【技术实现步骤摘要】
本专利技术属于医学影像领域，具体涉及一种基于自监督学习方式的结直肠癌分期算法及系统。
技术介绍
1、目前训练深度神经网络通常需要大量手动标记的数据。这一要求很容易在自然图像中得到满足，因为劳动力成本和标签难度都是可以接受的。然而在医学图像分析中，可靠的医学注释通常来自专家的诊断，考虑到目标疾病的稀缺性、患者隐私的保护以及有限的医疗资源，这些诊断很难获得。为了解决这些问题，作为一种学习医学图像表示而无需手动注释的方法，自监督学习已被广泛采用。
2、如今，对比表征学习在医学图像分析中得到广泛应用并取得了显著成功。对比学习的目标是通过对比医学图像对来学习不变表示，这可以被视为保存最大信息的隐形方式。尽管如此，除对比损失外，显性保留更多的信息是互补和有益的。目前最直观的解决方案是使用已学习表征重建原始输入。然而，直接添加用于恢复原始输入的普通重建分支不会显著改善已学习表征。
技术实现思路
1、本专利技术设计了一种基于自监督学习进行结直肠癌影像分期算法，通过未标注样本，并通过自我监督的学...
【技术保护点】
1.一种基于自监督学习方式的结直肠癌分期算法，其特征在于，包括步骤如下：
2.根据权利要求1所描述的一种基于自监督学习方式的结直肠癌分期算法，其特征在于，步骤1所述的保留对比特征学习的具体实现过程如下：
3.根据权利要求1所描述的一种基于自监督学习方式的结直肠癌分期算法，其特征在于，步骤2所述的转换条件注意力机制的具体实现过程如下：
4.根据权利要求1所描述的一种基于自监督学习方式的结直肠癌分期算法，其特征在于，步骤3所述的跨模型混合的具体实现过程如下：
5.根据权利要求1所描述的一种基于自监督学习方式的结直肠癌分期算法...
【技术特征摘要】
1.一种基于自监督学习方式的结直肠癌分期算法，其特征在于，包括步骤如下：
2.根据权利要求1所描述的一种基于自监督学习方式的结直肠癌分期算法，其特征在于，步骤1所述的保留对比特征学习的具体实现过程如下：
3.根据权利要求1所描述的一种基于自监督学习方式的结直肠癌分期算法，其特征在于，步骤2所述的转换条件注意力机制的具体实现过程如下：
4.根据权利要求1所描述...
【专利技术属性】
技术研发人员：高阳，鲍军，杨柳，何克磊，吴志平，司呈帅，邵鹏，曹月鹏，甄泰航，
申请(专利权)人：南京大学，
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。