【技术实现步骤摘要】
本专利技术涉及医学图像分析，尤其涉及的是一种基于自监督辅助的医学图像分类方法、装置、终端和介质。
技术介绍
1、近年来，随着深度学习技术的发展，越来越多的领域将重点转向深度学习的应用。在医学领域，如何利用深度学习对医学图像中的疾病进行分类和识别是首要研究问题之一。然而，由于该领域的高度专业性，医学图像往往面临着需要大量专家知识进行样本标注的挑战。标注者需要对病变的大小、形状、边缘和其他细节做出准确判断，有时需要经验丰富的专家进行多次讨论，这就造成了有标签数据的稀缺和标注成本的高昂。在临床环境中，人们经常会遇到标注图像不足，而未标注图像却大量空缺的情况。因此，解决用于训练的有标签数据稀缺与模型训练所需的大量有标签数据之间的矛盾已成为该领域的研究热点之一。
2、现有技术中基于自监督和有监督联合训练的医学图像分类方法，主要是利用自监督训练架构对医学图像进行训练，然后把自监督训练架构的输出当作有监督架构的输入，可见，这类方法分别在自监督训练阶段和有监督训练阶段采用两种不同的网络架构，并存在先后顺序关系，而且由于缺乏有标签数据的指导，预训练模型只能学到通用特征致使模型精度较低。所以，现有技术中的医学图像分类方法仍无法利用少量的有标签数据对模型进行有效训练的缺陷。
技术实现思路
1、鉴于上述现有技术的不足，本专利技术的目的在于提供一种基于自监督辅助的医学图像分类方法、装置、终端和介质，旨在解决现有技术中存在的无法利用少量的有标签数据对模型进行有效训练的问题。
2、为了实
3、采集目标医学图像；
4、采用预先训练的视觉转换器对所述目标医学图像进行分类，获得分类结果，所述视觉转换器是基于自监督学习和有监督学习进行联合训练得到，其中，
5、所述自监督学习的过程包括基于样本图像的特征重建样本图像，获得重建后的图像，所述有监督学习的过程包括基于所述样本图像的特征对所述样本图像进行分类，获得图像分类结果，根据重建样本图像的损失和对所述样本图像进行分类的损失训练所述视觉转换器。
6、可选的，所述样本图像的特征是通过对所述样本图像进行分割处理、掩码处理和特征提取得到，具体包括：
7、对每张所述样本图像均按照预设的维度进行分割处理，获得若干个补丁块，所述样本图像包括有标签样本图像和无标签样本图像；
8、对所述样本图像的补丁块进行掩码处理，获得遮掩补丁块和未遮掩补丁块，其中，所述遮掩补丁块包括无标签样本图像的无标签遮掩补丁块，所述未遮掩补丁块包括所述无标签样本图像的无标签未遮掩补丁块及所述有标签样本图像的有标签未遮掩补丁块；
9、对所有所述无标签未遮掩补丁块和所述有标签未遮掩补丁块进行特征提取，获得所述无标签未遮掩补丁块的特征和所述有标签未遮掩补丁块的特征。
10、可选的，所述无标签样本图像包括无标签医学样本图像，所述基于样本图像的特征重建样本图像，获得重建后的图像，包括：
11、利用所述无标签未遮掩补丁块的特征，对所述视觉转换器进行自监督训练，获得重建后的无标签医学样本图像。
12、可选的，所述对所述样本图像的补丁块进行掩码处理，获得遮掩补丁块和未遮掩补丁块，包括：
13、按照预设的图像掩码比例，对每张所述样本图像的所有补丁块进行随机掩码处理，获得掩码后的补丁块；
14、按照每个补丁块遮掩面积的大小，将所述掩码后的补丁块进行排序，获得掩码后的补丁块序列；
15、对所述掩码后的补丁块按照遮掩面积进行筛选，获得遮掩补丁块和未遮掩补丁块。
16、可选的，所述对所有所述无标签未遮掩补丁块和所述有标签未遮掩补丁块进行特征提取，获得所述无标签未遮掩补丁块的特征和所述有标签未遮掩补丁块的特征，包括：
17、创建一个和所述无标签未遮掩补丁块的维度相同的全零张量，并对所有所述无标签未遮掩补丁块和所述有标签未遮掩补丁块进行位置编码，获得位置编码后的未遮掩补丁块；
18、利用所述张量学习所有所述位置编码后的未遮掩补丁块的特征，获得更新后的张量，所述更新后的张量包括所有所述无标签未遮掩补丁块的特征和所有所述有标签未遮掩补丁块的特征。
19、可选的，所述基于所述样本图像的特征对所述样本图像进行分类，获得图像分类结果，包括：
20、按照预设的分类数目，利用所述有标签未遮掩补丁块的特征对所述视觉转换器进行有监督训练，获得有标签医学图像样本的分类结果。
21、可选的，所述基于自监督学习和有监督学习进行联合训练，包括：
22、计算所述自监督学习的训练损失，获得自监督损失；
23、计算所述有监督学习的训练损失，获得有监督损失；
24、基于所述自监督损失和所述有监督损失的加权和，获得联合损失；
25、基于所述联合损失进行反向传播，更新所述视觉转换器的模型参数，获得最终的视觉转换器。
26、本专利技术第二方面提供一种基于自监督辅助的医学图像分类装置，所述装置包括：
27、数据采集模块，用于采集目标医学图像；
