【技术实现步骤摘要】
本专利技术涉及医学图像处理，具体为一种基于无监督的医学图像器官分割模型预训练方法。
技术介绍
1、近年来，机器学习在不同领域的图像分析任务中取得了显著的成果，包括图像识别、医学诊断、缺陷识别以及建筑健康评估等领域，充分展示了其强大的发展潜力。机器学习方法广泛应用于各种医学影像分析任务，包括超声影像、x射线影像、磁共振成像(mri)、视网膜扫描图像、组织病理学图像(hi)、计算机断层扫描(ct)、正电子发射断层扫描(pet)以及皮肤镜检查图像等。同时，高效的机器学习算法也被提出并应用于数字病理图像分析，以帮助病理学家获得快速、稳定且量化的检查结果，从而进行更准确的诊断。
2、由于深度学习模型的训练依赖于数据驱动，因此需要大量的标注数据来进行模型训练。然而，由于病理图像具有高分辨率和丰富的信息等特点，标注数据面临着极大的困难。为了充分利用图像之间的深度特征关联，弱监督和半监督的方法被引入，以有限的标签数据为基础，结合数据间的特征关联实现模型训练。
3、然而，弱监督和半监督学习方法的泛化性会被数据集大小限制，影响医学图像分割结果，使得医学图像器官分割模型训练时效果和速度受到负面影响。
4、因此，亟需一种基于无监督的医学图像器官分割模型预训练方法。
技术实现思路
1、为避免现有技术存在的上述问题，本专利技术的目的在于提供一种基于无监督的医学图像器官分割模型预训练方法，能够减少对抗攻击，增强医学图像器官分割模型训练时效果和速度。
2、为实现上述
3、s1：预训练数据收集，获取无标注的训练数据；
4、s2：搭建预训练模型，所述预训练模型包括三个相同的编码器e、两个相同的预测器c与一个解码器d；
5、s3：训练预训练模型；对预训练数据执行数据增强操作并输入进预训练模型获得相应的增强图像特征数据与增强预测结果；
6、s4：定义预训练模型损失函数，包括对比损失函数、分类损失函数和重建损失函数。
7、本专利技术进一步设置为，步骤s1中所述训练数据来源包括但不限于医院、公开数据集；无标注的训练数据被表示为数据集b：
8、b＝{(x1，...，xi，...，xn)}
9、其中n表示训练数据总个数，xi表示第i个训练数据。
10、本专利技术进一步设置为，所述训练数据xi为医学图像数据，包括但不限于正电子发射断层扫描(pet)、磁共振成像(mri)、磁共振断层扫描(mrt)、单光子发射计算机断层扫描(spect)中的一种或多种的医学图像模态数据。
11、本专利技术进一步设置为，步骤s2中，其中两个编码器e分别连接一个预测器c，另一编码器e与解码器d相连接。
12、本专利技术进一步设置为，步骤s3具体包括以下步骤：
13、s31、数据增强：将xi从一定顺序的若干个数据增强操作中执行一种或多种，并生成增强图像数据与并记录已执行的数据增强操作为与再将xi执行随机遮挡生成增强图像数据
14、s32、提取增强图像特征数据：将所述增强图像数据与分别输入到编码器e中生成增强图像特征数据与
15、s33、输出增强预测结果：将所述增强图像特征数据与分别输入到预测器c中并最终输出增强预测结果与
16、s34、输出重建图像数据：将所述增强图像特征数据输入到解码器d内并最终输出重建图像数据yi3。
17、本专利技术进一步设置为，步骤s31中，所述数据增强操作包括但不限于随机缩放、随机裁剪、对比度增强及高斯模糊中任意一种或多种操作。
18、本专利技术进一步设置为，步骤s4中，所述对比损失函数具体为，
19、在每次训练时，随机采样n个医学图像数据x，在执行数据增强操作后得到2n个增强图像数据随后分别输入两个编码器e并生成2n个增强图像特征数据其中的正样本为剩余2(n-1)个增强图像特征数据均为的负样本，对于计算其对比损失其公式为：
20、
21、其中，τ是人为设定用于控制和余弦相似度的参数。
22、本专利技术进一步设置为，选取损失函数计算增强预测结果与和相应的已执行的数据增强操作与的误差，作为分类损失。
23、本专利技术进一步设置为，选取损失函数计算重建图像数据yi3和无标注的训练数据xi的误差，作为重建损失。
24、本专利技术进一步设置为，步骤s4中，选取的损失函数包括但不限于mae损失函数、mse损失函数、iou损失函数、giou损失函数和交叉熵损失函数。
25、相对于现有技术，本专利技术具有以下有益效果：
26、本专利技术利用无标注的训练数据采用无监督预训练方法，对医学图像器官分割模型进行预训练，通过对无标注的训练数据进行随机的数据增强操作并输入进预测器获得增强预测结果与增强图像特征数据，并借助定义的损失函数指导优化医学图像器官分割模型，避免医学图像器官分割模型的泛化性被有标注数据集大小限制，充分利用了无标注数据，为医学图像器官分割模型获得了预训练的权重参数，提高后续医学图像器官分割模型训练的效果与速度。
本文档来自技高网...【技术保护点】
1.一种基于无监督的医学图像器官分割模型预训练方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于无监督的医学图像器官分割模型预训练方法，其特征在于，步骤S1中所述训练数据来源包括但不限于医院、公开数据集；无标注的训练数据表示为数据集B：
3.根据权利要求2所述的一种基于无监督的医学图像器官分割模型预训练方法，其特征在于，所述训练数据为医学图像数据，包括但不限于正电子发射断层扫描、磁共振成像、磁共振断层扫描、单光子发射计算机断层扫描中的一种或多种的医学图像模态数据。
4.根据权利要求2所述的一种基于无监督的医学图像器官分割模型预训练方法，其特征在于，步骤S2中，其中两个编码器E分别连接一个预测器C，另一编码器E与解码器D相连接。
5.根据权利要求4所述的一种基于无监督的医学图像器官分割模型预训练方法，其特征在于，步骤S3具体包括以下步骤：
6.根据权利要求5所述的一种基于无监督的医学图像器官分割模型预训练方法，其特征在于，步骤S31中，所述数据增强操作包括但不限于随机缩放、随机裁剪、对比度增强及高斯模糊。<...
【技术特征摘要】
1.一种基于无监督的医学图像器官分割模型预训练方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于无监督的医学图像器官分割模型预训练方法，其特征在于，步骤s1中所述训练数据来源包括但不限于医院、公开数据集；无标注的训练数据表示为数据集b：
3.根据权利要求2所述的一种基于无监督的医学图像器官分割模型预训练方法，其特征在于，所述训练数据为医学图像数据，包括但不限于正电子发射断层扫描、磁共振成像、磁共振断层扫描、单光子发射计算机断层扫描中的一种或多种的医学图像模态数据。
4.根据权利要求2所述的一种基于无监督的医学图像器官分割模型预训练方法，其特征在于，步骤s2中，其中两个编码器e分别连接一个预测器c，另一编码器e与解码器d相连接。
5.根据权利要求4所述的一种基于无监督的医学图像器官分割模型预训练方法，其特征在于，步骤s3具体包括以下步骤：
6.根据权利要求5所述的一种基于无监督的医...
【专利技术属性】
技术研发人员：杨义瑞，
申请(专利权)人：合肥锐视医疗科技有限公司，
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。