【技术实现步骤摘要】
本专利技术涉及图像处理，尤其涉及基于对比学习与谱聚类的视网膜眼底图像分割方法。
技术介绍
1、目前，在年龄相关性黄斑变性(amd)的研究中，黄斑地图状萎缩(geographicatrophy，ga)作为其晚期形态，因其导致的不可逆视觉功能损失而受到广泛关注，已成为老年人视力损伤的主要原因，因此对其的早期诊断和治疗至关重要。随着医疗技术的进步，视网膜眼底图像分析在眼科疾病诊断中扮演着越来越重要的角色，视网膜眼底图像分割作为这个过程中的关键步骤，能够提取出眼底图像中的病变区域，对于医生进行疾病的诊断与治疗具有重要的参考价值。
2、在现有技术中，深度学习技术在医学图像分割领域的应用，为医疗诊断提供了新视角，通过神经网络模型，能有效识别医学图像中的关键区域，如不同器官、组织和细胞类型，为临床医生提供更精准的诊断依据，但它仍面临着对大量标注数据的依赖、医学数据隐私问题以及跨设备和跨医院泛化问题等一系列挑战。针对上述图像分割技术存在的局限性，我们提出了基于对比学习与谱聚类结合的视网膜眼底图像分割方法，通过建立眼底视网膜图像的计算机辅助诊断模型可辅助医生对这些疾病进行高效和精确的诊断。
技术实现思路
1、本专利技术的目的是为了解决现有技术中存在的缺点，而提出的基于对比学习与谱聚类的视网膜眼底图像分割方法。
2、为了实现上述目的，本专利技术采用了如下技术方案：
3、基于对比学习与谱聚类的视网膜眼底图像分割方法，包括如下步骤：
4、s1：输入医学图像至
5、s2：采用谱聚类方法对特征向量进行处理与聚类分割。
6、优选的：所述特征学习网络为包括cuts多粒度医学图像分割方法中的第一阶段和卷积神经网络。
7、优选的：所述特征提取的方式，包括以下内容：
8、a1：通过cbam模块和残差结构，强化在补丁对比过程中所需的关键特征；
9、a2：结合局部对比学习和补丁重构损失的学习策略，以无监督方式训练网络。
10、优选的：所述补丁重构的方法为：采用全连接层。
11、优选的：所述训练网络的方法，包括以下步骤：
12、a201：计算局部对比学习的损失；
13、a202：计算局部补丁重构的损失；
14、a203：计算综合损失。
15、优选的：所述局部对比学习的损失计算内容，包括以下方面：
16、①比较每个锚点补丁的嵌入向量和进行对比学习；
17、②生成正负对，计算对比损失；
18、所述局部对比学习的损失计算公式为：
19、
20、其中，zij为以像素(ij)为中心的片段的嵌入向量，其p*p的大小等同于接收域；最小化这种损失函数将鼓励网络将正样本集合ω+嵌入到靠近锚点的位置，而接近程度则根据负集ω-和锚点之间的距离进行缩放；温度参数τ控制对比损失中使用的距离的缩放方式，设为0.5；sim(·)是相似度函数，设置为余弦相似度。
21、优选的：所述局部补丁重构的损失计算公式为：
22、
23、优选的：所述综合损失的计算公式为：
24、loss＝λ·lcontrastive+(1-λ)·lrecon；
25、所述综合损失通过控制相对大小的权重系数λ∈[0，1]进行平衡，设置λ＝0.01。
26、优选的：所述特征向量的处理与聚类分割的具体内容，包括以下步骤：
27、b1：利用学习到的空间特征向量添加空间坐标信息；
28、b2：配合knn及余弦相似度亲和性矩阵，进行聚类分割；
29、所述聚类分割的方式为k-means聚类算法。
30、优选的：所述亲和性矩阵的形成方式，包括以下内容：
31、b21：通过knn选择每个像素特征向量的k个近邻；
32、b22：计算k个近邻的余弦相似度，并填充亲和性矩阵。
33、本专利技术的有益效果为：
34、1.本专利技术通过有效结合局部对比学习和谱聚类，而提出的一种面向视网膜眼底图像分割的两阶段无监督模型，设计与所提取特征向量相对应的相似度矩阵，相互强化优势，实现更准确的聚类分割，致力于通过网络结构的重新设计，保存局部细节的同时，有效强化关键特征，同时通过设计独特的亲和性矩阵，实现与谱聚类的有效结合，以提高图像分割的准确性，凸显了其在疾病诊断和治疗方面的应用价值，采用本专利技术方法不仅可以提高病症的诊断效率，还能为患者带来更为准确和及时的治疗方案。
