【技术实现步骤摘要】
本专利技术属于图像处理，具体地涉及一种医学影像处理方法、装置、计算机和存储介质。
技术介绍
1、医学影像是医疗领域中用于诊断和治疗规划的关键工具，涵盖了多种成像技术所获取的图像。这些包括计算机断层扫描(ct)、正电子发射断层成像(pet)、单光子辐射断层摄像(spect)、核磁共振成像(mri)，以及其他医学影像设备所生成的图像。医学影像的成像原理和组织特性存在差异，同时受到噪声、场偏移效应、局部体效应和组织运动等多种因素的影响，使得医学影像与普通影像相比，呈现出模糊和不均匀性的特点。
2、人体解剖结构的复杂性和个体间的差异进一步增加了医学影像处理的难度。医学影像分割是将影像根据相似性特征划分为互不相交的“连通”区域的过程，这些特征可能包括亮度、颜色、纹理、面积、形状、位置、局部统计特征或频谱特征等。在分割过程中，同一区域内的像素应表现出一致性或相似性，而不同区域间则应有明显差异，区域边界上的像素应显示出不连续性。
3、现有的医学影像分割技术多依赖于单一模态，这限制了分割效果和准确性。
技术实现思路
1、为了解决上述技术问题，本专利技术提供了一种医学影像处理方法、装置、计算机和存储介质，用于解决现有技术中的技术问题。
2、一方面，该专利技术提供以下技术方案，一种医学影像处理方法，所述方法包括：
3、利用主动学习策略对影像样本进行标注，得到标注影像样本；
4、对所述标注影像样本添加噪声，利用选择公式计算添加噪声的所述标注影像
5、利用多尺度混合空洞卷积模块对所述稳定样本集合进行特征提取，以得到影像特征；
6、基于所述影像特征训练得到分割模型，获取医学影像，并基于所述分割模型对所述分割模型进行分割，其中，所述分割模型包括基于窗口的变换器、特征集成机制和线性集合层。
7、相比现有技术，本申请的有益效果为：通过主动学习策略和hdrfe模块，实现了对医学影像的高效、精确分割；通过分割模型能够有效地从图像中提取和整合多尺度特征，提高模型对图像细节的捕捉能力，从而在各种视觉任务中取得更好的性能，进而提高分割精度。
8、进一步的，所述主动学习策略包括：
9、随机选择部分样本作为初始标注样本集合，利用初始标注样本集来训练主动学习模型，以得到分类器；
10、利用所述分类器对未标注样本集合中每一样本进行预测评估，评估所述未标注样本集合中每一样本的不确定性或信息增益；
11、确定采样策略，并使用所述采样策略的数学模型基于所述不确定性或所述信息增益计算所述未标注样本集合中每一样本的潜在价值；
12、根据所述潜在价值选择最有价值的多个样本组成样本集合，对组成的所述样本集合进行人工标注，将人工标注后的所述述样本集合加入到所述初始标注样本集合中，得到标注样本集合；
13、根据所述标注样本集合来重复训练主动学习模型，以重新得到分类器；
14、评估重新得到分类器在验证集上的性能，根据重新得到分类器的性能调整采样策略，并重复所述利用所述分类器对未标注样本集合中每一样本进行预测评估，评估所述未标注样本集合中每一样本的不确定性或信息增益的步骤。
15、进一步的，所述选择公式包括：
16、
17、其中，a为添加噪声的标注影像样本的数量，为第i个标注影像样本的第j个添加噪声的标注影像样本中最优类标的置信度，di为判定值。
18、进一步的，所述基于所述判断值优化所述标注影像样本，形成稳定样本集合的步骤包括：
19、若所述判断值大于阈值，则选择预设参数前的所述标注影像样本，形成稳定样本集合；
20、若所述判断值小于阈值，则选择后预设参数后的所述标注影像样本，形成稳定样本集合。
21、进一步的，在所述基于所述判断值优化所述标注影像样本，形成稳定样本集合的步骤中引入稳定公式，以更好的选择所述标注影像样本；
22、所述稳定公式包括：
23、
24、表示标注影像样本检测框的稳定性评分，是所有添加噪声的标注影像样本稳定性评分的平均值，a表示添加噪声的标注影像样本的数量，表示标注影像样本检测框与第n个添加噪声的标注影像样本检测框的交并比，是一个衡量两个检测框重叠程度的指标，d(y,y′)表示添加噪声的标注影像样本预测框y和标注影像样本预测框y′的中心点之间的欧氏距离，x表示包含噪声样本预测框和原样本预测框的最小闭包区域(即最小外接矩形)的对角线距离，y表示添加噪声的标注影像样本预测框的中心点，y′表示标注影像样本预测框的中心点，表示与标注影像样本检测框的diou最高的第n个添加噪声的标注影像样本检测框。
