【技术实现步骤摘要】
本专利技术属于图像处理领域，具体涉及一种基于注意力机制的小样本医学图像分类方法及成像方法。
技术介绍
1、在医学领域，无论是临床医学还是基础医学，医学图像的分类，都是极其重要的基础数据。因此，对于医学图像的准确可靠的分类，一直是研究人员的研究重点。
2、在医学领域中，小样本医学图像的分类，一直是研究的重点和难点。鉴于小样本学习在其他领域都取得了显著的成就，因此研究人员开始将小样本学习应用于医学领域，以期实现针对小样本医学图像的准确、可靠的分类。
3、现阶段，常见的小样本学习方法包括度量学习和元学习。度量学习的对象通常是样本特征向量的距离，通过训练和学习，减少或限制同类样本之间的距离，同时增大不同类别样本之间的距离。元学习方法通常涉及在训练阶段从基类派生的少样本任务上进行训练。这个过程主要围绕着优化两个关键循环展开：元训练和元测试。在分类任务中，通常使用多个支持样本对新样本进行分类。在元训练中，神经网络参数通过每个任务的训练数据点进行更新。随后在元测试阶段，对每个任务的数据进行自适应测试，使模型能够快速适应新的任务并在任务间进行分类。
4、尽管小样本学习在数据有限的新类任务中表现出色，但其在元训练阶段任然需要相当数量的基类标签。这使得小样本学习在实际的医学理论研究环境中，对医学图像的分类上表现不佳。医学图像的标注需要领域专业知识且易受到主观因素影响，而模型的准确性与标注的精度正相关。但是，在对模型的训练过程中提供足够的标注标签，成本巨大。另外，基于隐私和安全问题的考量，研究人员能够公开获取的样本
技术实现思路
1、本专利技术的目的之一在于提供一种可靠性高且精确性好的基于注意力机制的小样本医学图像分类方法。
2、本专利技术的目的之二在于提供一种包括了所述基于注意力机制的小样本医学图像分类方法的成像方法。
3、本专利技术提供的这种基于注意力机制的小样本医学图像分类方法，包括如下步骤：
4、s1.获取现有的医学图像数据；
5、s2.对步骤s1获取的医学图像数据进行预处理，得到数据集；
6、s3.基于原型网络和注意力机制，构建医学图像分类初始模型；
7、s4.采用步骤s2得到的数据集，对步骤s3构建的医学图像分类初始模型进行训练、优化和验证，得到医学图像分类模型；
8、s5.采用步骤s4得到的医学图像分类模型，进行实际的小样本医学图像的分类。
9、步骤s1所述的获取现有的医学图像数据，具体包括如下步骤：
10、获取的现有的医学图像数据，包括细胞图像数据，或者器官组织图像数据，或者器官ct图像数据。
11、步骤s2所述的对步骤s1获取的医学图像数据进行预处理，得到数据集，具体包括如下步骤：
12、对步骤s1获取的医学图像数据，进行随机采样，得到若干个样本图像；
13、对样本图像进行图像增强；
14、将增强后的图像，裁剪到设定大小，并进行归一化处理；
15、针对处理后医学图像数据，每一轮均随机选取若干张图像作为支持集，并随机选取若干张图像作为查询集；重复若干轮，得到若干个支持集和查询集。
16、所述的图像增强，具体包括如下步骤：
17、构建图像增强操作搜索空间；图像增强操作搜索空间包括如下图像增强操作：
18、自动优化对比度autocontrast(0,255)，用于在0到255灰度值上重新映射图像，使最暗像素变成0灰度值(即黑色)，最亮像素变成255灰度值(即白色)；
19、平均化对比度equalize(0,1)，用于在0-1的幅度上将非线性映射应用于输入图像，以便在输出图像中创建灰度值的均匀分布；
20、颜色反转invert(0,1)，用于在0-1的幅度上反转图像的颜色；
21、中心旋转rotate(0,30)，用于将图像在0°～30°角度范围内随机旋转一个角度；
22、高阈值反转solarize(0,255)，用于将图像中像素高于0～255中某个值的像素进行翻转；
23、高阈值反转后增强solarizeadd(0,110)，用于将图像中像素高于0～110中某个值的像素进行翻转，并将反转后的图像与原始图像相加；
24、灰度图像着色color(0.1,1.9)，用于在0.1～1.9的范围内增强颜色；