35、2.本专利技术在不破坏数据维度的情况下，构建出相互联系的相似度矩阵，能够更好地保持了数据的原始特性，通过与第一阶段的亲和性矩阵相匹配，再通过相似度矩阵上经过k-means聚类，能够更好地利用对比学习得到的特征，以提高聚类效果。
36、3.本专利技术，向特征学习网络中输入医学图像进行特征提取，通过残差结构将原始卷积层的输出与cbam模块的输出结合，以此强化特征表达并消除冗余特征，能够更准确地识别和强调那些对于特定任务至关重要的图像区域，进而提高整体学习效果；再结合局部对比学习和补丁重构损失的学习策略，以无监督方式训练网络，确保模型能有效学习以像素为中心的补丁的结构和纹理信息，进行像素局部补丁特征提取。
37、4.本专利技术，通过残差结构将原始卷积层的输出与cbam模块的输出结合，能够在不破坏原有空间结构的前提下，加强对那些对比学习中关键的空间和通道特征的关注，可以更准确地识别和强调那些对于特定任务至关重要的图像区域，进而提高整体学习效果。
38、5.本专利技术通过结合局部对比学习和补丁重构损失的学习策略，以无监督方式训练网络，无需使用监督标签，并建立了嵌入空间中的不变性，简化了负样本采样过程，使用来自不同锚点补丁的正样本作为当前锚点补丁的负样本，以提高挖掘速度。
39、6.本专利技术，通过重构损失来确保每个以像素为中心的补丁的嵌入向量保留了周围补丁的信息以及整体图像的结构和纹理信息；在已经获得的特征图上添加两个维度的空间坐标位置信息，从而记录空间坐标位置，能够确保模型在进行聚类分割时能够考虑到图像中的空间布局，以便更准确地识别和分割相关区域，通过将空间坐标位置信息与特征图结合起来，可以在不丧失关键信息的情况下进行更精确的聚类。
本文档来自技高网...【技术保护点】
1.基于对比学习与谱聚类的视网膜眼底图像分割方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于对比学习与谱聚类的视网膜眼底图像分割方法，其特征在于，所述特征提取的方式，包括以下内容：
3.根据权利要求2所述的基于对比学习与谱聚类的视网膜眼底图像分割方法，其特征在于，所述补丁重构的方法为：采用全连接层。
4.根据权利要求3所述的基于对比学习与谱聚类的视网膜眼底图像分割方法，其特征在于，所述训练网络的方法，包括以下步骤：
5.根据权利要求4所述的基于对比学习与谱聚类的视网膜眼底图像分割方法，其特征在于，所述局部对比学习的损失计算内容，包括以下方面：
6.根据权利要求5所述的基于对比学习与谱聚类的视网膜眼底图像分割方法，其特征在于，所述局部补丁重构的损失计算公式为：
7.根据权利要求6所述的基于对比学习与谱聚类的视网膜眼底图像分割方法，其特征在于，所述综合损失的计算公式为：
8.根据权利要求7所述的基于对比学习与谱聚类的视网膜眼底图像分割方法，其特征在于，所述特征向量的处理与聚类分割的具体内
9.根据权利要求8所述的基于对比学习与谱聚类的视网膜眼底图像分割方法，其特征在于，所述亲和性矩阵的形成方式，包括以下内容：
...【技术特征摘要】
1.基于对比学习与谱聚类的视网膜眼底图像分割方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于对比学习与谱聚类的视网膜眼底图像分割方法，其特征在于，所述特征提取的方式，包括以下内容：
3.根据权利要求2所述的基于对比学习与谱聚类的视网膜眼底图像分割方法，其特征在于，所述补丁重构的方法为：采用全连接层。
4.根据权利要求3所述的基于对比学习与谱聚类的视网膜眼底图像分割方法，其特征在于，所述训练网络的方法，包括以下步骤：
5.根据权利要求4所述的基于对比学习与谱聚类的视网膜眼底图像分割方法，其特征在于，所述局部对...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。