本發(fā)明屬于醫(yī)學(xué)影像處理，特別是涉及一種基于自適應(yīng)動(dòng)態(tài)數(shù)據(jù)增廣的醫(yī)學(xué)影像域泛化分割方法。

背景技術(shù)：

1、深度學(xué)習(xí)網(wǎng)絡(luò)是一種基于數(shù)據(jù)驅(qū)動(dòng)的方法，它在近年來得到了快速的發(fā)展，為了提取樣本特征、減少過擬合、優(yōu)化模型泛化性能，增加數(shù)據(jù)集多樣性是至關(guān)重要的。在醫(yī)學(xué)影像領(lǐng)域，圖像分割是一項(xiàng)關(guān)鍵任務(wù)，用于定位和分離感興趣的結(jié)構(gòu)或病變。然而由于不同的成像設(shè)備、醫(yī)療機(jī)構(gòu)、采集協(xié)議、病人群體等因素，醫(yī)學(xué)影像之間存在著顯著的領(lǐng)域差異，這導(dǎo)致了一個(gè)挑戰(zhàn)性的問題：如何讓一個(gè)在某個(gè)數(shù)據(jù)域(如某個(gè)醫(yī)院或模態(tài))上訓(xùn)練的分割模型，能夠在另一個(gè)數(shù)據(jù)域(如另一個(gè)醫(yī)院或模態(tài))上保持良好的泛化性能。

2、醫(yī)學(xué)影像通常包含復(fù)雜的組織結(jié)構(gòu)和病理信息，且數(shù)據(jù)集的標(biāo)注和驗(yàn)證往往需要專業(yè)的醫(yī)學(xué)知識(shí)和經(jīng)驗(yàn)，因此獲取成本和難度較高。此外，由于醫(yī)學(xué)影像數(shù)據(jù)涉及患者的個(gè)人隱私和敏感信息，在數(shù)據(jù)收集中受到嚴(yán)格的法律保護(hù)，導(dǎo)致數(shù)據(jù)集規(guī)模有限。而醫(yī)學(xué)影像樣本之間的巨大差異及空間獨(dú)特性決定了自然圖像采用的增廣策略無法直接轉(zhuǎn)移到醫(yī)學(xué)領(lǐng)域，使得面向醫(yī)學(xué)影像域泛化分割的自動(dòng)數(shù)據(jù)增廣技術(shù)成為當(dāng)前的一大研究熱點(diǎn)和難點(diǎn)。

3、數(shù)據(jù)增廣是一種擴(kuò)充數(shù)據(jù)規(guī)模的常用技術(shù)，它在深度學(xué)習(xí)領(lǐng)域有著廣泛的應(yīng)用，有效地解決了訓(xùn)練樣本不足的問題。傳統(tǒng)的數(shù)據(jù)增廣方法通常是手工設(shè)計(jì)的，通過對原始數(shù)據(jù)進(jìn)行隨機(jī)變換，生成新的數(shù)據(jù)樣本來擴(kuò)充數(shù)據(jù)集。但是這種方法需要根據(jù)不同的數(shù)據(jù)域和任務(wù)手動(dòng)調(diào)整和優(yōu)化參數(shù)，不僅耗費(fèi)人力和時(shí)間，且難以覆蓋所有可能的領(lǐng)域差異。因此，如何針對醫(yī)學(xué)影像數(shù)據(jù)集的特點(diǎn)開發(fā)一種自動(dòng)數(shù)據(jù)增廣技術(shù)，自動(dòng)地生成適合不同數(shù)據(jù)域和任務(wù)的數(shù)據(jù)增廣策略以提高模型的泛化性能和魯棒性，是一個(gè)具有研究價(jià)值和實(shí)際意義的問題。

技術(shù)實(shí)現(xiàn)思路

1、針對以上技術(shù)問題，本發(fā)明提供一種基于自適應(yīng)動(dòng)態(tài)數(shù)據(jù)增廣的醫(yī)學(xué)影像域泛化分割方法。

2、本發(fā)明解決其技術(shù)問題采用的技術(shù)方案是：

3、一種基于自適應(yīng)動(dòng)態(tài)數(shù)據(jù)增廣的醫(yī)學(xué)影像域泛化分割方法，所述方法包括以下步驟：

4、s100：構(gòu)建不同源域醫(yī)學(xué)影像樣本庫，并按不同源域劃分?jǐn)?shù)據(jù)集；

5、s200：針對醫(yī)學(xué)影像的特點(diǎn)構(gòu)建數(shù)據(jù)增廣策略搜索模型并初始化參數(shù)；

6、s300：利用伯努利分布和范疇分布分別對數(shù)據(jù)增廣策略搜索模型的兩個(gè)搜索空間的增廣操作和子策略進(jìn)行采樣，得到采樣子策略；

7、s400：將獲取的采樣子策略應(yīng)用到數(shù)據(jù)集上進(jìn)行增廣，搭建分割模型和域預(yù)測器，將增廣后的數(shù)據(jù)集輸入到分割模型中進(jìn)行訓(xùn)練，通過域預(yù)測器進(jìn)行預(yù)測；

