【技术实现步骤摘要】
本专利技术属于计算机图像处理，涉及医学影像处理，为一种基于小样本学习的医学影像分割方法。
技术介绍
1、计算能力的提升为深度学习研究奠定了基础，与此同时，深度学习的快速发展为许多行业奠定了基础，其中随着医学影像在临床诊断应用的认可度不断的革新，其研究的广度和深度悄然提升。在保障分割准确性的前提下，需要大量的医学影像数据提供给模型进行学习，然而实践中，由于医学影像样本的特殊性，医学影像的各类特征数据不易获取，标注成本高昂。
2、目前一些深度学习算法的研究针对医学影像分割的模型中，如注意力机制和transformer得到了广泛的使用。传统的基于注意力机制的深度学习算法在医学影像分割上需要大量的训练样本才能够使得模型收敛。然而在现实的临床医疗诊断中，有些类别的医学影像数据就仅仅只有一部分数据，需要模型准确的分割出医学影像上的目标位置的图像，这无形之中给医学影像分割提出了更高的要求。为了有效的应对这些问题，本专利技术从医学影像分割的业务需求出发，尝试采用小样本学习的方法与之有效的结合，构建基于小样本学习方法的医学影像快速分割框架，促...
【技术保护点】
1.一种基于小样本学习的医学影像分割方法，其特征是利用残差网络ResNet-101的网络框架在目标检测数据集MS-COCO上的预训练，作为医学影像的特征提取器，结合医学影像的掩码Mask信息，提取医学影像的前景与背景特征，构建图像分割预测模型，基于提取的前景与背景特征学习分割不同类别的器官区域；运用语义先验知识将真实语义对象的边界采用线性空间平滑变换生成伪标签数据作为先验知识，由图像分割预测模型学习样本边界的先验知识，提升分割模型对医学影像分割位置的敏感性，包括以下步骤：
2.根据权利要求1所述的一种基于小样本学习的医学影像分割方法，其特征是步骤1具体为：
3.根...
【技术特征摘要】
1.一种基于小样本学习的医学影像分割方法，其特征是利用残差网络resnet-101的网络框架在目标检测数据集ms-coco上的预训练，作为医学影像的特征提取器，结合医学影像的掩码mask信息，提取医学影像的前景与背景特征，构建图像分割预测模型，基于提取的前景与背景特征学习分割不同类别的器官区域；运用语义先验知识将真实语义对象的边界采用线性空间平滑变换生成伪标签数据作为先验知识，由图像分割预测模型学习样本边界的先验知识，提升分割模型...
【专利技术属性】
技术研发人员：张冰，张鑫，陈俊，陈玖，陆加明，白义钧，朱正阳，
申请(专利权)人：南京鼓楼医院，
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。