一种高分辨率肺出血图像弱监督分割方法技术

本发明专利技术涉及图像自动识别技术领域，具体公开了一种高分辨率肺出血图像弱监督分割方法，属于图像处理方法。现有的弱监督分割方法很少可以直接处理肺部解剖学的高分辨率图像，且处理图像过程中会存在形态较为相似、颜色对比度较低的两种不易区分的区域，导致模型在对其分割时结果较差。本发明专利技术提出一种弱监督分割方法辅助分类器生成高质量的类别激活图，在此基础上结合图神经网络构建编码器‑解码器结构，利用高质量的类别激活图以及有效的在线监督方法，可以有效识别不同子块类型之间的差异，最终得到高质量的分割图像。相比于现有技术，提出的弱监督分割方法能够更加高效、准确区分肺部解剖图像的相似区域，分割精度更高。

【技术实现步骤摘要】

本专利技术涉及图像自动识别，具体为一种高分辨率肺出血图像弱监督分割方法。

技术介绍

1、语义分割是计算机视觉中一种重要的图像分割技术，其目标是将图像中的每个像素分类到不同的语义类别中。然而，医学影像中的组织和病变往往存在的高度相似性和复杂性，再加上训练深度学习模型需要大量标记数据，使得语义分割成为一项具有挑战性的任务。近年来，弱监督技术取得了显著的进步，它们代表了语义分割算法未来发展的一个有希望的方向。其中基于类激活映射的弱监督分割方法具有高泛化性能、较强的结果可解释性的优点，使其成为弱监督分割中的一项强大技术。

2、上述方法的优势在于无需像素级别的标签，仅仅使用图像级别的类别标签就可以训练模型，减少了数据标注的复杂性和标注成本。然而，由于类激活图方法本身存在一定的局限性，例如可能会产生粗糙的分割边界或过度激活的问题，因此生成的分割结果可能不够精确或细致。针对产生的粗糙的分割边界等问题，图卷积网络被证明能够更好地捕捉像素之间的非局部关系，同时图卷积网络也能考虑像素之间的关系(不仅仅限于空间上的邻近关系)，使其能更好地利用像素之间的全局信息进行分本文档来自技高网...

【技术保护点】

1.一种高分辨率肺出血图像弱监督分割方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的一种高分辨率肺出血图像弱监督分割方法，其特征在于：步骤5中，对于给定输入特征矩阵X，，所述的图形处理器模块表示为：

3.根据权利要求1所述的一种高分辨率肺出血图像弱监督分割方法，其特征在于：所述步骤1中的，所述图像分辨率为2848×4288或4288×2848。

4.根据权利要求1所述的一种高分辨率肺出血图像弱监督分割方法，其特征在于：所述步骤1中：所述标签的具体标注方式如下：“1_0”表示该图像子块中正常组织面积占比大于5％，肺出血面积占比不足5％；“0_1...

【技术特征摘要】

1.一种高分辨率肺出血图像弱监督分割方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的一种高分辨率肺出血图像弱监督分割方法，其特征在于：步骤5中，对于给定输入特征矩阵x，，所述的图形处理器模块表示为：

3.根据权利要求1所述的一种高分辨率肺出血图像弱监督分割方法，其特征在于：所述步骤1中的，所述图像分辨率为2848×4288或4288×2848。

4.根据权利要求1所述的一种高分辨率肺出血图像弱监督分割方法，其特征在于：所述步骤1中：所述标签的具体标...

【专利技术属性】
技术研发人员：张文娟，骞爱荣，高硕，徐梦蕾，余宏，杨文辉，张浩，邓晓铌，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：