一种基于无监督特征匹配的脑部CT医学图像处理方法技术

本发明专利技术涉及一种基于无监督特征匹配的脑部CT医学图像处理方法，具体包括以下步骤：S1、获取脑部CT图像所在的大规模数据集，根据大规模数据集上的预训练网络模型对数据特征进行提取，并对其进行降维降噪处理；S2、对完成处理的脑部CT图像进行距离计算，完成数据特征的特征匹配，并通过不确定性采样的深度主动学习算法对未标注的脑部CT图像进行计算，得到不确定性计算结果；S3、根据数据特征的特征匹配结果，对不确定性计算结果进行重采样，再通过改进后的不确定性采样的深度主动学习算法计算得到包括丰富价值信息的脑部CT医学图像。与现有技术相比，本发明专利技术具有提高在面对大规模未标注数据时脑部CT图像的图像处理结果的稳定性和效率性等优点。率性等优点。率性等优点。

【技术实现步骤摘要】
一种基于无监督特征匹配的脑部CT医学图像处理方法


[0001]本专利技术涉及医学图像处理
，尤其是涉及一种基于无监督特征匹配的脑部CT医学图像处理方法。

技术介绍

[0002]主动学习(Active learning)旨在对从大规模未标注数据中采样对网络训练最具价值的数据，进而达到在有限标注成本的前提下尽可能地提高整个深度学习网络模型的学习效率和质量。但是，传统的主动学习算法，其中特别是基于不确定性采样的深度主动学习算法在面对大规模未标注数据时容易产生数据偏向问题，即所采样的数据不能很好地表征原始未标注数据。在特殊情况下，传统的基于不确性采样的深度主动学习算法在们面对较大规模数据时的表现甚至低于随机采样。尽管当前有很多文献、工作等旨在缓解不确定性采样容易产生的数据偏向问题，但是此类方法通常面临非常高的算力成本和需要设计复杂的训练损失，所以此类方法在面对不同任务时无法表现出通用性。
[0003]在目前的医学图像处理领域，主动学习算法的使用十分广泛，但是仍存在上述所提交的学习网络模型的学习效率和质量不高的问题，尤其是对于脑部CT图像的处理，由于脑部CT图像的数量较多，但每张图像之间的区别点较小，而且图像本身的精度不高，因此当学习网络模型的学习效率和质量不高时，最终得到的处理后需要投入使用的脑部CT图像的准确性较差。

