基于傅里叶域自适应的医疗影像预处理方法和装置制造方法及图纸

本发明专利技术提出一种基于傅里叶域自适应的医疗影像预处理方法和装置，其中，方法包括：获取源域影像数据集和目标域影像数据集；基于目标域影像数据集和DBSCAN聚类算法生成目标数据集；设置光谱邻域交换参数；利用光谱邻域交换参数获取完成傅里叶变换的源域影像数据集和目标数据集的振幅图中的低频部分，将源域影像数据集的振幅图中的低频部分替换为目标数据集的振幅图中的低频部分，对替换后的源域影像数据集的振幅图和相位图进行傅里叶逆变换得到重建影像数据集；利用重建影像数据集与目标数据集的特征距离筛选出目标重建影像数据集。根据本发明专利技术的方法解决现有技术中医疗影像的域自适应问题。域自适应问题。域自适应问题。

【技术实现步骤摘要】
基于傅里叶域自适应的医疗影像预处理方法和装置


[0001]本专利技术涉及医疗影像预处理
，尤其涉及一种基于傅里叶域自适应的医疗影像预处理方法和装置。

技术介绍

[0002]随着人工智能在医疗领域的快速发展，越来越多的深度学习模型被用到医疗影像的诊断、分类和分割任务，为医生的提供辅助诊断的建议，如眼底糖尿病视网膜病变的诊断、肺部X光影像新冠诊断等。深度学习模型的应用要求测试数据集与训练数据集的特征分布一致，才能到达模型的最佳预测效果。但是，在实际的医疗影像生成过程中，由于各个医院采用的生成标准不一致，例如关于显影剂的服用量标准、设备参数设置不一致造成影像灰度差别等，造成各个医院之间，甚至同一医院不同数据采集机器之间针对同一个患者的影像数据不同，用来支持人工智能深度学习的时候，其模型参数也会不同。各家医院的数据分布不一致使得深度学习模型在各家医院落地时需要利用本地的医疗影像数据进行重新训练，带来了模型落地效率低，本地数据标注成本高等困难。
[0003]在计算机领域，可以将此问题描述为一个医疗影像的域自适应问题。目前针对传统的域自适应问本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于傅里叶域自适应的医疗影像预处理方法，其特征在于，包括：获取源域影像数据集和目标域影像数据集；对所述目标域影像数据集进行特征化得到目标域特征集，利用DBSCAN聚类算法对所述目标域特征集进行聚类后，基于样本个数最多的簇生成目标数据集；设置光谱邻域交换参数；分别对所述源域影像数据集和所述目标数据集中的影像进行傅里叶变换得到对应的振幅图和相位图，并利用所述光谱邻域交换参数，获得对应的振幅图中的低频部分，将所述源域影像数据集的振幅图中的低频部分替换为目标数据集的振幅图中的低频部分，对替换后的源域影像数据集的振幅图和相位图进行傅里叶逆变换得到重建影像数据集；利用所述重建影像数据集与所述目标数据集的特征距离筛选出目标重建影像数据集。2.根据权利要求1所述的方法，其特征在于，所述对所述目标域影像数据集进行特征化得到目标域特征集包括：利用预训练过的无监督屏蔽自动编码器对所述目标域影像数据集进行特征编码，形成目标域特征集。3.根据权利要求1所述的方法，其特征在于，所述利用DBSCAN聚类算法对所述目标域特征集进行聚类后，基于样本个数最多的簇生成目标数据集包括：引入基于密度的DBSCAN聚类算法，初始化扫描半径和最小包含点数两个参数；对所述目标域特征集中未被访问的特征数据样本点，计算各特征数据样本点与其他特征数据样本点的曼哈顿距离；统计所述曼哈顿距离在所述扫描半径内的样本个数，若所述样本个数大于所述最小包含点数，则当前特征数据样本点与其附近特征数据样本点形成一个簇，并递归访问簇内其他特征数据样本点，若所述样本个数小于所述最小包含点数，则标记当前特征数据样本点为噪声点；在所述目标域特征集聚类完成后，确定样本个数最多的簇，并通过距离计算确定出样本个数最多的簇的中心样本，将所述中心样本作为目标数据集。4.根据权利要求1所述的方法，其特征在于，所述设置光谱邻域交换参数包括：定义掩膜和光谱邻域交换参数，所述掩膜表示需要替换的光谱邻域区域，利用所述光谱邻域交换参数确定所述掩膜的区域范围；根据所述源域影像数据集和所述目标数据集的特征偏移量，设置所述光谱邻域交换参数的范围，以及该范围内随机采样的样本个数。5.根据权利要求4所述的方法，其特征在于，所述利用所述光谱邻域交换参数，获得对应的振幅图中的低频部分包括：根据设置的所述光谱邻域交换参数的范围和该范围内的样本个数，首...

【专利技术属性】
技术研发人员：鄂海红，宋美娜，陈正宇，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：