8、s500：基于預(yù)設(shè)的損失函數(shù)，利用交替微分和熵正則化最優(yōu)傳輸理論對增廣策略搜索模型進(jìn)行優(yōu)化，利用最小化交叉熵?fù)p失對域預(yù)測器進(jìn)行優(yōu)化，將滿足三重聯(lián)合優(yōu)化的策略作為最優(yōu)增廣策略；

9、s600：將優(yōu)化后的最優(yōu)增廣策略應(yīng)用到分割模型中獲得最終的醫(yī)學(xué)影像分割結(jié)果。

10、優(yōu)選地，s200包括：

11、s210：搜索空間構(gòu)建：選擇albumentations數(shù)據(jù)增廣庫構(gòu)造像素級(jí)增強(qiáng)空間ks和空間級(jí)增強(qiáng)空間kp，2個(gè)搜索空間分別包含10個(gè)增廣操作，像素級(jí)增強(qiáng)空間包括亮度調(diào)節(jié)、對比度增強(qiáng)、自適應(yīng)對比度變換、色調(diào)變換、銳化、高斯模糊、高斯噪聲、均衡化、顏色變化、曝光，空間級(jí)增強(qiáng)空間包括旋轉(zhuǎn)、水平翻轉(zhuǎn)、垂直翻轉(zhuǎn)、縮放、水平平移、垂直平移、水平剪裁、垂直剪裁、隨機(jī)剪裁、cutout；

12、s220：參數(shù)初始化：假設(shè)是否應(yīng)用該操作的概率值為p，應(yīng)用該操作的幅值為h，則對于一張輸入圖片x，增廣操作后的公式如(1)所示：

13、

14、其中o(x；h)表示輸入圖片x采取幅值為h的增廣操作；

15、每個(gè)子策略s可用以下公式表示：

16、

17、搜索空間由兩個(gè)策略子空間組成，1個(gè)策略包含n個(gè)子策略，1個(gè)子策略s包含2i個(gè)先后被應(yīng)用的增廣操作，實(shí)驗(yàn)時(shí)需要在ks和kp兩個(gè)策略子空間中各采樣i個(gè)操作。為了提高搜索效率，將每個(gè)操作的大小設(shè)置在一個(gè)連續(xù)的范圍內(nèi)，并將其離散成l個(gè)均勻間隔，將搜索空間擴(kuò)充到(10×l)n×2i種可能性。

18、優(yōu)選地，s300包括：

19、s310：增廣操作采樣：利用伯努利分布對增廣操作進(jìn)行采樣，公式如下：

20、o(x；h)＝b0(x；h)+(1-b)x???(3)

21、s320：子策略采樣：利用范疇分布對子策略進(jìn)行采樣，公式如下：

22、

23、其中，b是一個(gè)伯努利參數(shù)，b～bernoulli(β)，n＝1,…n，πn是該子策略被應(yīng)用的概率值，c作為一個(gè)中間變量服從基于π的范疇分布，αn表示第n個(gè)子策略被應(yīng)用的概率，δ為數(shù)據(jù)增廣策略搜索空間；

24、s330：操作采樣看作是服從參數(shù)β的伯努利分布，子策略采樣看作是服從參數(shù)π的范疇分布，并利用softmax函數(shù)選取每個(gè)子策略被采樣的概率值α，然后對α歸一化處理，將α最高的子策略概率值設(shè)置為1，其余設(shè)置為0，最后將重新設(shè)置后的α值進(jìn)行子策略綜合，選取出最終的子策略組合，公式(5)可表示為：

25、

26、其中s(x)為輸入圖片應(yīng)用的子策略，cn＝one_hot(argmaxn(αn))，cn為one_hot向量計(jì)算得到的值，one_hot為一種編碼，用于將分類變量、轉(zhuǎn)換為向量形式。

27、優(yōu)選地，s500包括：

28、s510：自動(dòng)數(shù)據(jù)增廣問題的優(yōu)化目標(biāo)是找到適應(yīng)數(shù)據(jù)集的最優(yōu)策略參數(shù)，分割模型采用deeplabv3分割模型，主干網(wǎng)絡(luò)為mobilenetv2，每訓(xùn)練一個(gè)epoch，計(jì)算對應(yīng)的驗(yàn)證損失lval，進(jìn)一步計(jì)算出移動(dòng)平均損失la；

29、s520：當(dāng)移動(dòng)平均損失最小時(shí)，記錄下對應(yīng)時(shí)刻的策略參數(shù)和分割模型的權(quán)值，引入解耦交替微分的迭代算法對優(yōu)化層進(jìn)行隱式微分，利用交替方向乘子法的思路，將原始問題轉(zhuǎn)化為一個(gè)等價(jià)的增廣拉格朗日問題，計(jì)算出前向傳播的解的同時(shí)計(jì)算反向傳播的網(wǎng)絡(luò)梯度；