技术实现思路

[0004]本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于无监督特征匹配的脑部CT医学图像处理方法，提高了在面对大规模未标注数据时脑部CT图像的图像处理结果的稳定性和效率性，并且具有较高的性能表现。
[0005]本专利技术的目的可以通过以下技术方案来实现：
[0006]一种基于无监督特征匹配的脑部CT医学图像处理方法，具体包括以下步骤：
[0007]S1、获取脑部CT图像所在的大规模数据集，根据大规模数据集上的预训练网络模型对数据特征进行提取，并对其进行降维降噪处理；
[0008]S2、对完成处理的脑部CT图像进行距离计算，完成数据特征的特征匹配，并通过不确定性采样的深度主动学习算法对未标注的脑部CT图像进行计算，得到不确定性计算结果；
[0009]S3、根据数据特征的特征匹配结果，对不确定性计算结果进行重采样，再通过改进后的不确定性采样的深度主动学习算法计算得到包括丰富价值信息的脑部CT医学图像。
[0010]所述脑部CT图像所在的大规模数据集为ImageNet数据集。
[0011]所述预训练网络模型具体为VGG16网络模型。
[0012]进一步地，所述VGG16网络模型中通过池化层和第三卷积层来检测未标记数据的特征信息，具体为第三模块中的池化层和第四模块中的第三卷积层。
[0013]所述步骤S1中通过主成分分析算法进行降维降噪处理。
[0014]所述步骤S2中通过计算脑部CT图像之间的余弦距离来进行特征匹配和比对。
[0015]所述数据特征的特征维度为256维。
[0016]所述改进后的不确定性采样的深度主动学习算法在进行不确定性计算的过程中包括最小置信度采样。
[0017]所述改进后的不确定性采样的深度主动学习算法在进行不确定性计算的过程中包括边缘采样。
[0018]所述改进后的不确定性采样的深度主动学习算法在进行不确定性计算的过程中包括熵方法采样。
[0019]与现有技术相比，本专利技术具有以下有益效果：
[0020]1.本专利技术在现有的大规模数据集上的预训练网络模型对数据特征进行提取，有效地节省高昂的特征匹配模型的训练代价，同时进行降维降噪处理，充分保证了特征匹配的效率性和鲁棒性。
[0021]2.本专利技术在现有的不确定性计算方法基础之上结合特征匹配算法，进而保证不确定性的计算同时考虑单个数据特性和多个数据之间的特征关系，有效地缓解现有技术中容易产生的数据偏向问题，提高了脑部CT图像处理结果的准确性。
[0022]3.本专利技术在现有技术中的不确定性采样的深度主动学习算法中增设最小置信度采样、边缘采样和熵方法采样，不仅可以基于数据中分类等简单信息对不确定性进行计算，更可以感知更复杂的特征以确保不确定计算的科学性和实用性，保证最终输出的包括丰富价值信息的脑部CT医学图像的稳定性。
附图说明
[0023]图1为本专利技术的流程示意图；
[0024]图2为本专利技术的整体流程示意图；
[0025]图3为本专利技术无监督特征匹配算法的特征融合算法的流程示意图；
[0026]图4为本专利技术脑部CT医学图像处理的处理结果示意图。
具体实施方式
[0027]下面结合附图和具体实施例对本专利技术进行详细说明。本实施例以本专利技术技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本专利技术的保护范围不限于下述的实施例。
[0028]实施例
[0029]如图1所示，一种基于无监督特征匹配的脑部CT医学图像处理方法，具体包括以下步骤：
[0030]S1、获取脑部CT图像所在的大规模数据集，根据大规模数据集上的预训练网络模型对数据特征进行提取，并对其进行降维降噪处理；
[0031]S2、对完成处理的脑部CT图像进行距离计算，完成数据特征的特征匹配，并通过不确定性采样的深度主动学习算法对未标注的脑部CT图像进行计算，得到不确定性计算结果；
[0032]S3、根据数据特征的特征匹配结果，对不确定性计算结果进行重采样，再通过改进后的不确定性采样的深度主动学习算法计算得到包括丰富价值信息的脑部CT医学图像，如图4所示。
[0033]脑部CT图像所在的大规模数据集为ImageNet数据集。
[0034]预训练网络模型具体为VGG16网络模型。
[0035]如图2所示，本实施例中，经过待学习模型训练后的不确定数据，通过基于特征匹配的不确定性算法，经预训练模型之后，得到方差最大的k个数据特征进行融合，具体融合过程如图3所示，去除相似数据之后，对得到的数据进行标注，得到标注数据作为不确定性计算结果并输入到待学习模型中。
[0036]如图3所示，VGG16网络模型中通过池化层和第三卷积层来检测未标记数据的特征信息，具体为第三模块中的池化层和第四模块中的第三卷积层。
[0037]步骤S1中通过主成分分析算法进行降维降噪处理。
[0038]步骤S2中通过计算脑部CT图像之间的余弦距离来进行特征匹配和比对。
[0039]数据特征的特征维度为256维。
[0040]改进后的不确定性采样的深度主动学习算法在进行不确定性计算的过程中包括最小置信度采样。
[0041]改进后的不确定性采样的深度主动学习算法在进行不确定性计算的过程中包括边缘采样。
[0042]改进后的不确定性采样的深度主动学习算法在进行不确定性计算的过程中包括熵方法采样。
[0043]此外，需要说明的是，本说明书中所描述的具体实施例，所取名称可以不同，本说明书中所描述的以上本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于无监督特征匹配的脑部CT医学图像处理方法，其特征在于，具体包括以下步骤：S1、获取脑部CT图像所在的大规模数据集，根据大规模数据集上的预训练网络模型对数据特征进行提取，并对其进行降维降噪处理；S2、对完成处理的脑部CT图像进行距离计算，完成数据特征的特征匹配，并通过不确定性采样的深度主动学习算法对未标注的脑部CT图像进行计算，得到不确定性计算结果；S3、根据数据特征的特征匹配结果，对不确定性计算结果进行重采样，再通过改进后的不确定性采样的深度主动学习算法计算得到包括丰富价值信息的脑部CT医学图像。2.根据权利要求1所述的一种基于无监督特征匹配的脑部CT医学图像处理方法，其特征在于，所述脑部CT图像所在的大规模数据集为ImageNet数据集。3.根据权利要求1所述的一种基于无监督特征匹配的脑部CT医学图像处理方法，其特征在于，所述预训练网络模型具体为VGG16网络模型。4.根据权利要求3所述的一种基于无监督特征匹配的脑部CT医学图像处理方法，其特征在于，所述VGG16网络模型中通过池化层和第三卷积层来检测未标记数据的特征...

【专利技术属性】
技术研发人员：林晓，孙树州，黄伟，郑晓妹，蒋林华，
申请(专利权)人：上海师范大学，
类型：发明
国别省市：