CT图像特征提取方法、装置、电子设备和存储介质制造方法及图纸

本发明专利技术提供一种CT图像特征提取方法、装置、电子设备和存储介质，所述方法包括：基于特征提取模型，获取样本CT图像的样本图像序列的特征权重参数；基于特征权重参数，提取CT图像特征；其中，特征提取模型是基于样本CT图像的样本图像序列对以及样本图像序列对对应的样本光流图进行对比学习得到的。本发明专利技术对比学习得到的特征提取模型能够学习无标签的样本CT图像的样本图像序列对上图像的通用表示形式，进而在基于特征提取模型的特征权重参数提取CT图像特征时，可以快速且准确从待提取特征的CT图像中提取出能够表达该CT图像本质的通用特征，从而可以避免传统方法中人工标注量大且周期长的问题。周期长的问题。周期长的问题。

【技术实现步骤摘要】
CT图像特征提取方法、装置、电子设备和存储介质


[0001]本专利技术涉及图像处理
，尤其涉及一种CT图像特征提取方法、装置、电子设备和存储介质。

技术介绍

[0002]图像特征提取是使用计算机提取图像信息，决定每个图像的点是否属于一个图像特征。特征提取的结果是把图像上的点分为不同的子集，这些子集往往属于孤立的点、连续的曲线或者连续的区域。
[0003]图像特征提取是图像处理中的一个初级运算，也就是说它是对一个图像进行的第一个运算处理。它检查每个像素来确定该像素是否代表一个特征。假如它是一个更大的算法的一部分，那么这个算法一般只检查图像的特征区域。作为特征提取的一个前提运算，输入图像一般通过高斯模糊核在尺度空间中被平滑。此后通过局部导数运算来计算图像的一个或多个特征。
[0004]计算机断层扫描(Computed Tomography，CT)可以获取清晰的CT图像。如脑CT图像可明确显示脑肿瘤、脑出血或是脑损伤等各种情形，但由于不同CT装置所得图像的像素大小及数目不同，CT图像结果通常是一整套图像序列，而疾病可能仅能体现在其中某几张切片上。
[0005]目前，多通过特征提取模型提取CT图像特征，但现有的特征提取模型通常需要在监督学习的情况下完成，从而需要规模庞大且专业的数据标注，标注工作量较大，进而影响模型的训练效率。

