[发明专利]一种基于距离对抗生成网络的领域自适应方法及系统

说明书

本发明公开了一种基于距离对抗生成网络的领域自适应方法及系统，本发明方法包括获取目标域的医学图像xsubgt;T/subgt;；将目标域的医学图像xsubgt;T/subgt;输入预先训练好的距离对抗生成网络，通过距离对抗生成网络中的目标域转换器Gsubgt;T/subgt;将目标域的医学图像xsubgt;T/subgt;投影成中间表示msubgt;T/subgt;；通过距离对抗生成网络中的分割器Seg对中间表示msubgt;T/subgt;进行分割得到分割图lsubgt;T,f/subgt;；将得到的分割图lsubgt;T,f/subgt;作为目标域的医学图像xsubgt;T/subgt;的目标域分割标签输出。本发明能够解决不同医学图像模态的域自适应问题，使得在任意模态训练完成的数据集可以很好地运用在其他模态上，从而极大地提高医学图像处理模型的泛化能力，减轻图像处理模型对数据集的模态依赖。

技术领域

本发明涉及医学图像处理技术，具体涉及一种基于距离对抗生成网络的领域自适应方法及系统。

背景技术

先进的深度卷积神经网络(CNN)在包括语义分割在内的许多识别任务中实现了重大飞跃。但是，这些成功的模型大都依赖于大规模带注释的数据集，当目标数据集的标签较少时，模型强大的效果很难再现。在现实情况下，收集数据和为数据做标记的成本往往很高，如医学图像的分割标签需要有经验的医生花费大量的时间对一个个像素点进行标记，这导致目前许多公开的数据集标签少或是没有。当我们将训练好的有监督深度学习模型应用到缺乏大量标签的目标数据集中时，由于训练数据集与目标数据集在分布上存在差异，有监督深度学习模型很难发挥出它原有的效果；其次，因为缺乏标签，对设计好的有监督模型进行重新训练和再训练也不现实。为提高模型的泛化能力，使得在具有大量标签的数据集下训练好的模型能在缺乏标签的数据集上表现良好，一些研究提出了域适应(domainadaption)的方法来减少源数据集和目标数据集之间的分布差异。

域适应学习理论最早应用于自然语言处理。早期常见的域适应方法包括基于实例(instance-based)的域适应、基于特征表示(feature representation)的域适应、基于分类器(classifier-based)的域适应。基于实例的适应主要是通过对源域中的样本进行加权采样，使得模型在目标域上的训练误差最小，实现源域分布到目标域分布的转换。基于特征表示的域适应主要是通过将源域和目标域投影到域不变(domain-invariant)空间当中去，在该空间中，源域的投影特征的分布与目标域上的一致，在源域特征表现优秀的模型，在目标域特征上也能达到同样的效果；也有的研究使用格拉斯曼流行，通过整合无数个表征从源域到目标域的几何和统计属性的变化的子空间来模拟域移位(domain-shift)。基于分类器的域适应主要是通过直接学习目标分类器。

随着深度学习的发展，一些研究直接通过神经网络学习域不变特征，也有的研究通过域转换网络将目标域映射到源域，以此实现对目标域的测试。自2014年生成对抗网络GAN(Generative Adversarial Network)被提出以来，有许多研究使用对抗性损失来代替传统的最大平均差异MMD(Maximum Mean Discrepancy)，通过优化域分类器的对抗目标函数来最小化近似域差异距离，并取得了优秀的结果。

最近有的研究提出Distance GAN用于解决域适应的问题，不同于Distance GAN关注于同一域不同样本间的距离约束，针对医学的3D图像，我们主要关注同一样本不同切片间的距离以及不同域样本间的距离。对同一样本不同切片间的距离约束，能确保我们的模型在转换过程中保留切片间的联系信息；对不同域样本间的距离约束，能确保我们的模型对不同域的区分能力。