[发明专利]基于深度对抗学习的无监督域自适应脑肿瘤语义分割方法

摘要

本发明提供一种基于深度对抗学习的无监督域自适应脑肿瘤语义分割方法，包括以下步骤：深度编码‑解码全卷积网络分割系统模型搭建，域鉴别器网络模型搭建，分割系统预训练与参数优化，对抗训练与目标域特征提取器参数优化以及目标域MRI脑肿瘤自动语义分割。本申请采用深度编码‑解码全卷积网络建模分割系统，利用高级语义特征与低级细节特征共同预测像素标签，并采用域鉴别器网络通过对抗学习引导分割模型学习域不变特征和强泛化分割函数，以间接方式使源域和目标域数据分布差异最小化，使学得的分割系统在目标域具有与源域相同分割精度，从而提高MRI脑肿瘤全自动语义分割方法的跨域泛化性能，实现无监督跨域自适应MRI脑肿瘤精确分割。

主权项

1.基于深度对抗学习的无监督域自适应脑肿瘤语义分割方法，其特征在于，包括以下步骤：S1、深度编码-解码全卷积网络分割系统模型搭建：S11、深度编码-解码全卷积网络分割系统包括特征提取器和标签预测器，所述特征提取器包括特征编码器和特征解码器，所述特征编码器适于通过卷积和最大池化操作，对输入的FLAIR、T1、T1c和T2四模态MRI图像进行从低级细节特征到高级语义特征的逐层提取，所述特征解码器适于通过上卷积、特征迁移和卷积操作，将高级语义特征与低级细节特征逐层融合，所述标签预测器适于利用融合特征对像素类别进行预测，输出像素类别预测概率分布图；S12、所述特征编码器包括第一至第五特征编码层和第一至第四最大池化层，所述第一最大池化层位于第一特征编码层之后，所述第二最大池化层位于第二特征编码层之后，依次类推，所述第四最大池化层位于第四特征编码层之后；所述特征解码器包括第一至第三上卷积层和第一至第三特征解码层，所述第一上卷积层位于第五特征编码层之后并位于第一特征解码层之前，所述第二上卷积层位于第二特征解码层之前，所述第三上卷积层位于第三特征解码层之前，且每个特征编码层和特征解码层均是由两个卷积层组成的层组；所述标签预测器包括第一至第三标签预测层和一个Softmax概率转换层，所述第一至第三标签预测层和一个Softmax概率转换层顺序位于第三特征解码层之后；S2、域鉴别器网络模型搭建：S21、所述域鉴别器网络适于输入第三特征解码层中第二卷积层的输出特征，以预测特征是来自于源域图像还是目标域图像；S22、所述域鉴别器网络包括顺序设置的一个卷积层和第一至第三全连接层；S3、分割系统预训练与参数优化：将步骤S1建立的深度编码-解码全卷积网络分割模型使用源域标签数据进行有监督预训练，产生预分割系统，其具体包括：S31、采用Xavier方法对分割模型参数进行初始化；S32、将源域训练数据及标签按1：1比例分为训练集和验证集，采用二折交叉验证来对源域分割系统模型进行预训练；S33、将同一大脑切面的FLAIR、T1、T1c和T2四模态MRI图像进行双线性插值2倍上采样，作为四通道输入网络，通过网络前向计算生成像素标签预测概率分布图；S34、采用标准的监督损失函数作为优化目标，损失函数定义如下： L c l s ( θ s , θ c ) = - E ( x s , y s ) ~ ( X s , Y s ) Σ i = 1 K I [ i = y s ] l o g C ( M s ( x s ; θ s ) ; θ c ) ]]>其中，Lcls(θs,θc)是源域分割损失函数，θs是源域特征提取器网络参数，θc是标签预测器网络参数，Xs是源域图像集，Ys是源域分割标签集，xs是一个样本，ys是样本对应的标签，(xs,ys)～(Xs,Ys)表示样本及对应的分割标签(xs,ys)服从源域数据分布(Xs,Ys)，Ms(.)是源域特征映射函数即源域特征提取器，C(.)是像素预测函数，K表示像素类别数，表示当i＝ys时I＝1，否则I＝0，log表示求对数值，E表示求数学期望；S35、以求Lcls(θs,θc)最小值为优化目标，采用随机梯度下降算法和反向传播算法求解网络参数θs和θc，得到MRI脑肿瘤预分割系统；S4、对抗训练与目标域特征提取器参数优化：按步骤S1所述特征提取器建立方法建立目标域特征提取器模型，通过对抗训练生成目标域特征提取器，其具体包括：S41、采用步骤S3产生的预分割系统的特征提取器参数初始化目标域特征提取器，并对域鉴别器网络参数采用Xavier方法进行初始化；S42、获取与源域训练样本个数相同的目标域训练样本，设置源域图像和目标域图像域类别标签，将源域图像和目标域图像采用双线性插值进行2倍上采样，依次输入源域和目标域特征提取器提取特征，然后将提取特征输入步骤S2搭建的域鉴别器预测其来自于源域还是目标域，输出域类别标签