技术实现思路

[0006]本专利技术提供一种CT图像特征提取方法、装置、电子设备和存储介质，用以解决现有技术中特征提取模型标注工作量大导致模型训练效率较低的缺陷。
[0007]本专利技术提供一种CT图像特征提取方法，包括：、基于特征提取模型，获取样本CT图像的样本图像序列的特征权重参数；
[0008]基于所述特征权重参数，提取CT图像的图像特征，所述CT图像包括CT图像序列对及其对应的光流图；
[0009]其中，所述特征提取模型是基于样本CT图像的样本图像序列对以及所述样本图像序列对对应的样本光流图进行对比学习得到的。
[0010]根据本专利技术提供的一种CT图像特征提取方法，所述特征提取模型是基于如下步骤训练得到的：
[0011]将所述样本图像序列对输入至所述特征提取模型的查询编码层，得到所述查询编码层输出的原始特征；
[0012]将所有样本图像序列对对应的光流图输入至所述特征提取模型的动量编码层，得到所述动量编码层输出的各光流图对应的关键字特征；
[0013]将所述原始特征和所有关键字特征输入至所述特征提取模型的对比层，由所述对比层从各关键字特征中确定与所述原始特征相似度最高的特征作为正样本特征，并将其余关键字特征作为负样本特征；
[0014]基于所述正样本特征、所述负样本特征以及所有关键字特征，确定损失函数值，并以所述损失函数值更新所述特征权重函数。
[0015]根据本专利技术提供的一种CT图像特征提取方法，所述特征提取模型的损失函数用于最小化所述原始特征与所述正样本特征之间的差异，最大化所述原始特征与负样本特征之间的差异；所述负样本特征指除所述正样本特征外的关键字特征。
[0016]根据本专利技术提供的一种CT图像特征提取方法，所述损失函数值是基于如下公式确定的：
[0017][0018]其中，l
q
表示所述损失函数值，q表示所述原始特征，k
+
表示所述正样本特征，τ表示温度参数，k
i
表示所述关键字特征，K表示样本池的字典长度。
[0019]根据本专利技术提供的一种CT图像特征提取方法，所述样本图像序列对对应的样本光流图是基于如下步骤确定的：
[0020]基于模糊权重因子，以及所述样本图像序列对，确定所述样本图像序列对对应的光流场；
[0021]基于所述光流场，生成所述样本图像序列对对应的样本光流图。
[0022]根据本专利技术提供的一种CT图像特征提取方法，所述光流场是基于如下公式确定的：
[0023]d
out
(x,y)＝γ
×
G
avg
(x,y)
‑1×
h
avg
(x,y)；
[0024]其中，d
out
(x,y)表示所述光流场，γ表示所述模糊权重因子，x表示所述样本图像序列对中前一张序列的像素点位置，y表示所述样本图像序列对中后一张序列的像素点位置，G
avg
(x,y)
‑1和h
avg
(x,y)表示采用二次线性插值法计算得到的系数向量值。
[0025]根据本专利技术提供的一种CT图像特征提取方法，所述CT图像特征用于对图像分类模型进行训练，以使训练完成的图像分类模型对各CT图像进行分类。
[0026]本专利技术还提供一种CT图像特征提取装置，包括：
[0027]参数获取单元，用于获取特征提取模型的特征权重参数；
[0028]特征提取单元，用于基于所述特征权重参数，提取CT图像的图像特征，所述CT图像包括CT图像序列对及其对应的光流图；
[0029]其中，所述特征提取模型是基于样本CT图像的样本图像序列对以及所述样本图像序列对对应的样本光流图进行对比学习得到的。
[0030]本专利技术还提供一种电子设备，包括存储器、处理器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任一种所述CT图像特征提取方法的步骤。
[0031]本专利技术还提供一种非暂态计算机可读存储介质，其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任一种所述CT图像特征提取方法的步骤。
[0032]本专利技术提供的CT图像特征提取方法、装置、电子设备和存储介质，基于样本CT图像
的样本图像序列对以及样本图像序列对对应的样本光流图进行对比学习得到特征提取模型，从而使得学习得到的特征提取模型能够学习无标签的样本CT图像的样本图像序列对上图像的通用表示形式，进而在基于特征提取模型的特征权重参数提取CT图像特征时，可以快速且准确从待提取特征的CT图像中提取出能够表达该CT图像本质的通用特征，即基于该通用特征就可以判断该CT图像中是否存在疾病特征，从而可以避免传统方法中人工标注量大且周期长的问题。
附图说明
[0033]为了更清楚地说明本专利技术或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0034]图1是本专利技术提供的CT图像特征提取方法的流程示意图；
[0035]图2是本专利技术提供的特征提取模型训练的流程示意图；
[0036]图3是本专利技术提供的光流图生成的流程示意图；
[0037]图4是本专利技术提供的CT图像特征提取装置的结构示意图；
[0038]图5是本专利技术提供的电子设本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种CT图像特征提取方法，其特征在于，包括：基于特征提取模型，获取样本CT图像的样本图像序列的特征权重参数；基于所述特征权重参数，提取CT图像的图像特征，所述CT图像包括CT图像序列对及其对应的光流图；其中，所述特征提取模型是基于样本CT图像的样本图像序列对以及所述样本图像序列对对应的样本光流图进行对比学习得到的。2.根据权利要求1所述的图像特征提取方法，其特征在于，所述特征提取模型是基于如下步骤训练得到的：将所述样本图像序列对输入至所述特征提取模型的查询编码层，得到所述查询编码层输出的原始特征；将所有样本图像序列对对应的光流图输入至所述特征提取模型的动量编码层，得到所述动量编码层输出的各光流图对应的关键字特征；将所述原始特征和所有关键字特征输入至所述特征提取模型的对比层，由所述对比层从各关键字特征中确定与所述原始特征相似度最高的特征作为正样本特征，并将其余关键字特征作为负样本特征；基于所述正样本特征、所述负样本特征以及所有关键字特征，确定损失函数值，并以所述损失函数值更新所述特征权重函数。3.根据权利要求2所述的图像特征提取方法，其特征在于，所述特征提取模型的损失函数用于最小化所述原始特征与所述正样本特征之间的差异，最大化所述原始特征与负样本特征之间的差异；所述负样本特征指除所述正样本特征外的关键字特征。4.根据权利要求2所述的图像特征提取方法，其特征在于，所述损失函数值是基于如下公式确定的：其中，l
q
表示所述损失函数值，q表示所述原始特征，k
+
表示所述正样本特征，τ表示温度参数，k
i
表示所述关键字特征，K表示样本池的字典长度。5.根据权利要求1所述的图像特征提取方法，其特征在于，所述样本图像序列对对应的样本光流图是基于如下步骤确定的：基于模糊权重因子，以及所述样本图像序列...

【专利技术属性】
技术研发人员：李建强，谭卓斐，付光辉，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：