申请/专利权人:郑州大学;中国科学院自动化研究所
申请日:2020-06-29
公开(公告)日:2020-10-23
公开(公告)号:CN111815593A
主分类号:G06T7/00(20170101)
分类号:G06T7/00(20170101);G06T7/10(20170101)
优先权:
专利状态码:在审-实质审查的生效
法律状态:2020.11.13#实质审查的生效;2020.10.23#公开
摘要:本发明涉及基于对抗学习的肺结节域适应分割方法、装置及存储介质,属于图像分割技术领域,该方法对目标域网络模型进行了两次训练,第一训练采用的数据源是未标注肺结节的图像数据集,利用对抗训练的方式,基于Wasserstein距离对源域分割网络模型和目标域分割网络模型中的高级特征进行对齐;第二次训练采用的数据源是已标注肺结节的图像数据集,含有少量的肺结节图像,利用这部分图像,在第一次训练的基础之上,再对目标域分割网络模型进行辅助训练;经过两次训练,得到了精确的肺结节分割模型,能够实现待分割图像的精确分割,可靠性高,效果好。
主权项:1.一种基于对抗学习的肺结节域适应分割方法,其特征在于,包括以下步骤:获取待分割图像,将该待分割图像输入肺结节分割模型中,得到分割后的肺结节图像;所述肺结节分割模型的确定步骤如下:1获取肺结节图像的公共数据集,作为源域数据集,利用该源域数据集训练源域分割网络模型,训练完成后得到源域分割网络模型的参数;2获取未标注肺结节的图像数据集,作为目标域数据集,将该目标域数据集输入至预设的目标域分割网络模型,将所述目标域数据集输入至源域分割网络模型,利用对抗训练的方式,基于Wasserstein距离对源域分割网络模型和目标域分割网络模型中的高级特征进行对齐,确定目标域分割网络模型中的参数;所述高级特征包括结构特征和空间特征;3获取已标注肺结节的图像数据集,利用该图像数据集对目标域分割网络模型进行辅助训练,更新目标域分割网络模型中的参数,得到肺结节分割模型。
全文数据:
权利要求:
百度查询: 郑州大学;中国科学院自动化研究所 基于对抗学习的肺结节域适应分割方法、装置及存储介质
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。