【技术实现步骤摘要】
一种基于小样本学习的结直肠癌的计算机辅助诊断方法
[0001]本专利技术涉及图像处理
,特别是涉及一种基于小样本学习的结直肠癌的计算机辅助诊断方法。
技术介绍
[0002]病理切片图像是医学图像领域的范畴,在光镜下细胞核的形态表现仍然是目前肿瘤诊断的主要依据。癌症是人类难以攻克的顽疾,而结直肠癌作为消化道疾病中常见的一种恶性肿瘤,相关数据表明其发病率、致死率都在我国癌症前三位,严重影响着人们的生活和健康,而结直肠癌的早期检测对提高其治愈率有着很大的帮助。
[0003]目前的检测方法多是依赖显微镜与病理学家们的个人经验,使得检测结果具有主观性与差异性。随着图像处理技术的发展,有关病理图像计算机辅助检测系统应运而生,结直肠癌病理切片显微图像的自动分割与诊断是一个亟待解决的关键问题,好的分割诊断算法能够给病理学家提供客观精确的“第二意见”。
[0004]自20世纪中后期起,研究人员就开始进行医学图像分割相关技术的研究,希望通过计算机辅助技术减轻病理学家的沉重负担,但是这些算法通常鲁棒性较差,过程复杂且无法提供方便人类理解的语义信息。
[0005]众所周知,大多数视觉任务的深度学习网络模型都需要大规模的标注数据来训练。而与自然图像相比,医学图像的数据样本相对较少,且精细的图像标注往往需要大量的专家进行人工操作,费时耗力,高昂的人工标注成本也限制着深度学习在医学图像分割领域的应用。因此,实现基于小样本学习的结直肠癌诊断技术不仅可以挽救无数患者的生命,而且对于节约医疗资源成本,缓解医患矛盾等问题也有 ...
【技术保护点】
【技术特征摘要】
1.基于小样本学习的结直肠癌的计算机辅助诊断方法,其特征在于,包括步骤:通过两个结构相同的骨干网分别抽取出预处理之后的查询图像与支持图像集的特征;对上述特征经余弦相似度计算后将得到所有支持像素间的最大相似度作为响应值进行归一化后转换成图像大小,得到相似度矩阵corr,作为响应值特征图;利用响应值特征图与查询图像的特征及支持图像的特征,传递给后续的卷积网络得到分割与诊断结果,通过损失函数计算出相应的损失,再将误差反向传播对网络参数进行优化更新。2.根据权利要求1所述基于小样本学习的结直肠癌的计算机辅助诊断方法,其特征在于,所述的相似度矩阵corr的计算方式如下:corr=Upsample(sim),其中,sim1为余弦相似度计算后得到的所有像素间的最大相似度,sim代表归一化后的最大相似度值,||
·
||2表示L2范数,即向量各元素的平方和然后求平方根,max是计算最大值,min是计算最小值,∈是非零常数,Upsample代表双线性插值上采样操作,即将sim进行双线性插值上采样缩放至所需的图像大小,Fq与Fs分别代表骨干网从预处理的查询图像与支持图像集中提取得到的查询图像的特征与支持图像集的特征。3.根据权利要求2所述基于小样本学习的结直肠癌的计算机辅助诊断方法,其特征在于,所述损失函数如下:其中,g表示深度卷积神经网络对输入图像的推理输出,g
t
表示数据集标注的标签。4.根据权利要求3所述基于小样本学习的结直肠癌的计算机辅助诊断方法,其特征在于,所述骨干网采用的resnet50。5.根据权利要求4所述基于小样本学习的结直肠癌的计算机辅助诊断方法,其特征在于,查询图像利用骨干网分别得到五个卷积块{Q0,Q1,Q2,Q3,Q4}的输出{q0,q1,q2,q3,q4},将特征图q2双线性插值上采样操作缩放到特征图q3大小之后与特征图q3进行通道拼接,得到特征图Q_feat,然后再经过一层卷积层Qd得到特征图qd,特征图qd经过一个平均池化层的操作得到Q_avg;支持图像经过resnet50的五个卷积块{S0,S1,S2,S3,S4}处理后得到输出{s0,s1,s2,s3,s4},将特征图s2双线性插值上采样缩放到特征图s3的大小之后与特征图s3进行通道拼接,然后将拼接的特征图经过一个卷积层Sd得到特征图sd;支持图像的掩码图像y与特征图s3乘法操作,乘法操作的结果作为卷积块S4的输入,特征图s4与支持图像的掩码图像y乘法操作得到特征图S_feat,计算特征图S_feat与查询图像的特征图q4的余弦相似度,再将得到的余弦相似度最大值进行归一化处理后,双线性插值上采样成特征图Q_avg大小的相似度矩阵corr。6.根据权利要求5所述基于小样本学习的结直肠癌的计算机辅助诊断方法,其特征在于,将特征图sd与支持图像的掩码图像y进行加权全局平均池化操作,得到Sgap_feat,其中
加权全局平均池化操作具体为特征图sd与...
【专利技术属性】
技术研发人员:孙哲南,伍湘琼,王云龙,
申请(专利权)人:天津中科智能识别产业技术研究院有限公司,
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。