【技术实现步骤摘要】
本专利技术涉及图像处理，尤其涉及一种基于对比学习的内脏组织图像的力学指标生成方法、系统、终端及计算机可读存储介质。
技术介绍
1、生物组织图像成为非侵入性、广泛使用的生物医学领域的强大工具。这些图像可用于获取生物组织的结构、特性和功能信息。力学指标对于测量和评估人体的健康状态具有十分重要的参考作用。
2、以肝脏的评估为例，肝脏硬度值(liver stiffness measurement，lsm)是肝纤维化和肝硬化的评估指标，可以提供高度准确的组织学信息。
3、但是，传统的肝脏硬度值测量方法仍具有多个局限性，它是一种侵入性过程，可能引发检测者的不适和疼痛，并且使用者需要进行专业的培训，且测量设备成本昂贵。又例如超声弹性成像技术，如te(transient elastography，瞬时弹性成像)，虽然无创，但受限于一维或有限的可视性，缺乏直观的图像信息，无法有效获取力学指标。此外，一些超声弹性成像方法需要昂贵的设备，限制了其在资源匮乏地区的可用性。
4、因此，现有技术还有待于改进和发展。
技术实现思路
1、本专利技术的主要目的在于提供一种基于对比学习的内脏组织图像的力学指标生成方法、系统、终端及计算机可读存储介质，旨在解决现有技术中传统的力学指标测量技术无法通过内脏组织图像有效获取力学指标并且测量设备成本昂贵，对专业性要求较高的问题。
2、为实现上述目的，本专利技术提供一种基于对比学习的内脏组织图像的力学指标生成方法，所述一种基于对比
3、收集历史内脏组织图像和所述历史内脏组织图像对应的力学指标，将所述历史内脏组织图像和所述历史内脏组织图像对应的力学指标作为数据集；
4、建立神经网络回归模型，根据所述数据集对所述神经网络回归模型进行训练，得到目标网络模型；
5、获取待检测的内脏组织图像，将所述待检测的内脏组织图像输入到所述目标网络模型中进行预测，输出所述待检测的内脏组织图像的目标力学指标；
6、根据所述目标力学指标生成所述待检测的内脏组织图像的评估参考报告，并对所述评估参考报告进行存储。
7、可选地，所述的基于对比学习的内脏组织图像的力学指标生成方法，其中，所述收集历史内脏组织图像之后，还包括：
8、对所述历史内脏组织图像进行随机旋转、随机翻转、亮度调整、对比度调整、形变变换、色彩变换以及数据平衡处理。
9、可选地，所述的基于对比学习的内脏组织图像的力学指标生成方法，其中，所述神经网络回归模型包括：特征提取器、对比学习分支和回归学习分支；
10、其中，所述特征提取器包括特征提取骨干网络和自适应平均池化层，所述对比学习分支包括一系列的全连接层和l2范数标准化层，所述回归学习分支包括所述一系列的全连接层。
11、可选地，所述的基于对比学习的内脏组织图像的力学指标生成方法，其中，所述根据所述数据集对所述神经网络回归模型进行训练，得到目标网络模型，具体包括：
12、将所述数据集按照预设比例分为训练集、验证集和测试集；
13、基于预训练的模型对所述特征提取骨干网络进行权重加载，并将所述特征提取骨干网络的通道数与所述数据集中的历史内脏组织图像的通道数设为一致，得到初始化后的特征提取骨干网络；
14、将所述训练集输入到初始化后的特征提取骨干网络中进行特征提取，得到特征图，将所述特征图输入到所述自适应平均池化层中进行自适应平均池化和展平操作，得到与所述通道数相同的维度向量；
15、将所述维度向量输入到所述对比学习分支中，在一系列的全连接层中进行线性映射，将线性映射后的维度向量通过所述l2范数标准化层进行标准化，得到预设维度的对比特征；
16、将所述维度向量输入到所述回归学习分支中，通过一系列的全连接层进行回归任务的输出，得到模型的预测值；
17、根据所述对比特征计算所述对比学习分支的损失函数，根据所述预测值计算所述回归学习分支的损失函数；
18、根据所述对比学习分支的损失函数与所述回归学习分支的损失函数计算所述神经网络回归模型的总损失函数，直至所述总损失函数达到预设的收敛条件。
19、可选地，所述的基于对比学习的内脏组织图像的力学指标生成方法，其中，所述根据所述对比学习分支的损失函数与所述回归学习分支的损失函数计算所述神经网络回归模型的总损失函数，直至所述总损失函数达到预设的收敛条件，之后还包括：
20、使用所述验证集调整训练后的神经网络回归模型的参数，并对训练后的神经网络回归模型的能力进行初步评估；
21、将所述测试集输入到初步评估合格的神经网络回归模型中进行测试，得到预测结果，使用r2评估指标对所述预测结果进行评估，得到评估结果；
22、若所述评估结果符合预设要求，则得到所述目标网络模型。
23、可选地，所述的基于对比学习的内脏组织图像的力学指标生成方法，其中，所述根据所述对比特征计算所述对比学习分支的损失函数，根据所述模型的预测值计算所述回归学习分支的损失函数，具体包括：
24、使用孪生对比损失函数公式计算所述对比学习分支的损失函数：
25、
26、其中，n是总样本数，n为样本的序数，d表示两个样本特征的欧氏距离，d＝||an-bn||2，an和bn分别是两个样本的所述对比特征，y表示两个样本是否匹配的标签，y＝1表示两个样本相似或者匹配，y＝0则表示不匹配，margin表示预先设定的阈值；
