CN118799337B 基于扩散模型和域适应的医学影像分割方法以及系统 （深圳市大数据研究院）

AddressingUnsupervisedDomainAdaptaAppearanceandStructureDiffusionModels.arXiv.2024,1-34.基于扩散模型和域适应的医学影像分割方本发明公开了基于扩散模型和域适应的医目标域图像掩码对；通过预设变形增强模块对进行变形增强处理后输入至预先构建的条件扩进行混合后对预先构建的域适应模型进行迭代2将源域图像数据与其对应的标注进行掩码后得到源域图像一掩码对将变形增强后的所述源域图像一掩码对以及所述目标域图像一掩码将所述预处理后的源域图像一掩码对以及所述目标域图像一掩码解码器：所述解码器与所述编码器之间通过跳跃连接，以向所述解3对所述源域图像掩码对以及所述目标域图像通过所述变换网络对所述预处理后源域图像一掩码对以及目标域图使用预设卷积核对缩放后的所述初始位移场进行将所述混合数据集中的源域图像以及所述新的目标域图像输入至所述域适应模型的将所述源域高层次特征以及所述目标域高层次特征输入至域判别基于所述目标域图像数据，构建目标域测试集，所述目标域测试集4通过数据加载器将所述目标域图像和其对应的分割掩码分批次加载到目标分割模型条件扩散模型训练单元，用于将变形增强后的所述源域图像域适应模型训练单元，用于将所述新的图像一掩码对与所述源域5数据的高维特性和复杂结构增加了标注和分[0003]当前通常采用以下几种方法解决上述问题，第一种为（Teacher一Student6[0013]伪标签生成单元，用于通过预设模型对目标域图像数据中未标注图像生成伪标像掩码对，通过预设变形增强模块对所述源域图像掩码对以及所述目标域图像掩码对7[0021]图1是本发明一实施例中基于扩散模型和域适应的医学影像分割方法的一应用环[0023]图3是本发明一实施例中基于扩散模型和域适应的医学影像分割方法的一实现流[0024]图4是本发明一实施例中基于扩散模型和域适应的医学影像分割装置的一结构示目标域图像先通过形变增强模块进行形变增强处理后输入到带条件的扩散模型中前向传8[0037]可以理解的，通过将目标域图像数据与其对应的标注进行掩码后得到目标域图9图像掩码对，通过预设变形增强模块对所述源域图像掩码对以及所述目标域图像掩码高质量的图像生成和伪标签生成。[0082]具体地，变形增强模块可采用集合变换操作增强数据集，具体可包括仿射变换[0087]将平移向量和缩放因子添加至更新后的所述初始仿射矩阵中，得到目标仿射矩初始化仿射矩阵A，使用角轴转旋转矩阵的方法将角轴表示的旋转向量r转换为旋转矩阵，[0100]将所述混合数据集中的源域图像以及所述新的目标域图像输入至所述域适应模[0104]分别对所述分类损失值以及所述域判别损失值进行加权求平均值，得到总损失[0110]在本申请一实施例中，所述基于训练完成的域适应模型[0112]通过数据加载器将所述目标域图像和其对应的分割掩码分批次加载到所述目标其中DICEScore用于衡量预测分割结果与真实分割结果之间的相似度，NSDScore用于预的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限散模型和域适应的医学影像分割系统与上述实施例中基于扩散模型和域适应的医学影像图像掩码对，通过预设变形增强模块对所述源域图像掩码对以及所述目标域图像掩码目标域图像掩码对输入至预先构建的条件扩散模型中进行迭代训练，以生成多个新的图[0147]将平移向量和缩放因子添加至更新后的所述初始仿射矩阵中，得到目标仿射矩[0158]将所述混合数据集中的源域图像以及所述新的目标域图像输入至所述域适应模[0162]分别对所述分类损失值以及所述域判别损失值进行加权求平均值，得到总损失[0166]通过数据加载器将所述目标域图像和其对应的分割掩码分批次加载到所述目标[0170]关于基于扩散模型和域适应的医学影像分割系统的具体限定可以参见上文中对和域适应的医学影像分割系统中的各个模块可全部或部分通过软件、硬件及其组合来实令时实现如上述所述基于扩散模型和域适应的医学影像分