25、简化图像颜色posterize(0,4)，用于将图像在0～4的色阶范围中减少图像颜色数量；
26、随机裁剪cutoutabs(0,40)，用于随机裁剪图像的0～40％的部分；
27、对比度增强contrast(0.1,1.9)，用于在0.1～1.9的幅度上重新映射图像对比度；
28、亮度调整brightness(0.1,1.9)，用于在0.1～1.9的幅度上调整图像的亮度；
29、锐度调整sharpness(0.1,1.9)，用于在0.1～1.9的幅度上锐化图像；
30、水平仿射变换shearx(0,0.3)，用于在0～0.3的幅度上进行图像水平仿射变换；
31、垂直仿射变换sheary(0,0.3)，用于在0～0.3的幅度上进行图像垂直仿射变换；
32、横向平移translatex(0,100)，用于在0～100个像素的幅度上横向平移图像；
33、纵向平移translatey(0,100)，用于在0～100个像素的幅度上纵向平移图像；
34、针对每一张图像，在构建的图像增强操作搜索空间中，随机选择若干种图像增强方法，进行图像增强；
35、图像增强时，采用如下算式计算图像增强操作的调整后的参数：
36、val＝x×(max-min)+min
37、式中val为图像增强操作的调整后的参数；x为图像增强操作的调整前的参数；max为对应的图像增强操作的幅值最大值；min为对应的图像增强操作的幅值最小值。
38、步骤s3所述的基于原型网络和注意力机制，构建医学图像分类初始模型，具体包括如下步骤：
39、构建的医学图像分类初始模型，包括特征提取模块和相似度计算模块；
40、基于原型网络构建特征提取模块；特征提取模块用于提取输入图像的图像特征；
41、基于注意力机制构建相似度计算模块；相似度计算模块用于计算得到输入图像的分类结果。
42、所述的步骤s3，具体包括如下步骤：
43、构建的特征提取模块包括1×1的卷积核、第一batchnorm 2d层、第一relu层和特征提取层；
44、输入的图像数据，通过1×本文档来自技高网...
【技术保护点】
1.一种基于注意力机制的小样本医学图像分类方法，包括如下步骤：
2.根据权利要求1所述的基于注意力机制的小样本医学图像分类方法，其特征在于步骤S1所述的获取现有的医学图像数据，具体包括如下步骤：
3.根据权利要求2所述的基于注意力机制的小样本医学图像分类方法，其特征在于步骤S2所述的对步骤S1获取的医学图像数据进行预处理，得到数据集，具体包括如下步骤：
4.根据权利要求3所述的基于注意力机制的小样本医学图像分类方法，其特征在于所述的图像增强，具体包括如下步骤：
5.根据权利要求4所述的基于注意力机制的小样本医学图像分类方法，其特征在于步骤S3所述的基于原型网络和注意力机制，构建医学图像分类初始模型，具体包括如下步骤：
6.根据权利要求5所述的基于注意力机制的小样本医学图像分类方法，其特征在于所述的步骤S3，具体包括如下步骤：
7.根据权利要求6所述的基于注意力机制的小样本医学图像分类方法，其特征在于步骤S4所述的训练，具体包括如下步骤：
8.一种包括了权利要求1～7之一所述的基于注意力机制的小样本
...【技术特征摘要】
1.一种基于注意力机制的小样本医学图像分类方法，包括如下步骤：
2.根据权利要求1所述的基于注意力机制的小样本医学图像分类方法，其特征在于步骤s1所述的获取现有的医学图像数据，具体包括如下步骤：
3.根据权利要求2所述的基于注意力机制的小样本医学图像分类方法，其特征在于步骤s2所述的对步骤s1获取的医学图像数据进行预处理，得到数据集，具体包括如下步骤：
4.根据权利要求3所述的基于注意力机制的小样本医学图像分类方法，其特征在于所述的图像增强，具体包括如下步骤：
5.根据权...
【专利技术属性】
技术研发人员：奎晓燕，吕顶，邹北骥，廖胜辉，李钦松，司伟鑫，梁伟，
申请(专利权)人：中南大学，
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。