【技术实现步骤摘要】
本专利技术涉及一种基于自监督预训练的无监督小样本宫颈细胞分类方法，属于数字图像处理与医学交叉。
技术介绍
1、宫颈癌是引全球女性死亡的主要疾病之一，其发病机制明确，早期诊断治愈率极高。因此，宫颈细胞图像的准确分类对于宫颈癌的早期筛查和干预治疗至关重要。当前最主要的早筛手段是宫颈液基细胞学检测(即tct检查，通过采集宫颈细胞并进行制片，观察细胞的形态和结构，以发现异常细胞或可疑的恶性细胞)，筛查效率低，极易受病理医生主观影响，准确度低，经常出现误诊和漏诊情况。
2、基于深度学习的宫颈细胞图像分类算法虽然实现了自动化阅片，但算法需要大量数据训练数据。然而在实际医疗场景中，涉及病人的隐私，以及罕见、低发病例极少，所以收集大量宫颈细胞图像不仅费时费力，而且每张数据都需要专业人员标注，成本极高。因此，需要设计小样本学习算法，基于极少标注数据准确分类宫颈细胞，辅助医生进行疾病诊断。
3、目前的小样本学习算法应用于宫颈细胞图像分类问题直接应用于宫颈细胞图像分类任务还存在以下问题：
4、(1)监督小样本学习算法应用于...
【技术保护点】
1.一种基于自监督预训练的无监督小样本宫颈细胞分类方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述步骤3包括：
3.根据权利要求2所述的方法，其特征在于，所述步骤4包括：
4.根据权利要求3所述的方法，其特征在于，所述K种传统数据增强算子包括：缩放、随机裁剪、随机旋转以及图像属性的随机调整。
5.根据权利要求3所述的方法，其特征在于，所述Q种自动数据增强算子采用从ImageNet数据集迁移的自动数据增强技术的子策略；自动数据增强技术采用强化学习思想搜索的最佳增强策略。
6.根据...
【技术特征摘要】
1.一种基于自监督预训练的无监督小样本宫颈细胞分类方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述步骤3包括：
3.根据权利要求2所述的方法，其特征在于，所述步骤4包括：
4.根据权利要求3所述的方法，其特征在于，所述k种传统数据增强算子包括：缩放、随机裁剪、随机旋转以及图像属性的随机调整。
5.根据权利要求3所述的方法，其特征在于，所述q种自动数据增强算子采用从imagenet数据集迁移...
【专利技术属性】
技术研发人员：谢莉，舒卫平，耿俊杰，兰倩，杨海麟，
申请(专利权)人：江南大学，
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。