30、s530：為了對搜索空間中產(chǎn)生的策略組合進(jìn)行選擇，最大化增強(qiáng)的新領(lǐng)域之間的多樣性，引入最優(yōu)傳輸理論，利用熵正則化平滑算法，解決非凸優(yōu)化問題；

31、s540：將域預(yù)測器模型中的編碼器特征映射作為輸入，與gap聚合，并將所有尺度的聚合特征連接成一個(gè)向量，輸送到域解碼器模塊提取特定域的特征，得到對應(yīng)的域碼；

32、s550：通過最小化交叉熵?fù)p失對域預(yù)測器進(jìn)行優(yōu)化；

33、s560：重復(fù)s510至s550預(yù)設(shè)次數(shù)，將滿足三重聯(lián)合優(yōu)化的策略作為最優(yōu)增廣策略。

34、優(yōu)選地，s510中每訓(xùn)練一個(gè)epoch，計(jì)算對應(yīng)的驗(yàn)證損失lval，進(jìn)一步計(jì)算出移動(dòng)平均損失la，具體為：

35、

36、其中，r是一個(gè)隨機(jī)參數(shù)，用于控制當(dāng)前驗(yàn)證損失的比例，r∈[0,1]，lval為驗(yàn)證損失，la為移動(dòng)平均損失。

37、優(yōu)選地，s520具體為：

38、

39、其中，ω1為分割模型的權(quán)值，z是一個(gè)關(guān)于ω1的輔助變量，z∈[0,1]，u是一個(gè)關(guān)于ω1的對偶變量，q是對φ的一種約束定義，使用交替最小化的方法，對φ(·)進(jìn)行優(yōu)化，其中φ(·)是策略搜索模型控制器的函數(shù)，得到前向傳播的解：

40、

41、使用隱式函數(shù)定理，分別對φ和z進(jìn)行微分，得到反向傳播的梯度，即和

42、優(yōu)選地，s530具體為：

43、

44、其中m代表軟匹配矩陣，v代表余弦距離矩陣，d為sinkhorn算子計(jì)算出來的最遠(yuǎn)傳輸距離，pi和pj分別表示第i個(gè)和第j個(gè)域，inf表示尋找最優(yōu)傳輸距離使傳輸成本最小的約束，tr表示矩陣對角線元素之和，為所有滿足邊際約束條件的傳輸計(jì)劃矩陣的集合；

45、

46、其中，fn1和fn2是不同的最終策略組合，d是熵正則化最優(yōu)傳輸距離，ld為衡量不同域之間分布差異的損失函數(shù)，k表示不同域的數(shù)據(jù)集的總和，xi和xj為實(shí)際中來自不同源域的小批量采樣。

47、優(yōu)選地，域預(yù)測器模型包括編碼器和域解碼器模塊，域解碼器模塊包括2個(gè)全連接層fc(·)和一個(gè)域softmax層sm(·)，s540中域碼計(jì)算形式表示為：

48、

49、這里在deeplabv3的主干網(wǎng)絡(luò)后面引入一個(gè)域自適應(yīng)動(dòng)態(tài)卷積，由一個(gè)傳統(tǒng)卷積層和一個(gè)動(dòng)態(tài)卷積層組成，傳統(tǒng)卷積層輸入特征映射通道和動(dòng)態(tài)卷積層輸出通道均為a，動(dòng)態(tài)層共有a2+a個(gè)參數(shù)，通過域自適應(yīng)動(dòng)態(tài)卷積的域感知控制器φf生成域預(yù)測器權(quán)重ω2＝φf(dp)，θ代表每個(gè)fc的參數(shù)，fe為編碼器特征映射，p為編碼器的總數(shù)。

50、優(yōu)選地，s550具體為：

51、lf(x,z)＝-clog(f(x，ω2))???(12)

52、maxld，s.t.ω2*＝argminω2lf???(13)

53、

54、其中為增廣策略搜索模型的策略控制器，ω3為策略控制器的權(quán)重參數(shù)，利用ld更新參數(shù)值，為梯度計(jì)算。

55、優(yōu)選地，s560具體為：

56、minω1，ω2maxf(la+lf+ld)???(15)

57、假設(shè)策略搜索模型的更新次數(shù)為e，則最終搜索空間的大小為(10×l)n×2i×e，lf為域預(yù)測模型的損失函數(shù)。

58、上述一種基于自適應(yīng)動(dòng)態(tài)數(shù)據(jù)增廣的醫(yī)學(xué)影像域泛化分割方法，通過設(shè)計(jì)一個(gè)針對醫(yī)學(xué)影像數(shù)據(jù)集特點(diǎn)的搜索空間，利用一定算法自動(dòng)搜索和應(yīng)用最優(yōu)的數(shù)據(jù)變換策略，調(diào)整對應(yīng)超參數(shù)，從而增加數(shù)據(jù)樣本多樣性，減少過擬合的風(fēng)險(xiǎn)，提高模型對新領(lǐng)域或新場景下醫(yī)學(xué)影像分割任務(wù)的泛化性能。