELU激活函数代替ReLU激活函数，以更稳定地进行梯度优化和保留更多的信息和梯度信号。
5.根据权利要求1所述的医学图像无监督域适应分割方法，其特征在于，所述步骤S14中，大卷积核可以捕捉更大范围的特征，因此可以更好地理解输入图像或特征图中的空间信息，但是会丢失一些细节信息；引入小卷积核能更细致地捕捉局部特征，对细节信息有更敏感的响应，优化对特征的提取。
...【技术特征摘要】
1.一种结合特征对齐和解缠结表示的无监督域适应医学图像分割方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的医学图像无监督域适应分割方法，其特征在于，所述步骤s11中，输入为源域的图像及标签，以及目标域的图像；输入图像经过resnet第一层，san和saw模块以及resnet第二层，san和saw模块后得到中心对齐和分布式对齐的特征；然后经过两次下采样后以次输入到特征提取器，差分模块，梯度反转层，域分类器得到difs(domain-invariant features)和dsfs(domain-specific features)，最后，输入特征经过deeplabhead得到分割结果。
3.根据权利要求1所述的医学图像无监督域适应分割方法，其特征在于，所述步骤s12中，将中间小批量特征输入到san，特征经过分类器生成分割掩模来突出显示前景区域，同时抑制背景区域；针对医学图像的特殊性，本发明取消了san模块原本在训练过程中输入真实分割掩模优化模型的策略，在训练...
【专利技术属性】
技术研发人员：王明甲，李克凡，张在先，刘顺利，陈爽，万可奕，赵波，秦浩华，冯宇平，杨华强，
申请(专利权)人：青岛科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。