【技术实现步骤摘要】
本专利技术属于计算机图像处理，涉及医学影像处理，为一种基于小样本学习的医学影像分割方法。
技术介绍
1、计算能力的提升为深度学习研究奠定了基础，与此同时，深度学习的快速发展为许多行业奠定了基础，其中随着医学影像在临床诊断应用的认可度不断的革新，其研究的广度和深度悄然提升。在保障分割准确性的前提下，需要大量的医学影像数据提供给模型进行学习，然而实践中，由于医学影像样本的特殊性，医学影像的各类特征数据不易获取，标注成本高昂。
2、目前一些深度学习算法的研究针对医学影像分割的模型中，如注意力机制和transformer得到了广泛的使用。传统的基于注意力机制的深度学习算法在医学影像分割上需要大量的训练样本才能够使得模型收敛。然而在现实的临床医疗诊断中，有些类别的医学影像数据就仅仅只有一部分数据，需要模型准确的分割出医学影像上的目标位置的图像，这无形之中给医学影像分割提出了更高的要求。为了有效的应对这些问题，本专利技术从医学影像分割的业务需求出发，尝试采用小样本学习的方法与之有效的结合，构建基于小样本学习方法的医学影像快速分割框架，促进人工智能医疗诊断技术在医学影像分割上的发展，提升人工智能的算法识别和分析能力、提高医学影像的分割能力。
技术实现思路
1、为了解决上述的问题，本专利技术提供了一种基于小样本学习进行医学影像分割的方法，旨在通过学习局部描述符的特性，并通过自我监督的学习方式对医学影像快速分割，摆脱依赖人工识别标注的繁琐工作，降低成本，提高分割的正确率。
2
3、步骤1，基于小样本学习，由特征提取器提取支持集中样本与查询集中样本的特征，利用支持集中的样本掩码mask信息从支持集的样本中提取相应的前景和背景局部描述符特征；
4、步骤2，对支持集的局部描述符特征进行处理，分别提取分割位置的前景与背景特征，再采用余弦相似度分别与查询集样本特征进行度量，计算求得查询样本中匹配相关区域较高的位置，进而得到查询样本的前景与背景各自感兴趣位置；
5、步骤3，根据步骤2支持样本对前景和背景特征感兴趣程度不同，对支持样本特征进行加权，构建图像分割预测模型进行训练，用于分割出相应类别的器官区域；
6、步骤4，利用空间线性变换生成无标签图像数据的支持样本与查询样本，并由此构建新的支持样本与查询样本用于图像分割预测模型的再训练，提升模型对分割边界的识别程度，得到最终的分割模型。
7、本专利技术具有以下有益效果：
8、(1)本专利技术通过图像的局部描述符感知，对医学影像所需分割类别进行不同程度的有效感知，减少模型对医学图像分割类别位置的敏感程度不足，缓解了分割类别区分不明显的问题。
9、(2)本专利技术中利用线性空间变换的操作生成样本对应的伪特征表示。在一定程度上极大的缓解医学影像数据量不足而造成模型分割能力表现不足的问题。
10、(3)本专利技术采用自我监督的方式进行训练，将分割类别的掩码信息与医学影像特征进行有效的结合，一方面充分的挖掘分割类别的区域特征独特性，使算法更加精确的同时，尽可能的减少人工标注的工作量。
本文档来自技高网...【技术保护点】
1.一种基于小样本学习的医学影像分割方法，其特征是利用残差网络ResNet-101的网络框架在目标检测数据集MS-COCO上的预训练，作为医学影像的特征提取器，结合医学影像的掩码Mask信息，提取医学影像的前景与背景特征，构建图像分割预测模型，基于提取的前景与背景特征学习分割不同类别的器官区域；运用语义先验知识将真实语义对象的边界采用线性空间平滑变换生成伪标签数据作为先验知识，由图像分割预测模型学习样本边界的先验知识，提升分割模型对医学影像分割位置的敏感性，包括以下步骤：
2.根据权利要求1所述的一种基于小样本学习的医学影像分割方法，其特征是步骤1具体为：
3.根据权利要求2所述的一种基于小样本学习的医学影像分割方法，其特征是步骤2具体为：
4.根据权利要求3所述的一种基于小样本学习的医学影像分割方法，其特征是步骤3具体为：
5.根据权利要求1所述的一种基于小样本学习的医学影像分割方法，其特征是步骤4具体为：
【技术特征摘要】
1.一种基于小样本学习的医学影像分割方法，其特征是利用残差网络resnet-101的网络框架在目标检测数据集ms-coco上的预训练，作为医学影像的特征提取器，结合医学影像的掩码mask信息，提取医学影像的前景与背景特征，构建图像分割预测模型，基于提取的前景与背景特征学习分割不同类别的器官区域；运用语义先验知识将真实语义对象的边界采用线性空间平滑变换生成伪标签数据作为先验知识，由图像分割预测模型学习样本边界的先验知识，提升分割模型...
【专利技术属性】
技术研发人员：张冰，张鑫，陈俊，陈玖，陆加明，白义钧，朱正阳，
申请(专利权)人：南京鼓楼医院，
类型：发明
国别省市：
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。