买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：苏州大学

摘要：本发明提供一种基于特征重构的无监督域自适应OCT图像分割方法及系统，涉及图像分割技术领域。该方法包括采集不同OCT图像构建数据集，将数据集划分为源域图像数据和目标域图像数据；对所述源域图像和所述目标域图像进行预处理；构建基于特征重构与双向选择机制的端到端OCT分割无监督域自适应网络模型，并将预处理后的源域图像和目标域图像输入到网络中进行训练，得到训练好的基于特征重构与双向选择机制的端到端OCT分割无监督域自适应网络模型；将待分割图像输入到训练好的基于特征重构与双向选择机制的端到端OCT分割无监督域自适应网络模型中，得到分割结果。本发明可有效提升跨域视网膜OCT图像分割的性能。

主权项：1.一种基于特征重构的无监督域自适应OCT图像分割方法，其特征在于，包括：S1：采集不同OCT图像构建数据集，将数据集划分为源域图像数据和目标域图像数据；S2：对所述源域图像和所述目标域图像进行预处理；S3：构建基于特征重构与双向选择机制的端到端OCT分割无监督域自适应网络模型，并将预处理后的源域图像和目标域图像输入到网络模型中进行训练，得到训练好的基于特征重构与双向选择机制的端到端OCT分割无监督域自适应网络模型；所述基于特征重构与双向选择机制的端到端OCT分割无监督域自适应网络模型采用U形网络结构，包括分割器模块和特征重构模块；所述分割器模块由编码器与解码器组成，所述编码器用于分别对带标注的源域图像和无标注的目标域图像进行特征提取，并通过所述解码器对特征进行恢复以获得图像的分割结果；所述特征重构模块添加在解码器部分的次顶层，所述特征重构模块用于对输入的源域与目标域特征进行重构，在保留各自原有域自信息的基础上，融入域间的类别互信息；所述编码器包含4层，每层由卷积核、批归一化操作以及Relu激活函数构成，在编码器每一层后使用最大池化对图像进行一次下采样，在增大感受野的同时降低图像的分辨率，所述编码器共下采样4次，特征图输出通道数分别为64、128、256、512；所述解码器包括4层，每层由卷积核、反卷积构成，解码器的每一层都会对上一层特征进行上采样，并将上采样的深层特征图和跳跃连接的浅层特征图进行拼接，得到该层的输出特征图；所述特征重构模块的结构为：特征重构模块的输入分别为解码器次顶层的源域特征fs∈RC×H×W与目标域特征ft∈RC×H×W，其中C、H和W分别代表特征图的通道数、高度和宽度；首先，将源域特征fs与目标域特征ft分别经过σ·函数得到源域图像与目标域图像的粗分割结果与对各自域的粗分割结果和特征进行宽度与高度维度的合并，得到重塑后的源域粗分割结果ps∈RM×HW、目标域粗分割结果pt∈RM×HW、源域特征fs∈RC×HW和目标域特征ft∈RC×HW，其中，σ·函数由1×1卷积与Sigmoid激活函数构成，M代表分割的类别数；接着，将重塑后的源域和目标域的粗分割结果ps和pt分别与各自重塑后的特征fs和ft相乘，即对每个批次的图像属于同类的像素点概率求和取平均作为该类别像素点的类别原型，分别得到源域的类别原型Ks∈RM×C以及目标域的类别原型Kt∈RM×C；然后，为了提升模型的分割性能，将源域的原始特征fs与本域的类别原型Ks相融合，得到代表源域的自信息特征fs′；同样的，将目标域的原始特征ft与本域的类别原型Kt相融合，得到代表目标域的自信息特征ft′；为了对齐域间的特征分布，将源域的类别原型Ks与目标域的原始特征ft相乘得到融入了跨域类别信息的目标域互信息特征ft″，与目标域操作一致，源域的互信息特征fs″由目标域的类别原型Kt和源域的原始特征fs相乘获得；最后，为了能够在提升网络分割性能的同时提升模型对于跨域数据的泛化能力，将源域原始特征fs、自信息特征fs′和互信息特征fs″进行通道维度上的拼接，并将拼接后的结果经过1×1卷积对通道维度进行降维得到最终的重构特征fres；同样的，对目标域的原始特征ft、自信息特征ft′和互信息特征ft″进行相同的操作得到目标域的重构特征fret；S4：将待分割图像输入到训练好的基于特征重构与双向选择机制的端到端OCT分割无监督域自适应网络模型中，得到分割结果。

全文数据：

权利要求：

百度查询： 苏州大学 基于特征重构的无监督域自适应OCT图像分割方法及系统