【技术实现步骤摘要】
本专利技术涉及图像处理，具体地，涉及一种腺样体肥大程度分类方法。
技术介绍
1、临床上通过在鼻内镜下测量犁骨与腺样体组织之间的距离，将腺样体的肥大程度分为1至3级。目前医疗影像的处理，往往会将病灶图像分割后的信息作为病变分级的参考依据，例如脑肿瘤分级、肺结节检测等。分割技术能够精准区分病变与正常组织，并且提供位置、形状等信息。但是，由于患者个体差异，技术应用存在挑战：仅凭病灶绝对大小和位置进行分级易产生误差，尤其在单目内窥镜检查中，病灶面积因距离不同而变化大，影响分级准确性。最终，导致医生对腺样体肥大程度的判断不准确。
2、现有技术cn113116305a公开了一种鼻咽内镜图像的处理方法，通过获取鼻咽内镜图像，确定鼻咽内镜图像的后鼻孔区域和腺样体堵塞区域，根据后鼻孔区域和腺样体堵塞区域确定腺样体肥大程度，由此可以使得到的腺样体肥大程度更加精确。
3、现有技术通过图像确定鼻咽内镜图像的后鼻孔区域和腺样体堵塞区域，从而直接判断腺样体的肥大程度。并未对图像进行任何分析处理，全凭经验来判断腺样体的肥大程度，同样存在腺样体肥大程度判断不准确的问题。
技术实现思路
1、本专利技术解决的技术问题在于克服现有技术中存在的问题，提供能准确判断腺样体肥大程度的一种腺样体肥大程度分类方法。
2、本专利技术的目的通过以下技术方案实现：
3、公开一种腺样体肥大程度分类方法，包括以下步骤：
4、s1：采集腺样体与鼻咽腔拍摄完整的鼻内镜成像图，对成像图
5、s2：将图像imagemask划分生成两个互补的白色区域以及黑色区域，并对两个区域图像进行特征提取，最终得到分割特征输出fout；
6、s3：对分割特征输出fout进行对比学习，并对学习后的结果进行预测，从而得到预测分级结果yp；
7、s4：得到黑白双区aw和ab的相对面积之比r；对yp和r采用加权方法，分配相应的权重，从而得到准确的分类结果。
8、优选地，所述步骤s1中，所述预处理包括针对不同肥大程度的腺样体和鼻咽腔实施分类标注，然后再将图像image输入至分割模型进行初步分割，从而获得带有掩码的图像imagemask。
9、优选地，所述步骤s2包括以下步骤：
10、s21：对原始图像image实施网格化操作，将image划分为多个网格图像，记为i＝{p1，p2，...，pn},然后，设置输入图像尺寸i为3×h×w；再依据imagemask把图像分为白色区域和黑色区域
11、s22：分别针对黑白区域中的第i个网格图像和进行特征提取操作，从而生成对应的特征表示和
12、s23：将和借助融合操作fw和fb进行融合,以增强信息互补性，进而构建出最终的分割特征输出fout。
13、优选地，所述步骤s22中，将病灶区域iw和非病灶区域ib细分为多个小块和并应用特征提取函数f(·)对每一块进行处理，获取相应的特征向量：
14、
15、计算出白区和黑区的交叉熵首先将pc(x)定义为在块x中找到类别的概率；利用这些概率，从而定量衡量每个区域对图像信息的贡献：
16、
17、c为类别，最终，通过比较和分析出白色和黑色区域之间信息贡献的差异。
18、优选地，所述步骤s23中，fout的计算公式为：
19、fout＝α·fw+(1-α)·fb
20、其中α∈[0，1]是融合权重，用于控制白色和黑色区域特征的贡献比例。
21、优选地，所述步骤s5包括：
22、s31：通过对比学习，计算对比损失；
23、s32：对多级特征块进行融合，以整合不同层次的信息，并通过解码器将融合后的特征用于预测工作。
24、优选地，所述步骤s31中，
25、
26、其中cos(·)表示余弦相似度函数，τ是超参数，g(·)是浅层全连接网络；集合∧-由不同于输入图像的特征对嵌入组成；
27、再使用细化后特征对嵌入的余弦相似度来计算每个补丁对之间的距离，然后应用对比学习方法来计算对比损失，从而放大特征对之间的差异；余弦相似度用于测量补丁嵌入之间的距离：
28、
29、并将0到1之间的值范围进行标准化：
30、
31、fout用作特征对对比学习模块的输入；产生特征图pw(白区)和pb(黑区)；预测分数与阈值∈决定了分类的置信度：当时，被归为高置信度类别当时，被归为低置信度类别特征提取应用于每个区域的n个块，进一步计算类间的相似度和距离；捕获pw和pb之间的互补关系；
32、黑白双区配对比较学习误差的技术公式为：
33、
