CN111951220B 一种基于多层面领域自适应技术的无监督脑出血分割方法 （安徽银边医疗科技有限公司）

与中山大道交叉口宜秀创新产业园B5一种基于多层面领域自适应技术的无监督一种基于多层面领域自适应技术的无监督2S1：构建基于语义保留机制的脑CT图像合成网络以及所述特征提取阶段用于对预处理后输入的图像进行特征抽取与编码，该阶段包括4个特征融合阶段将特征提取阶段产生的特征图进行再编码，信息与抽象语义信息的整合，共包括6个稠密连接模块,模块内隐藏层的输入采用稠密连0+g上采样阶段完成由特征编码到最终输出的合成图像的所述语义保留模块的分割子网络包括预训练特征提取模块以及多层上采样跳层连接；所述预训练特征提取模块为在ImageNet数据集上预训练的VGG-16网络的一部分，共有5个两个子网络模型架构定义一致，均为预训练特征提取模块预训练特征提取模块的5步最大池化操作后输出的特征图，输出按先后顺序分别定义为v_out1,v_out2,v_out33所述语义保留模块中相似图像选取模块负责在每张MRI图像输入时，寻找与之最相近S12:所述基于领域自适应机制的图像语义分割其中，域鉴别器输入为隐藏层输出的特征图以及隐藏层经过上采样过程得到的预测，训练模型需要进行多次的反向传播与参数更新，数据在输入网络前，首先进行匹配对齐即将语义内容接近的脑肿瘤MRI图像和脑出血4s输入到MRI图像生成器Gt()后合成的伪源域图像即伪CT图像，p(s)为源域图像的分布，ES-p(s)指s为从源域图像中提取的；t义一致，srecover为伪目标域图像即循环合成MRI图像，trecover为伪源域图像即伪MRI图像输入到MRI生成器Gs()后合成的循将Gs(s)与源域图像s的标签ys输入到语义保留模块中的分割子网络Ft，冻结分割子网s将srecover与源域图像s的标签ys输入到语义保留模块中的分割子网络Fs,冻结分割子网5G)切断srecover的梯度，将S的标签和srecover输入语义保留分割子网络Fs,同上述式(11)计tst将源域图像数据经过同步骤S2一致的预处理，输入到目标域数将源域图像以及源域标签送入分割网络，取得分割预测及中间层上6h切断源域和目标域隐层表示之前的梯度更新，将二者送h重复以上过程，直到达到模型满足预设的收敛条件；预设的收敛条件为运行100轮以7[0003]随着人工智能识别技术的发展，基于深度学习的卷积神经网络(CNN)已经引起了[0004]脑出血(intracerebralhemorrhage)是指非外伤性脑实质内血管破裂引起的出一种在无监督学习的情况下进行CT影像脑出血区域提用现有数据的标签，分割模型通过无监督学习或半监督学习的领域自适应方法进行训练，[0007]考虑到MRI(核磁共振成像)脑肿瘤图像与CT脑出血图像在语义方面的相似性，本8之后训练基于领域自适应机制的脑出血分割网络[0021]图3是所述相似图像选取模块匹配到的图像示例(右侧为MRI图像，左侧为匹配的[0024]图6是本发明提供的一种示例性的基于领域自适应机制的语义分割模型的示意4个隐藏层：对于前2个隐藏层，每个隐藏层包含一步7x7卷积操作，一步层归一化(Batch9块内隐藏层的输入采用稠密连接，每个稠密连接块包括5个隐藏层，每个隐藏层包含一步i是第i个隐藏层输入的特征图，l是隐藏层的序数，dl表示第l层隐藏层输入的通道[0038]所述语义保留模块的分割子网络包括预训练特征提取模块以及多层上采样跳层积阶段均包含三个隐藏层，每个隐藏层包含一步3x3卷积操作以及一步线性整流函数激活[0040]预训练特征提取模块的5步最大池化操作后输出的特征图，输出按先后顺序分别定义为v_out1,v_out2,v_out3,v_out4[0046]所述语义保留模块中相似图像选取模块负责在每张MRI图像输入时，寻找与之最余弦变换(DCT)降低图片频率，得到图像的二进制指纹。dhanming()为汉明距离(Hammingdistance)，用于获取图像二进制指纹之间的相似度。focus()计算图像粗糙病灶区域比[0056]数据增强方法：包括对所有图像亮度值随机浮动20对源域图像及相应标签以ES-pts)指s为从源域图像中提取的。[0072]将srecover与源域图像s的标签ys输入到语义保留模块中的[0082]切断Srecover的梯度，将S的标签和srecover输入语义保留分割子网络Fs,同上述式[0089]重复以上过程，直到达到模型满足预设的收敛条件(发明中预设的收敛条件为模成器G进行预测。得到合成目标域数据即合成CT图像tsynthetic，存储得到的图像用作训练[0094]将源域图像以及源域标签送入分割网络，取得分割预测及中间层上采样(采样至[0104]重复以上过程，直到达到模型满足预设的收敛条件(发明中预设的