【技术实现步骤摘要】
本申请涉及医学，尤其是一种基于异常检测的小样本医学图像分割方法。
技术介绍
1、在医疗场景中，不管是诊断还是治疗都较为依赖对医学图像的解析，目前对于医学图像的图像解析主要依赖于医生的人为经验，效率较低。随着人工智能和机器学习的发展，工业领域的自动化图像分割方法已经较为成熟，如果能将图像分割方法引入医学图像的分割场景，则对于自动化解析医学图像有较大的帮助，也有利于推动智慧医疗发展。
2、但是医学图像相比于其他工业图像有更高的复杂性和多样性，人体组织器官的大小、形状和位置本身就因人而异，且不同类型的医学图像也是不同的，比如ct扫描图像、mri图像、x射线图像等特征各不相同，呈现出多种不同密度和结构的组织和器官。另外相比于一般图像，医学图像中前景对象和背景之间的不平衡比例通常更为明显。而且基于人工智能和机器学习的图像分割大多依赖于充足的数据样本，但是医学图像的数据稀缺。上述这些问题都导致目前很难实现对医学图像的自动化图像分割、图像分割的效果也都不理想。
技术实现思路
1、本申请针对上...
【技术保护点】
1.一种基于异常检测的小样本医学图像分割方法，其特征在于，所述小样本医学图像分割方法包括：
2.根据权利要求1所述的小样本医学图像分割方法，其特征在于，得到各个前景类别的前景原型包括：
3.根据权利要求2所述的小样本医学图像分割方法，其特征在于，得到任意前景类别Ci在当前尺度m下的候选原型包括：
4.根据权利要求2所述的小样本医学图像分割方法，其特征在于，将每个前景类别在多个尺度下的候选原型进行融合，得到任意前景类别Ci的前景原型其中，是前景类别Ci在尺度m下的候选原型，αm是尺度m对应的平衡因子，αm∈(0，1)且整数参数m≥2。
5.根...
【技术特征摘要】
1.一种基于异常检测的小样本医学图像分割方法，其特征在于，所述小样本医学图像分割方法包括：
2.根据权利要求1所述的小样本医学图像分割方法，其特征在于，得到各个前景类别的前景原型包括：
3.根据权利要求2所述的小样本医学图像分割方法，其特征在于，得到任意前景类别ci在当前尺度m下的候选原型包括：
4.根据权利要求2所述的小样本医学图像分割方法，其特征在于，将每个前景类别在多个尺度下的候选原型进行融合，得到任意前景类别ci的前景原型其中，是前景类别ci在尺度m下的候选原型，αm是尺度m对应的平衡因子，αm∈(0，1)且整数参数m≥2。
5.根据权利要求1所述的小样本医学图像分割方法，其特征在于，利用异常检测模块基于查询特征和各个前景类别的前景原型进行异常检测得到所述查询切片图像的分割结果包括：
6.根据权利要求5所述的小样本医学图像分割方法，其特征在于，按照余弦相似度计算所述查询特征中像素...
【专利技术属性】
技术研发人员：钱鹏江，卫广鹏，姚健，蒋亦樟，张欣，顾逸，王士同，陈爱国，范超，
申请(专利权)人：江南大学，
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。