一种无监督领域自适应图像分割方法及系统与流程

技术特征：
1.一种无监督领域自适应图像分割方法，其特征在于，包括：确定源域数据和目标域数据，所述源域数据包括带分割标签的图像，所述目标域数据包括不带分割标签的图像；根据源域数据训练分割模型和生成模型，所述分割模型用于预测无标签图像的分割标签，所述生成模型用于生成与输入图像相匹配的带分割标签的图像；将目标域数据输入分割模型，得到对应的分割预测标签；将目标域数据和对应的分割预测标签输入生成模型，得到匹配的参考图像和分割参考标签；计算分割预测标签作和分割参考标签的重叠率，将重叠率符合预设值的分割预测标签作为准分割标签，根据准分割标签和对应的目标域数据再次训练分割模型并重新确定准分割标签，直至分割模型的分割精度满足预设条件时结束训练，得到训练后的分割模型。2.如权利要求1所述的无监督领域自适应图像分割方法，其特征在于，所述方法还包括：利用训练后的分割模型对无标签图像进行分割。3.如权利要求1所述的无监督领域自适应图像分割方法，其特征在于，所述分割模型为基于u
‑
net分割网络的分割模型。4.如权利要求1所述的无监督领域自适应图像分割方法，其特征在于，所述生成模型为基于变分自编码器的生成模型。5.如权利要求1所述的无监督领域自适应图像分割方法，其特征在于，所述将目标域数据和对应的分割预测标签输入生成模型，得到匹配的参考图像和分割参考标签，包括：将目标域数据和对应的分割预测标签输入生成模型，在生成模型内匹配初始编码；对初始编码进行解码，生成带分割标签的图案；将生成的图像与输入的图案进行相似度比较，当相似度未达到预设程度时，优化初始编码得到新编码并进行解码，重新生成图案，直至生成的图像与输入的图案的相似度达到预设程度时，判定生成模型生成匹配的参考图像和分割参考标签。6.如权利要求5所述的无监督领域自适应图像分割方法，其特征在于，判定生成的图像与输入的图案的相似度达到预设程度，包括：利用结构相似性损失函数来衡量生成图像与输入图像的相似度，当前后两次编码迭代得到的结构相似性损失函数的差值小于或等于预设收敛值，则判定生成的图像与输入的图案的相似度达到预设程度，所述结构相似性损失函数为其中，x和y分别表示两幅图，μ
x
和μ
y
分别表示x和y的均值，σ
x
和σ
y
分别表示x和y的标准差，σ
xy
表示x和y的协方差。7.如权利要求1所述的无监督领域自适应图像分割方法，其特征在于，计算分割预测标签作和分割参考标签的重叠率，包括：根据dice损失函数和豪斯道夫距离函数计算分割预测标签作和分割参考标签的重叠
率，其中，dice损失函数y
i
是分割参考标签，是分割预测标签，t
dice
为第一预设值；豪斯道夫距离函数h(a,b)＝max
a∈a
{min
b∈b
{d(a,b)}}≤t
hd
，a、b分别是两副图像，a、b分别是a和b中的像素点，d(a,b)表示a、b两点的距离，t
hd
为第二预设值。8.如权利要求1所述的无监督领域自适应图像分割方法，其特征在于，分割模型的分割精度满足预设条件，包括，利用分割模型对目标域数据的多组无标签图像进行分割，得到对应的多组分割预测标签，计算多组分割预测标签与对应的分割参考标签的dice损失函数并求平均值，当平均值大于等于第三预设值时，判定为分割模型的分割精度满足预设条件，其中，dice损失函数y
i
是分割参考标签，是分割预测标签。9.如权利要求1所述的无监督领域自适应图像分割方法，其特征在于，所述根据源域数据训练分割模型和生成模型，还包括：在源域数据带分割标签的图像中提取感兴趣区域作为训练数据训练分割模型和生成模型。10.一种无监督领域自适应图像分割系统，包括：训练单元，用于根据源域数据训练分割模型和生成模型，所述源域数据包括带分割标签的图像，所述分割模型用于预测无标签图像的分割标签，所述生成模型用于生成与输入图像相匹配的带分割标签的图像；分割预测单元，用于将目标域数据输入分割模型，得到对应的分割预测标签，所述目标域数据包括不带分割标签的图像；生成单元，用于将目标域数据和对应的分割预测标签输入生成模型，得到匹配的参考图像和分割参考标签；准标签确定单元，用于计算分割预测标签作和分割参考标签的重叠率，将重叠率符合预设值的分割预测标签作为准分割标签；迭代单元，用于根据准分割标签和对应的目标域数据再次训练分割模型并重新确定准分割标签，直至分割模型的分割精度满足预设条件时结束训练，得到训练后的分割模型。

技术总结
本发明公开了一种无监督领域自适应图像分割方法及其系统，该方法包括：根据源域数据中带分割标签的图像训练分割模型和生成模型；将目标域数据中不带分割标签的图像输入分割模型，得到对应的分割预测标签；将目标域数据和对应的分割预测标签输入生成模型，得到匹配的参考图像和分割参考标签；将与分割参考标签重叠率符合预设值的分割预测标签作为准分割标签，根据准分割标签和对应的目标域数据再次训练分割模型并重新确定准分割标签，直至分割模型的分割精度满足预设条件时结束训练。本发明是结合源域数据中带标签的图像和目标域数据中不带标签的图像共同训练分割模型，降低训练分割模型对带标签图案的数量要求，使得该方法能够广泛应用。法能够广泛应用。法能够广泛应用。


技术研发人员：李强 王植炜 吕进鑫 梁愿怀
受保护的技术使用者：武汉联影智融医疗科技有限公司
技术研发日：2021.07.30
技术公布日：2021/11/2