[发明专利]基于对抗学习和适应性分析的医学图像病灶跨域检测方法

说明书

基于对抗学习和适应性分析的医学图像病灶跨域检测方法，属于医学图像处理领域。针对医学图像中有标签的数据少、难获得，且不同数据库样本分布差异大，跨数据库检测时泛化性能差等实际问题，包括以下步骤：A、将对抗学习引入深度学习病灶检测框架中构建无监督域适应病灶检测模型；B、局部适应性分析与特征选择；C、全局适应性分析与图像选择。可以有效利用已有的带标签数据，能有效提高跨域病灶检测的性能，提高跨数据库测试时的准确率和召回率，能改善利用深度学习模型进行医学图像病灶检测时的泛化性能，提高跨数据库测试时的准确率和召回率，满足实际应用的需求。

技术领域

本发明属于医学图像处理领域，具体是涉及一种基于对抗学习和适应性分析的医学图像病灶跨域检测方法。

背景技术

近年来，得益于计算能力的大幅提升与机器学习的快速发展，利用计算机辅助对医学图像进行病灶检测已愈加普遍。利用计算机智能辅助诊断系统能够在保证一定的准确率前提下，极大的提高对病灶的诊断速度，缓解医生的诊断压力，提高对疾病的检测效率。目前绝大多数智能辅助诊断系统的算法设计都是基于深度学习，深度学习利用其强大的非线性拟合能力，能够抽象出图像高级的语义特征，从而实现特定的任务。

深度学习模型需要利用大量有标签的数据来训练，否则很容易出现过拟合的情况，即能够在训练数据上取得较好的测试结果，但是如果换一个数据库进行测试，往往测试的结果会大幅度下降甚至没有判别能力。然而相较于自然场景的图像，医学图像的数据更加难以获得、图像数量少，并且对医学图像进行标注则需要花费大量的时间和精力，因此带有标签的医学图像更是少之又少，利用这些少量的医学图像训练出来的深度学习模型极大程度上对训练数据过拟合，泛化性能差，没有实际的效用；因此，利用数量有限的带标签的医学图像数据，训练出一个泛化性能良好的深度学习模型具有重要的现实意义。目前主流的基于深度学习的医学图像病灶检测方法都没有考虑到跨数据库的测试性能，泛化性能较差。

发明内容

本发明的目的在于针对医学图像中有标签的数据少、难获得，且不同数据库样本分布差异大，跨数据库检测时泛化性能差等实际问题，提供能够充分利用有限的标签数据，得到一个鲁棒的模型，在跨数据库检测时也能保持良好测试性能，提高跨数据库测试时的准确率和召回率的一种基于对抗学习和适应性分析的医学图像病灶跨域检测方法。

本发明包括以下步骤：

A、将对抗学习引入深度学习病灶检测框架中构建无监督域适应病灶检测模型；

B、局部适应性分析与特征选择；

C、全局适应性分析与图像选择。

第一步：将特征向量f送入全局域判别器D_g中，输出一个二值标签d_g，该标签表示输入的医学图像所属的域类别的概率，用于域适应的对抗训练，以生成域不变的全局特征向量。

第二步：与局部适应性分析相同，对于相似的图像，易于迁移，适应性好，应当提升权重；对于不相似的图像，不易迁移，适应性差，要抑制其权重。利用信息熵公式得到d₁对应的该医学图像的适应性。

第三步：根据所得到的适应性，对该图像进行动态加权。在深度学习框架中，对图像加权的本质上是对损失函数进行加权。目标检测中有两类损失函数，回归框损失函数和类别损失函数，这里仅对类别损失函数进行加权。对于目标域没有标签的数据，参考文献(Grandvalet Y，Bengio Y.Semi-supervised Learning by Entropy Minimization[C]//Advances in Neural Information Processing Systems 17[Neural InformationProcessing Systems，NIPS 2004，December 13-18，2004，Vancouver，British Columbia，Canada].MIT Press，2004)的方法，使用最小化熵来代替类别损失函数。