【技术实现步骤摘要】
基于交叉注意力机制的骨折影像精细识别网络构建方法
[0001]本专利技术涉及医学影像处理领域，具体是基于交叉注意力机制的骨折影像精细识别网络构建方法。
技术介绍
[0002]多源影像少样本图像识别算法在医学领域有广阔的应用前景。少样本分类的目的是在不可见域只有少数标记的样本的情况下识别未标记的样本，在具体实现过程中少样本学习算法面临以下3大挑战：可用样本极少、同类别样本存在较大差异、以及不同类别样本存在相似性；特别是在图像精细类识别方面，不可见域的不同类别样本之间相似性极高的特点尤为突出。现有的少样本识别方法分别从支撑集标记样本和验证集未标记样本中提取特征，导致特征的判别性不够，分类效果不佳。
[0003]因此，在算法选择上，一方面，需选取较为灵活的算法，以适应特定域转移条件下的少样本识别问题；另一方面，算法应在骨折影像精细部位识别的特定任务上识别精度较高，目前常见的图像识别算法通常难以兼具以上特点。
技术实现思路
[0004]本专利技术的目的在于提供基于交叉注意力机制的骨折影像精细识别网络构建方法，...
【技术保护点】
【技术特征摘要】
1.基于交叉注意力机制的骨折影像精细识别网络构建方法，其特征在于，包括以下步骤：S1，获取原始骨折影像的样本数据集，通过人工对该数据集进行精细分类标注，并基于分类后的样本数据集进行交叉数据增强；S2，构建包括特征提取模块、特征自适应模块及图像分类模块的交叉注意力网络结构；S3，由局部分类器损失和全局分类器损失组建总的损失模型，训练交叉注意力网络结构。2.根据权利要求1所述基于交叉注意力机制的骨折影像精细识别网络构建方法，其特征在于，步骤S1中，所述样本数据集包括17种不同类型骨骼区域的骨折影像数据，所述17种骨骼区域为：肱骨、肩胛骨、锁骨、肋骨、椎骨、骨盆、股骨、髌骨、胫骨、腓骨、跟骨、掌骨、腕骨、尺骨桡骨和指骨；所述对该数据集进行精细分类标注，包括对骨折病灶部位逐一分类标注，并以至少包括有17种不同类型骨骼区域的骨折影像数据作为测试数据集，并选取5类作为训练集，随机选取其余5类作为支撑集，剩余7类作为验证集。3.根据权利要求1所述基于交叉注意力机制的骨折影像精细识别网络构建方法，其特征在于，所述...
【专利技术属性】
技术研发人员：霍彤彤，叶哲伟，董喆，高飞，谢卯，陆林，刘蓬然，刘松相，张加尧，谢毅，
申请(专利权)人：华中科技大学同济医学院附属协和医院，
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。