医学影像的特征学习方法、装置、计算机设备及存储介质制造方法及图纸

本申请涉及医学影像领域，特别是涉及到一种医学影像的特征学习方法、装置、计算机设备及存储介质，所述方法包括：接收输入的医学影像；获取所述医学影像的图像数据，将所述医学影像转化为第一数量的矩阵；对所述矩阵进行奇异值分解，得到第二数量的待选奇异值，所述待选奇异值包含每个奇异值的左奇异矩阵和右奇异矩阵；计算所述待选奇异值的信息占比，并选取所述信息占比满足预设值的目标奇异值；根据所述目标奇异值的左奇异矩阵和右奇异矩阵生成所述医学影像的标签图像；将所述医学影像与所述标签图像输入至自监督网络模型进行训练，得到所述医学影像的影像特征。本申请能够提高同质化的医学影像的特征识别的准确性。同质化的医学影像的特征识别的准确性。同质化的医学影像的特征识别的准确性。

【技术实现步骤摘要】
医学影像的特征学习方法、装置、计算机设备及存储介质


[0001]本申请涉及到医学影像领域，特别是涉及到一种医学影像的特征学习方法、装置、计算机设备及存储介质。

技术介绍

[0002]随着成像技术的发展，数字影像已成为医学的主要数据，这一趋势驱动着影像检索功能的建设，以辅助医生临床决策。传统上，影像检索功能采用基于文本的检索方法，建立文本和影像的对应关系，检索时输入关键词查询并返回排序结果，这种方式，无法准确地捕捉医学影像的特征，尤其是同质化较高的医学影像的图像特征。