27、使用r2损失函数公式计算所述回归学习分支的损失函数：
28、
29、其中，yi是真实的目标值，是所述模型的预测值，是目标变量的均值。
30、可选地，所述的基于对比学习的内脏组织图像的力学指标生成方法，其中，所述根据所示对比学习分支的损失函数与所述回归学习分支的损失函数计算所述神经网络回归模型的总损失函数，具体包括：
31、根据所述对比学习分支的损失函数与所述回归学习分支的损失函数计算所述神经网络回归模型的总损失函数：ltotal＝γconlcon+γreglreg；
32、其中，γcon表示权衡所述对比学习分支的损失函数的超参数，γreg表示权衡所述回归学习分支的损失函数的超参数。
33、此外，为实现上述目的，本专利技术还提供一种基于对比学习的内脏组织图像的力学指标生成系统，其中，所述基于对比学习的内脏组织图像的力学指标生成系统包括：
34、历史数据采集模块，用于收集历史内脏组织图像和所述历史内脏组织图像对应的力学指标，将所述历史内脏组织图像和所述历史内脏组织图像对应的力学指标作为数据集；
35、网络构建训练模块，用于建立神经网络回归模型，根据所述数据集对所述神经网络回归模型进行训练，得到目标网络模型；
36、力学指标生成模块，用于获取待检测的本文档来自技高网...
【技术保护点】
1.一种基于对比学习的内脏组织图像的力学指标生成方法，其特征在于，所述的基于对比学习的内脏组织图像的力学指标生成方法包括：
2.根据权利要求1所述的基于对比学习的内脏组织图像的力学指标生成方法，其特征在于，所述神经网络回归模型包括：特征提取器、对比学习分支和回归学习分支。
3.根据权利要求2所述的基于对比学习的内脏组织图像的力学指标生成方法，其特征在于，所述特征提取器包括特征提取骨干网络和自适应平均池化层，所述对比学习分支包括一系列的全连接层和L2范数标准化层，所述回归学习分支包括所述一系列的全连接层。
4.根据权利要求3所述的基于对比学习的内脏组织图像的力学指标生成方法，其特征在于，所述根据所述数据集对所述神经网络回归模型进行训练，得到目标网络模型，具体包括：
5.根据权利要求4所述的基于对比学习的内脏组织图像的力学指标生成方法，其特征在于，所述根据所述对比学习分支的损失函数与所述回归学习分支的损失函数计算所述神经网络回归模型的总损失函数，直至所述总损失函数达到预设的收敛条件，之后还包括：
6.根据权利要求5所述的基于
7.根据权利要求6所述的基于对比学习的内脏组织图像的力学指标生成方法，其特征在于，所述根据所示对比学习分支的损失函数与所述回归学习分支的损失函数计算所述神经网络回归模型的总损失函数，具体包括：
8.一种基于对比学习的内脏组织图像的力学指标生成系统，其特征在于，所述基于对比学习的内脏组织图像的力学指标生成系统包括：
9.一种终端，其特征在于，所述终端包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于对比学习的内脏组织图像的力学指标生成程序，所述基于对比学习的内脏组织图像的力学指标生成程序被所述处理器执行时实现如权利要求1-7任一项所述的基于对比学习的内脏组织图像的力学指标生成方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有基于对比学习的内脏组织图像的力学指标生成程序，所述基于对比学习的内脏组织图像的力学指标生成程序被处理器执行时实现如权利要求1-7任一项所述的基于对比学习的内脏组织图像的力学指标生成方法的步骤。
...【技术特征摘要】
1.一种基于对比学习的内脏组织图像的力学指标生成方法，其特征在于，所述的基于对比学习的内脏组织图像的力学指标生成方法包括：
2.根据权利要求1所述的基于对比学习的内脏组织图像的力学指标生成方法，其特征在于，所述神经网络回归模型包括：特征提取器、对比学习分支和回归学习分支。
3.根据权利要求2所述的基于对比学习的内脏组织图像的力学指标生成方法，其特征在于，所述特征提取器包括特征提取骨干网络和自适应平均池化层，所述对比学习分支包括一系列的全连接层和l2范数标准化层，所述回归学习分支包括所述一系列的全连接层。
4.根据权利要求3所述的基于对比学习的内脏组织图像的力学指标生成方法，其特征在于，所述根据所述数据集对所述神经网络回归模型进行训练，得到目标网络模型，具体包括：
5.根据权利要求4所述的基于对比学习的内脏组织图像的力学指标生成方法，其特征在于，所述根据所述对比学习分支的损失函数与所述回归学习分支的损失函数计算所述神经网络回归模型的总损失函数，直至所述总损失函数达到预设的收敛条件，之后还包括：
6.根据权利要求5所述的基于对比学习的内脏组织图像的力学指标生成方法，其特征在...
【专利技术属性】
技术研发人员：周永进，薛武峰，潘浩瑜，伍梓健，陈浩鑫，
申请(专利权)人：深圳大学，
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。