25、进一步的，所述利用多尺度混合空洞卷积模块对所述稳定样本集合进行特征提取，以得到影像特征的步骤包括：
26、将所述稳定样本集合输入至卷积网络进行初步处理，得到特征图；
27、将所述特征图分别输入至多个卷积路径，得到多个特征，将多个所述特征进行拼接整合，得到特征信息；
28、将所述特征信息与所述稳定样本集合再通过卷积网络进行特征提取，得到不同尺度的上下文信息的影像特征。
29、进一步的，所述分割模型还包括编码器、瓶颈、解码器和重新设计的多尺寸跳跃连接。
30、第二方面，该专利技术提供以下技术方案，一种医学影像处理装置，所述装置包括：
31、标注模块，用于利用主动学习策略对影像样本进行标注，得到标注影像样本；
32、优化模块，用于对所述标注影像样本添加噪声，利用选择公式计算添加噪声的所述标注影像样本的判断值，基于所述判断值优化所述标注影像样本，形成稳定样本集合；
33、提取模块，用于利用多尺度混合空洞卷积模块对所述稳定样本集合进行特征提取，以得到影像特征；
34、分割模块，用于基于所述影像特征训练得到分割模型，获取医学影像，并基于所述分割模型对所述分割模型进行分割，其中，所述分割模型包括基于窗口的变换器、特征集成机制和线性集合层。
35、第三方面，该专利技术提供以下技术方案，一种计算机，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述的医学影像处理方法。
36、第四方面，该专利技术提供以下技术方案，一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述的医学影像处理方法。
本文档来自技高网...【技术保护点】
1.一种医学影像处理方法，其特征在于，所述方法包括：
2.根据权利要求1所述的医学影像处理方法，其特征在于，所述主动学习策略包括：
3.根据权利要求1所述的医学影像处理方法，其特征在于，所述选择公式包括：
4.根据权利要求1所述的医学影像处理方法，其特征在于，所述基于所述判断值优化所述标注影像样本，形成稳定样本集合的步骤包括：
5.根据权利要求1所述的医学影像处理方法，其特征在于，在所述基于所述判断值优化所述标注影像样本，形成稳定样本集合的步骤中引入稳定公式，以更好的选择所述标注影像样本；
6.根据权利要求1所述的医学影像处理方法，其特征在于，所述利用多尺度混合空洞卷积模块对所述稳定样本集合进行特征提取，以得到影像特征的步骤包括：
7.根据权利要求1所述的医学影像处理方法，其特征在于，所述分割模型还包括编码器、瓶颈、解码器和重新设计的多尺寸跳跃连接。
8.一种医学影像处理装置，其特征在于，所述装置包括：
9.一种计算机，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计
10.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的医学影像处理方法。
...【技术特征摘要】
1.一种医学影像处理方法，其特征在于，所述方法包括：
2.根据权利要求1所述的医学影像处理方法，其特征在于，所述主动学习策略包括：
3.根据权利要求1所述的医学影像处理方法，其特征在于，所述选择公式包括：
4.根据权利要求1所述的医学影像处理方法，其特征在于，所述基于所述判断值优化所述标注影像样本，形成稳定样本集合的步骤包括：
5.根据权利要求1所述的医学影像处理方法，其特征在于，在所述基于所述判断值优化所述标注影像样本，形成稳定样本集合的步骤中引入稳定公式，以更好的选择所述标注影像样本；
6.根据权利要求1所述的医学影像处理方法，其特征在于，所述利用多尺度混...
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。