技术实现思路

[0003]本申请的主要目的为提供一种医学影像的特征学习方法、装置、计算机设备及存储介质，旨在解决目前医学影像的特征学习的准确率低的问题。
[0004]为了实现上述专利技术目的，本申请提出一种医学影像的特征学习方法，包括：
[0005]接收输入的医学影像；
[0006]解析所述医学影像，获取所述医学影像的图像数据，所述图像数据包括通道、宽度及高度数据；
[0007]根据所述通道、宽度及高度数据将所述医学影像转化为第一数量的矩阵；
[0008]对所述矩阵进行奇异值分解，得到第二数量的待选奇异值，所述待选奇异值包含每个奇异值的左奇异矩阵和右奇异矩阵；
[0009]计算所述待选奇异值的信息占比，并选取所述信息占比满足预设值的待选奇异值为目标奇异值；
[0010]获取所述目标奇异值的左奇异矩阵和右奇异矩阵，根据所述目标奇异值的左奇异矩阵和右奇异矩阵生成所述医学影像的标签图像；<br/>[0011]将所述医学影像与所述标签图像输入至自监督网络模型进行训练，得到所述医学影像的影像特征。
[0012]本申请还提供一种医学影像的特征学习装置，包括：
[0013]影像接收模块，用于接收输入的医学影像；
[0014]影像解析模块，用于解析所述医学影像，获取所述医学影像的图像数据，所述图像数据包括通道、宽度及高度数据；
[0015]矩阵转化模块，用于根据所述通道、宽度及高度数据将所述医学影像转化为第一数量的矩阵；
[0016]矩阵分解模块，用于对所述矩阵进行奇异值分解，得到第二数量的待选奇异值，所述待选奇异值包含每个奇异值的左奇异矩阵和右奇异矩阵；
[0017]矩阵选取模块，用于计算所述待选奇异值的信息占比，并选取所述信息占比满足预设值的待选奇异值为目标奇异值；
[0018]标签图像模块，用于获取所述目标奇异值的左奇异矩阵和右奇异矩阵，根据所述目标奇异值的左奇异矩阵和右奇异矩阵生成所述医学影像的标签图像；
[0019]特征学习模块，用于将所述医学影像与所述标签图像输入至自监督网络模型进行训练，得到所述医学影像的影像特征。
[0020]本申请还提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述医学影像的特征学习方法的步骤。
[0021]本申请还提供一种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上述任一项所述医学影像的特征学习方法的步骤。
[0022]本申请例提供了一种高同质化的医学影像的特征学习方法，通过配置医学影像的标签影像，将所述标签影像与所述医学影像的对比，学习医学影像中的信息特征，首先接收输入的医学影像，解析所述医学影像，获取所述医学影像的图像数据，所述图像数据包括通道、宽度及高度数据，根据所述通道、宽度及高度数据将所述医学影像转化为第一数量的矩阵；再对每一个所述矩阵进行奇异值分解((Singular Value Decomposition，SVD)，得到第二数量的待选奇异值，所述待选奇异值包含每个奇异值的左奇异矩阵和右奇异矩阵，然后计算所述待选奇异值的信息占比，并选取所述信息占比满足预设值的待选奇异值为目标奇异值，所述目标奇异值的方向的图像特征是具有信息的、非冗余的，从而提取出能医学影像中的信息特征，并减少数据的计算量，提高计算效率，由于k个目标奇异值的方向的图像特征是具有信息的、非冗余的，本实施例通过前面k个目标奇异值的左奇异矩阵和右奇异矩阵来近似表征原始影像，获取所述目标奇异值的左奇异矩阵和右奇异矩阵，根据所述目标奇异值的左奇异矩阵和右奇异矩阵生成所述医学影像的标签图像，所述标签图像为所述医学影像的近似图像，包含了所述医学影像的所有信息特征，然后将医学影像与所述标签图像输入至自监督网络模型进行训练，自监督网络模型能够通过对比所述医学影像与所述标签图像，并且倾向于学习原始的医学影像中的信息特征，而非冗余特征，从而学习得到所述医学影像的影像特征，准确、高效地学习医学影像的图像特征，以用于医学影像的检索，能够提高医学影像检索的效率与准确度。
附图说明
[0023]图1为本申请医学影像的特征学习方法的一实施例流程示意图；
[0024]图2为本申请医学影像的特征学习装置的一实施例结构示意图；
[0025]图3为本申请计算机设备的一实施例结构示意框图。
[0026]本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0027]为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
[0028]参照图1，本申请实施例提供一种医学影像的特征学习方法，所述医学影像的特征学习方法包括步骤S10
‑
S70，对于所述医学影像的特征学习方法的各个步骤的详细阐述如
下。
[0029]S10、接收输入的医学影像。
[0030]本实施例应用于医学影像的特征学习场景中，影像的特征包括信息特征和冗余特征，本实施例配置医学影像的标签影像，通过所述标签影像与所述医学影像的对比，学习医学影像中的信息特征，以及压制医学影像中的冗余特征，从而完成医学影像特征的学习，首先接收输入的医学影像，即获取原始的医学影像。
[0031]S20、解析所述医学影像，获取所述医学影像的图像数据，所述图像数据包括通道、宽度及高度数据。
[0032]本实施例中，在获接收输入的医学影像之后，解析所述医学影像，获取所述医学影像的图像数据，所述图像数据包括通道、宽度及高度数据，在一种实施方式中，通过Python中的矩阵的数据结构解析所述医学影像，所述医学图像的大小为(c,h,w)，其中，c表示通道、h和w分别表示空间上的高度和宽度，从而获取所述医学影像的图像数据，所述图像数据包括通道、宽度及高度数据。
[0033]S30、根据所述通道、宽度及高度数据将所述医学影像转化为第一数量的矩阵。
[0034]本实施例中，在解析所述医学影像，获取所述医学影像的图像数据，所述图像数据包括通道、宽度及高度数据后，根据所述通道、宽度及高度数据将所述医学影像转化为第一数量的矩阵，在一种实施方式中，根据所述通道的数量将所述医学影像转化为对应数量的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种医学影像的特征学习方法，其特征在于，包括：接收输入的医学影像；解析所述医学影像，获取所述医学影像的图像数据，所述图像数据包括通道、宽度及高度数据；根据所述通道、宽度及高度数据将所述医学影像转化为第一数量的矩阵；对所述矩阵进行奇异值分解，得到第二数量的待选奇异值，所述待选奇异值包含每个奇异值的左奇异矩阵和右奇异矩阵；计算所述待选奇异值的信息占比，并选取所述信息占比满足预设值的待选奇异值为目标奇异值；获取所述目标奇异值的左奇异矩阵和右奇异矩阵，根据所述目标奇异值的左奇异矩阵和右奇异矩阵生成所述医学影像的标签图像；将所述医学影像与所述标签图像输入至自监督网络模型进行训练，得到所述医学影像的影像特征。2.根据权利要求1所述的医学影像的特征学习方法，其特征在于，所述根据所述目标奇异值的左奇异矩阵和右奇异矩阵生成所述医学影像的标签图像，包括：基于低秩相似算法计算所述目标奇异值的左奇异矩阵和右奇异矩阵，得到所述目标奇异值的信息矩阵；根据所述信息矩阵生成所述医学影像的标签图像。3.根据权利要求2所述的医学影像的特征学习方法，其特征在于，所述根据所述信息矩阵生成所述医学影像的标签图像，包括：获取每个目标奇异值的信息矩阵；将所有所述目标奇异值的信息矩阵进行叠加，得到标签矩阵；将所述标签矩阵转化，生成所述医学影像的标签图像。4.根据权利要求1所述的医学影像的特征学习方法，其特征在于，所述将所述医学影像与所述标签图像输入至自监督网络模型进行训练，得到所述医学影像的影像特征，包括：计算所述医学影像与所述标签影像的损失度；将所述医学影像、所述标签图像以及所述损失度输入至自监督网络模型进行训练，以使所述至自监督网络模型学习所述医学影像的信息特征并压制冗余特征，并更新所述自监督网络模型对应的参数。5.根据权利要求1所述的医学影像的特征学习方法，其特征在于，所述将所述医学影像与所述标签图像输入至自监督网络模型进行训练，得到所述医学影像的影像特征之后，还包括：根据所述影像特征将所述医学影像映射至低维向量；基于所述低维向量构建所述医学影像的索引后存储至数据库中。6....

【专利技术属性】
技术研发人员：方建生，
申请(专利权)人：广州视源人工智能创新研究院有限公司，
类型：发明
国别省市：