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：中国矿业大学;徐州市第一人民医院

摘要：本发明公开了一种基于对抗性域适应的低质量眼底彩照智能分割方法，首先进行数据采集和预处理；然后构建生成对抗网络，包括生成器和判别器，用于样本间的映射和真实性判别，对抗训练包括多种损失函数的优化；然后构造UNet分割模型，并进行预训练和微调，最终实现高精度的眼底图像分割。本基于对抗性域适应的低质量眼底彩照智能分割方法结合对抗性域适应和深度学习分割技术，不仅可提高模型在处理不同质量图像上的适应性和鲁棒性，而且可提升分割的准确性和效率，在实际应用中，即使是来自质量较低的成像设备的图像，也能被准确分割，从而可以为眼科医生提供更可靠的诊断信息。

主权项：1.一种基于对抗性域适应的低质量眼底彩照智能分割方法，其特征在于，具体包括以下步骤：Step1，通过图像预处理模块对输入的眼底图像进行预处理；Step2，将来自于数据源X的数据分布表示为x～pdatax，用表示数据源X的训练样本，将来自于数据源Y的数据分布表示为y～pdatay，用表示数据源Y的训练样本，构建生成对抗网络；具体过程如下：S2-1：构建生成器G和F，生成器G的目标是将域X的图片经过映射到域Y，生成器F的目标是将域Y的图片经过映射到域X；S2-2：构建判别器DX和DY，其中DX用于判别图像{x}和域生成图像{Fy}，区分图片来自于生成器F生成的图片还是来自于原始域X的图片；DY用于判别图像{y}和域生成图像{Gx}，区分图片来自于生成器G生成的图片还是来自于原始域Y的图片；Step3，进行对抗训练，获得最终对抗训练的损失函数；具体过程如下：S3-1，对于映射生成器G，及其判别器DY，构造损失如下： 其中，G用以生成与Y域相似的图像Gx；DY用于区分生成样本Gx和真实样本Y；x表示来源于域X的样本；y表示来源于域Y的样本；S3-2，对于映射生成器F，及其判别器DX，构造损失如下： 其中，F用以生成与X域相似的图像Fy；DX用于区分生成样本Fy和真实样本x；x表示来源于域X的样本；y表示来源于域Y的样本；S3-3，构造联合一致损失： 其中，G,F表示两个生成器；x表示来源于域X的样本；y表示来源于域Y的样本；||·||1表示L1范数；S3-4，最终对抗训练的损失函数为：LG,F,DX,DY＝LGG,DY,X,Y+LGF,DX,Y,X+λLCG,F其中，λ为用来控制联合一致损失重要性的超参数；则，对抗训练最终目标为： 其中，G,F表示初始的两个生成器；DX用于判别图像{x}和域生成图像{Fy}；DY用于判别图像{y}和域生成图像{Gx}，G*,F*表示最终得到的两个生成器；Step4，构建UNet分割模型、并进行分割训练；具体过程如下：S4-1，构建UNet分割模型，分割模型记为h·,ω，其中ω为分割模型的权重；S4-2，构建交叉熵损失函数：Lhx,y＝-yloghx,ω其中，x表示源自于域X的原始图片；y表示x对应的分割真值图片；S4-3，分割训练：将源自于域X的图片送入Unet进行预训练；Step5，联合微调，获得最终分割损失函数；具体过程如下：S5-1，将源自于域X送入生成器G，得到Gx，将Gx送入UNet进行分割，最终得到分割结果hGx,ω；S5-2，定义交叉熵损失：LhGx,y＝-yloghGx,ω其中，x表示源自于域X的原始图片；G用以生成与Y域相似的图像Gx；y表示x对应的分割真值图片；S5-3，定义组合损失函数：Ltotal＝LG,F,DX,DY+αLhGx,y＝LGG,DY,X,Y+LGF,DX,Y,X+λLCG,F-αyloghGx,ω其中，LG,F,DX,DY表示对抗训练损失，其中包含对抗性损失和联合一致性损失；LhGx,y为分割模型的交叉熵损失；α为超参数用来控制Unet分割损失的权重；Step6，投入使用，医生首先对来自于便携式眼底彩照设备进行整体识别，可以获得整个眼底图像识别的结果，然后医生可以对识别的结果有问题的小区域进行手动标识和重绘，修正后的图片直接送入UNet部分进行重新学习微调。

全文数据：

权利要求：

百度查询： 中国矿业大学 徐州市第一人民医院 一种基于对抗性域适应的低质量眼底彩照智能分割方法