【技术实现步骤摘要】
本专利技术涉及图像处理，具体为一种半监督类原型特征对齐的多组织成分图像分割方法及系统。
技术介绍
1、胰腺癌是一种高度恶性的消化道肿瘤，其中主要是导管腺癌。这种癌症起病隐匿性强，初期症状不明显，因此诊断与治疗都很困难。目前，全视野切片图像技术实现了病理切片图像的数字化，使病理医生能够在高分辨率图像下更好地分析病人的组织病变情况，但这一分析过程要求医生具备极高的专业素养。通过算法自动分割胰腺导管腺癌病理图像中肿瘤、血管、神经、胰岛和导管五种组织成分，可以辅助医生对患者病情做出更加精准的诊断，对提高医疗水平落后地区患者的就诊质量具有非常重要的现实意义。
2、近年来，基于u形网络的深度学习模型已经证明在解决各种医学图像问题上能够达到最佳性能。但是，传统监督学习过程本质上是对现有知识的重复记忆，局限于已知的数据，无法对知识进行抽象性的总结，并将这份总结反作用于自身继续学习的过程中，因此无法达到更好的学习效果。胰腺导管腺癌的病理图像具有局部差异大、组织成分分布不平衡等特点，尤其需要寻求更好的方法，能够使模型适应在训练过程中未涵盖的未知
【技术保护点】
1.一种半监督类原型特征对齐的多组织成分图像分割方法，其特征在于，包括：
2.如权利要求1所述的半监督类原型特征对齐的多组织成分图像分割方法，其特征在于：所述获取原训练集并构建U-Net分割网包括获取多组织成分图像构建原训练集，使用原训练集对U-Net分割网络进行预训练，更新U-Net分割网络的参数。
3.如权利要求2所述的半监督类原型特征对齐的多组织成分图像分割方法，其特征在于：所述使用U-Net分割网络编码器提取输入图像特征嵌入包括使用预训练的U-Net分割网络对输入有标签的图像进行初始预测，并计算多类平均Dice相似度系数，取所有平均Di...
【技术特征摘要】
1.一种半监督类原型特征对齐的多组织成分图像分割方法，其特征在于，包括：
2.如权利要求1所述的半监督类原型特征对齐的多组织成分图像分割方法，其特征在于：所述获取原训练集并构建u-net分割网包括获取多组织成分图像构建原训练集，使用原训练集对u-net分割网络进行预训练，更新u-net分割网络的参数。
3.如权利要求2所述的半监督类原型特征对齐的多组织成分图像分割方法，其特征在于：所述使用u-net分割网络编码器提取输入图像特征嵌入包括使用预训练的u-net分割网络对输入有标签的图像进行初始预测，并计算多类平均dice相似度系数，取所有平均dice相似度系数大于阈值dct的图像作为置信图像，使用所有置信图像计算初始全局类原型，表示为：
4.如权利要求3所述的半监督类原型特征对齐的多组织成分图像分割方法，其特征在于：所述计算无标签特征嵌入能量分数筛除分布外像素包括将无标签图像和有标签图像成对送入u-net分割网络，输入的有标签图像和无标签图像都经过编码器提取深度特征图，h是深度特征图通道数，分别为深度特征图的高和宽，将深度特征图重新排列形成一个深度特征嵌入矩阵，有标签特征嵌入矩阵和无标签特征嵌入矩阵计算矩阵乘法获得一个半监督相似度矩阵，有标签特征嵌入矩阵与类原型计算相似度，获得一个有标签类相似度矩阵，是类别数，使用u-net分割网络编码器提取输入图像特征嵌入，计算有标签图像每个特征嵌入与每个类原型的余弦相似度，取类相似度矩阵中每一行的最大值生成一个全局阈值向...
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。