28、分类模块，用于采用预先训练的视觉转换器对所述目标医学图像进行分类，获得分类结果，所述视觉转换器是基于自监督学习和有监督学习进行联合训练得到，其中，所述自监督学习的过程包括基于样本图像的特征重建样本图像，获得重建后的图像，所述有监督学习的过程包括基于所述样本图像的特征对所述样本图像进行分类，获得图像分类结果，根据重建样本图像的损失和对所述样本图像进行分类的损失训练所述视觉转换器。
29、本专利技术第三方面提供一种智能终端，所述智能终端包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的基于自监督辅助的医学图像分类程序，所述基于自监督辅助的医学图像分类程序被所述处理器执行时实现任意一项上述基于自监督辅助的医学图像分类方法的步骤。
30、本专利技术第四方面提供一种计算机可读存储介质，所述计算机可读存储介质上存储有基于自监督辅助的医学图像分类程序，所述基于自监督辅助的医学图像分类程序被处理器执行时实现任意一项上述基于自监督辅助的医学图像分类方法的步骤。
31、与现有技术相比，本方案的有益效果如下：
32、本专利技术所采用的预先训练的视觉转换器是基于自监督学习和有监督学习进行联合训练得到，并且在自监督学习阶段基于样本图像的特征重建样本图像，在有监督学习阶段基于样本图像的特征对样本图像进行分类，根据重建样本图像的损失和对所述样本图像进行分类的联合损失并行训练视觉转换器，能够减少对有标签数据的依赖，通过自监督学习和有监督学习共享样本图像的特征进行并行训练，能够显著提高训练效率，利用联合损失进行迭代训练，能够有效提高视觉转换器的鲁棒性和稳健性。
本文档来自技高网...【技术保护点】
1.基于自监督辅助的医学图像分类方法，其特征在于，包括：
2.根据权利要求1所述的基于自监督辅助的医学图像分类方法，其特征在于，所述样本图像的特征是通过对所述样本图像进行分割处理、掩码处理和特征提取得到，具体包括：
3.根据权利要求2所述的基于自监督辅助的医学图像分类方法，其特征在于，所述无标签样本图像包括无标签医学样本图像，所述基于样本图像的特征重建样本图像，获得重建后的图像，包括：
4.根据权利要求2所述的基于自监督辅助的医学图像分类方法，其特征在于，所述对所述样本图像的补丁块进行掩码处理，获得遮掩补丁块和未遮掩补丁块，包括：
5.根据权利要求2所述的基于自监督辅助的医学图像分类方法，其特征在于，所述对所有所述无标签未遮掩补丁块和所述有标签未遮掩补丁块进行特征提取，获得所述无标签未遮掩补丁块的特征和所述有标签未遮掩补丁块的特征，包括：
6.根据权利要求2所述的基于自监督辅助的医学图像分类方法，其特征在于，所述基于所述样本图像的特征对所述样本图像进行分类，获得图像分类结果，包括：
7.根据权利要求1所述的基
8.基于自监督辅助的医学图像分类装置，其特征在于，所述装置包括：
9.智能终端，其特征在于，所述智能终端包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的基于自监督辅助的医学图像分类程序，所述基于自监督辅助的医学图像分类程序被所述处理器执行时实现如权利要求1-7任意一项所述基于自监督辅助的医学图像分类方法的步骤。
10.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上存储有基于自监督辅助的医学图像分类程序，所述基于自监督辅助的医学图像分类程序被处理器执行时实现如权利要求1-7任意一项所述基于自监督辅助的医学图像分类方法的步骤。
...【技术特征摘要】
1.基于自监督辅助的医学图像分类方法，其特征在于，包括：
2.根据权利要求1所述的基于自监督辅助的医学图像分类方法，其特征在于，所述样本图像的特征是通过对所述样本图像进行分割处理、掩码处理和特征提取得到，具体包括：
3.根据权利要求2所述的基于自监督辅助的医学图像分类方法，其特征在于，所述无标签样本图像包括无标签医学样本图像，所述基于样本图像的特征重建样本图像，获得重建后的图像，包括：
4.根据权利要求2所述的基于自监督辅助的医学图像分类方法，其特征在于，所述对所述样本图像的补丁块进行掩码处理，获得遮掩补丁块和未遮掩补丁块，包括：
5.根据权利要求2所述的基于自监督辅助的医学图像分类方法，其特征在于，所述对所有所述无标签未遮掩补丁块和所述有标签未遮掩补丁块进行特征提取，获得所述无标签未遮掩补丁块的特征和所述有标签未遮掩补丁块的特征，包括：
6.根据权利要求2所述的基于自...
【专利技术属性】
技术研发人员：李宽，韩宇飞，肖国键，陈浩源，殷建平，
申请(专利权)人：东莞理工学院，
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。