一种基于像素级对比学习的小样本医学图像分割方法及系统技术方案

本发明专利技术公开了一种基于像素级对比学习的小样本医学图像分割方法及系统，方法包括：获取并处理不同器官的MRI图像数据，将非心脏器官的MRI图像数据作为训练集和验证集，将心脏MRI图像数据作为测试集；将非心脏器官的MRI图像数据输入至双分支网络小样本学习分割模型进行训练与验证；利用像素级对比学习方法优化双分支网络小样本学习分割模型；使用训练好的双分支网络小样本学习分割模型对测试集数据进行预测，获取分割预测结果。本发明专利技术提出的基于坐标划分正负样本的像素级对比学习方法，不仅降低了医学图像标注成本，提升了双分支网络小样本学习分割模型的泛化能力，还通过优化正负样本划分提高了分割精度，增强了像素间的语义相关性。

【技术实现步骤摘要】

本专利技术涉及医学图像处理，尤其涉及一种基于像素级对比学习的小样本医学图像分割方法及系统。

技术介绍

1、随着医疗技术的不断进步和医学影像学的快速发展，医学图像在临床诊断、病情评估以及手术导航等方面发挥着越来越重要的作用。医学图像分割作为医学影像分析的关键环节，旨在从复杂的医学图像中准确提取出感兴趣的区域或结构，进而为医生提供客观、量化的诊断依据。然而，医学图像标注数据的获取往往面临着诸多挑战，如标注过程复杂、专业性强、成本高昂，以及患者隐私保护等问题，这极大地限制了医学图像分割技术的发展和应用。

2、针对医学图像标注数据稀缺的问题，小样本学习(few-shot learning，fsl)作为一种新兴的机器学习框架，逐渐受到研究者的关注。然而，尽管小样本学习在医学图像分割领域具有潜在的应用价值，但现有技术仍面临诸多挑战。首先，医学图像的复杂性和多样性使得小样本学习技术难以直接应用于实际场景中。医学图像往往包含丰富的解剖结构和纹理信息，且不同部位、不同疾病的图像表现差异显著，这要求小样本学习算法能够充分挖掘和利用有限的标注信息，以实现准确的分割。本文档来自技高网...

【技术保护点】

1.一种基于像素级对比学习的小样本医学图像分割方法，其特征在于，包括：

2.如权利要求1所述的基于像素级对比学习的小样本医学图像分割方法，其特征在于，处理不同器官的MRI图像数据，包括，

3.如权利要求1或2所述的基于像素级对比学习的小样本医学图像分割方法，其特征在于，利用条件分支提取支持集特征向量，所述支持集特征向量通过激励和压缩后，再传递给分割分支以分割查询集图像，包括，

4.如权利要求3所述的基于像素级对比学习的小样本医学图像分割方法，其特征在于，利用像素级对比学习方法优化所述双分支网络小样本学习分割模型，包括，

5.如权利要求4所述...

【技术特征摘要】

1.一种基于像素级对比学习的小样本医学图像分割方法，其特征在于，包括：

2.如权利要求1所述的基于像素级对比学习的小样本医学图像分割方法，其特征在于，处理不同器官的mri图像数据，包括，

3.如权利要求1或2所述的基于像素级对比学习的小样本医学图像分割方法，其特征在于，利用条件分支提取支持集特征向量，所述支持集特征向量通过激励和压缩后，再传递给分割分支以分割查询集图像，包括，

4.如权利要求3所述的基于像素级对比学习的小样本医学图像分割方法，其特征在于，利用像素级对比学习方法优化所述双分支网络小样本学习分割模型，包括，

5.如权利要求4所述的基于像素级对比学习的小样本医学...

【专利技术属性】
技术研发人员：胡晓飞，吴佳芸，邹贵春，武灵芝，安荣荣，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：