检索历史 清除

摘要近年来，医疗影像技术的普及带来了海量医学图像数据，其中就包括眼底图像数据。眼底图像是多种眼科疾病诊疗的重要依据，其中的视盘、视杯区域是青光眼疾病诊断的主要参考标识物。通过开发自动化系统对眼底图像中形态多变的视盘、视杯区域进行规范化的自动分割，提升青光眼疾病的诊疗效率，是计算机视觉和生物医学交叉领域的热点问题。然而，由于不同医疗机构的眼底图像在拍摄设备、光照条件等方面存在差异，造成不同数据集间较明显的域偏移，使得训练的自动分割模型无法在新的无标签眼底图像数据集上获得良好的性能，大大限制了算法的泛化能力。本文主要针对上述问题进行研究，构建基于域适应的眼底图像视盘、视杯分割算法，削弱域差异的负面影响，提升模型在目标域数据集上的分割性能，主要贡献点如下所示：<br>　　（1）针对先前方法对目标域图像自身缺乏有效的监督机制，且模型不能保证对源域和目标域的预测能力一致的问题，提出基于最小化熵与傅里叶一致性的跨域视盘、视杯分割方法。在视盘、视杯分割网络的基础上，添加了最小化熵的约束方法，降低了模型对目标域图像预测分割结果的不确定性。此外通过图像傅里叶变换，将源域的低频信息替换到目标域图像上，以实现目标域图像的域变换，并在域变换前和域变换后的图像预测分割结果上添加一致性约束以弥合域差异。两种域适应方式的结合缓解了域偏移，提升了目标域图像的分割性能。<br>　　（2）针对先前方法在训练中对无标签数据缺乏有效利用，且图像中的域相关特征对分割性能存在干扰的问题，提出基于双路自监督与跨域对比的视盘、视杯分割算法。利用双向域变换为所有源域、目标域图像分别生成它们在另一个域的副本图像，并设计了双路径图像分割网络，将所有图像按域风格进行解耦式输入，以规避域相关特征的干扰。设计了一种伪标签生成机制，将双路径网络输出的无标签图像预测分割结果进行融合，以得到伪标签，实现有效的自监督。此外还添加了一种跨域对比约束机制来进一步提升图像特征在分割任务上的有效性。多种策略的组合进一步提升了所训练模型在目标域图像上的分割性能。