一种基于嵌入对比的医学图像弱监督分割方法技术

本发明专利技术公开了一种基于嵌入对比的医学图像弱监督分割方法，包括下述步骤：步骤一，对结肠腺体数据集Glas中的医学图像进行预处理；裁剪后图片的标签仍然为原图像的标签。步骤二，使用基于ResNet18的二分类网络得到分类网络末端生成的通道数为2的特征图、图像在两个类别上的预测概率组成的一维向量以及由特征图和概率值加权求和得到的CAM。步骤三，设置两个超参数作为阈值，根据像素点属于类别1的概率值将像素划分为3类。步骤四，通过残差网络、平均池化层以及线性层得到正例和负例的嵌入；步骤五，计算损失函数Loss的值，对模型参数进行更新。步骤六，通过前向传播判断该图片的类别，对CAM进行二值化，得到最终的分割效果。

【技术实现步骤摘要】

本方法属于计算机视觉领域，主要用于医学图像关键区域的弱监督分割。利用图像级标签训练分类网络，根据分类网络生成的类激活图，为像素分配伪标签来训练分割网络。针对医学图像的弱监督分割结果假阳率高的问题，使用两个阈值来将像素判别为前景类别的概率值分为三组，进一步将像素分为前景、背景和不确定区域。通过将不确定区域与前景区域的嵌入尽可能远离，来达到降低分割假阳率的效果，提高分割的准确性。

技术介绍

1、为帮助医生提供及时可靠的决策，计算机辅助诊断成为了当前的一项研究热点。在组织学图像中，计算机辅助诊断通常依赖于计算机视觉和机器学习算法，现阶段的重点是深度学习模型。医学图像数据集具有数量少、难获取、标注成本高昂的特点，因此将弱监督学习的方法引入医学图像的深度神经网络模型中，对图像关键区域进行分割成为一种可行的方案。弱监督学习缓解了像素注释缺乏的问题。给定全局图像标签，弱监督学习的方法能够产生像素级预测，且分割结果具有可解释性。

2、使用图像类标签训练的最先进的弱监督分割模型在很大程度上依赖于像素激活图，通常被称为类激活图。通常，首先使用分类网络生成激活图，突本文档来自技高网...

【技术保护点】

1.一种基于嵌入对比的医学图像弱监督分割方法，其特征在于：包括下述步骤，

2.根据权利要求1所述的一种基于嵌入对比的医学图像弱监督分割方法，其特征在于：步骤二的实现过程如下，

3.根据权利要求1所述的一种基于嵌入对比的医学图像弱监督分割方法，其特征在于，步骤三的实现过程如下：

4.根据权利要求1所述的一种基于嵌入对比的医学图像弱监督分割方法，其特征在于，步骤四的实现过程如下：

5.根据权利要求1所述的一种基于嵌入对比的医学图像弱监督分割方法，其特征在于，步骤五的实现过程如下：

6.根据权利要求1所述的一种基于嵌入对比的医学图像弱...

【技术特征摘要】

1.一种基于嵌入对比的医学图像弱监督分割方法，其特征在于：包括下述步骤，

2.根据权利要求1所述的一种基于嵌入对比的医学图像弱监督分割方法，其特征在于：步骤二的实现过程如下，

3.根据权利要求1所述的一种基于嵌入对比的医学图像弱监督分割方法，其特征在于，步骤三的实现过程如下：

4.根据...

【专利技术属性】
技术研发人员：李建强，汪婧懿，刘博，杨滨，李瑞琪，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：