[发明专利]一种腹部CT图像的分割方法

权利要求书

1.一种腹部CT图像的分割方法，其特征在于，包括以下步骤：

步骤S1:构建脏器图像分割模型并利用源域数据进行预训练；

步骤S2:将源域数据与目标域数据输入到脏器分割模型中，获得源域数据和目标域数据的预测结果；

步骤S3:根据源域数据的到的预测结果，获得分割的损失，并根据分割的损失训练脏器图像分割模型；

步骤S4:将脏器图像分割模型的预测结果作为判别模型的输入，获得分类损失，训练判别模型，并通过梯度反转层反向传播到脏器图像分割模型中；

步骤S5:最大化分割损失和最小化分类损失，形成对抗损失，并将对抗损失用于训练脏器分割模型与判别模型，形成一个域适应下的脏器图像分割模型；

所述的脏器图像分割模型由UNet网络结合ResNet34网络构成，将UNet网络分为左侧部分和右侧部分，所诉的左侧部分为Encode过程使用ResNet34网络用来提取图像特征；右侧部分为Decode过程，使用上采样获得域结果；

所述判别模型实现二分类功能，区分所诉的预测结果来自源域数据还是目标域数据；所述步骤S5具体为：

步骤S51:利用源域数据训练分割模型计算分割损失，最大化分割损失；利用源域数据与目标域数据进行训练判别模型计算分类损失，最小化分类损失，形成对抗损失;

步骤S52:将对抗损失用于训练脏器分割模型与判别模型，形成一个域适应下的脏器图像分割模型。

2.根据权利要求1所述的一种腹部CT图像的分割方法，其特征在于：所述的源域数据为具有完备标注的公开数据集，所述目标域数据集无完备标注的公开数据集。

3.根据权利要求1所述的一种腹部CT图像的分割方法，其特征在于：所述脏器图像分割模型的模型构建具体如下：

第一层为输入层，输入图像，输入大小为；

第二层为Encode层，是一个卷积层，输入通道为3，输出为64，核大小为（7，7，7），步长为2，正则化函数为BN函数，激活函数为ReLU函数；

第三层为池化层，使用最大池化层，核大小为（3，3，3），步长为2；

第四层为Encode层，是Sequential模型;由3个BasicBlock组成，每个BasicBlock为2个输入、输出通道为64，核大小为（3，3，3），步长为1的卷积层，正则化函数为BN函数，激活函数为ReLU函数；

第五层为Encode层，是Sequential模型；由4个BasicBlock组成，其中第一个BasicBlock的第一层卷积层为输入为64，输出为128，核大小为（3，3，3），步长为2，正则化函数为BN函数，激活函数为ReLU函数；第二层卷积层输入为128，输出为128，核大小为（3，3，3），步长为1，正则化函数为BN函数；第三层为下采样层，输入为64，输出为128，核大小（1，1，1），步长为2的卷积层，正则化函数为BN函数;其余3个BasicBlock，每个BasicBlock为2个输入、输出为128，核大小为（3，3，3），步长为1的卷积层，正则化函数为BN函数，激活函数为ReLU函数；

第六层为Encode层，是Sequential模型；由6个BasicBlock组成，其中第一个BasicBlock的第一层卷积层为输入为128，输出为256，核大小为（3，3，3），步长为2，正则化函数为BN函数，激活函数为ReLU函数；第二层卷积层输入、输出为256，核大小为（3，3，3），步长为1，正则化函数为BN函数；第三层为下采样层，输入为128，输出为256，核大小（1，1，1），步长为2的卷积层，正则化函数为BN函数;其余5个BasicBlock，每个BasicBlock为2个输入、输出为256，核大小为（3，3，3），步长为1的卷积层，正则化函数为BN函数，激活函数为ReLU函数；

第七层为Encode层，是Sequential模型;由3个BasicBlock组成，其中第一个BasicBlock的第一层卷积层为输入为265，输出为512，核大小为（3，3，3），步长为2，正则化函数为BN函数，激活函数为ReLU函数；第二层卷积层输入、输出为512，核大小为（3，3，3），步长为1，正则化函数为BN函数；第三层为下采样层，输入为256，输出为512，核大小（1，1，1），步长为2的卷积层，正则化函数为BN函数，其余2个BasicBlock，每个BasicBlock为2个输入、输出为512，核大小为（3，3，3），步长为1的卷积层，正则化函数为BN函数，激活函数为ReLU函数；

第八层为Decode层，是Sequential模型;第一层为upsample层，尺度因子为2，上采样算法为bilinear；第二层是卷积层，对第七层做输入为512，输出为256，核大小为（3，3，3），步长为1的卷积操作；第三层为concat层，将所诉前两层结果进行按列拼接；第四层为卷积层，输入为256+512，输出为256，核大小为（3，3，3），步长为1；

第九层为Decode层，是Sequential模型；第一层为upsample层，尺度因子为2，上采样算法为bilinear；第二层是卷积层，对第六层做输入为256，输出为128，核大小为（3，3，3），步长为1的卷积操作；第三层为concat层，将所诉前两层结果进行按列拼接；第四层为卷积层，输入为128+256，输出为128，核大小为（3，3，3），步长为1；

第十层为Decode层，是Sequential模型；第一层为upsample层，尺度因子为2，上采样算法为bilinear；第二层是卷积层，对第五层做输入为128，输出为64，核大小为（3，3，3），步长为1的卷积操作；第三层为concat层，将所诉前两层结果进行按列拼接；第四层为卷积层，输入为64+128，输出为64，核大小为（3，3，3），步长为1；

第十一层为Decode层，是Sequential模型；第一层为upsample层，尺度因子为2，上采样算法为bilinear；第二层是卷积层，对第四层做输入为64，输出为64，核大小为（3，3，3），步长为1的卷积操作；第三层为concat层，将所诉前两层结果进行按列拼接；第四层为卷积层，输入为64+64，输出为64，核大小为（3，3，3），步长为1；

第十二层为输出层，是Sequential模型；第一层为卷积层，输入为64，输出为512，核大小为（3，3，3），步长为2，正则化函数为BN函数，激活函数为ReLU函数，Dropout率为0.1；第二层为卷积层，输入为512，输出为2，即输出类别为两类，核大小为（1，1，1），获得不同脏器分割区域结果。