34、其中，和分别表示高置信度和低置信度的对数；fhigh和flow分别表示高置信度对和低置信度对的特征嵌入。
35、优选地，所述步骤s32包括：首先对多级特征块进行融合，以整合不同层次的信息；解码器生成的类别分布映射到分级结果：
36、其中seg(·)是分割解码器，是输入图像ic的预测结果；
37、解码器生成的预测结果与特征对的预测类别结果相结合，计算分割损失
38、
39、n表示图像中的像素总数，表示输入图像ic的真实分割图；
40、交叉熵损失的计算公式为：
41、
42、yi为第个像素的真实类别标签，为通过解码器预测得到的类别标签，通过计算该分割损失，得到图像的预测分级结果yp。
43、优选地，所述步骤s4中，
44、面积比r的计算公式为：
45、
46、aw表示白区的面积，ab表示黑区的面积。
47、优选地，所述步骤s4中，令pl(x)表示位置x上标签l的预测概率，a(x)表示面积比，则最终标签l(x)的计算公式为：
48、
49、利用分割损失用于优化图像分割的精度，是特征对对比学习的损失，通过对比学习来强化输入图像的特征关系和特征区分度,则专注于对比学习模块中黑白区域特征的优化，通过减少类内距离和增加类间分离来提升模型的区分能力；最终的总损失函数是这几个损失项的加权和；总损伤函数的计算公式为：
50、
51、α，β，γ为各损失项的权重系数。
52、与现有技术相比，其具有以下有益效果：
53、1)通过构建黑区与白区的此消彼长的关系，提升了分割与分级的精度和稳定性。引入双区对比学习，使同类特征更紧密，不同类特征更分散，增强了模型的判别能力和泛化性能。最后采用加权方法，分配对应的权重，从而实现对图片的处理，提高腺样体肥大程度判断的准确性。
54、2)能够实现精确的分割效果，还能生成准确的分级结果，为病灶分析提供了可靠的支持。
本文档来自技高网...【技术保护点】
1.一种腺样体肥大程度分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种腺样体肥大程度分类方法，其特征在于，所述步骤S1中，所述预处理包括针对不同肥大程度的腺样体和鼻咽腔实施分类标注，然后再将图像image输入至分割模型进行初步分割，从而获得带有掩码的图像imagemask。
3.根据权利要求1所述的一种腺样体肥大程度分类方法，其特征在于，所述步骤S2包括以下步骤：
4.根据权利要求3所述的一种腺样体肥大程度分类方法，其特征在于，所述步骤S22中，将病灶区域Iw和非病灶区域Ib细分为多个小块和并应用特征提取函数f(·)对每一块进行处理，获取相应的特征向量：
5.根据权利要求4所述的一种腺样体肥大程度分类方法，其特征在于，所述步骤S23中，Fout的计算公式为：
6.根据权利要求1所述的一种腺样体肥大程度分类方法，其特征在于，所述步骤S5包括：
7.根据权利要求6所述的一种腺样体肥大程度分类方法，其特征在于，所述步骤S31中，
8.根据权利要求6所述的一种腺样体肥大程度分类方法，其特
9.根据权利要求1所述的一种腺样体肥大程度分类方法，其特征在于，所述步骤S4中，
10.根据权利要求1所述的一种腺样体肥大程度分类方法，其特征在于，所述步骤S4中，令Pl(x)表示位置x上标签l的预测概率，A(x)表示面积比，则最终标签l(x)的计算公式为：
...【技术特征摘要】
1.一种腺样体肥大程度分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种腺样体肥大程度分类方法，其特征在于，所述步骤s1中，所述预处理包括针对不同肥大程度的腺样体和鼻咽腔实施分类标注，然后再将图像image输入至分割模型进行初步分割，从而获得带有掩码的图像imagemask。
3.根据权利要求1所述的一种腺样体肥大程度分类方法，其特征在于，所述步骤s2包括以下步骤：
4.根据权利要求3所述的一种腺样体肥大程度分类方法，其特征在于，所述步骤s22中，将病灶区域iw和非病灶区域ib细分为多个小块和并应用特征提取函数f(·)对每一块进行处理，获取相应的特征向量：
5.根据权利要求4所述的一种腺样体肥大程度分类方法，其特征在于，所述...
【专利技术属性】
技术研发人员：袁鑫攀，金思铭，匡俊桦，赵贵虎，王跃明，倪炜，
申请(专利权)人：湖南工业大学，
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。