【技术实现步骤摘要】
本专利技术涉及图像分割，特别是涉及一种基于困难样本挖掘掩码自编码器的医学图像分割自预训练方法及系统。
技术介绍
1、医学图像分割是医学影像处理中的一个重要技术，旨在从医学图像中自动识别和提取出感兴趣的区域或目标，帮助医生更准确、更快速地诊断和治疗疾病。随着深度学习技术的迅猛发展，计算机视觉和图像识别的准确性得到了显著提升，这极大地推进了深度学习在医学图像分割领域的应用进程。然而，在医学图像处理的实际应用中，由于需要保护患者隐私以及医学图像分类通常需要专业影像医生的参与，获取大量高质量标注样本变得极为困难。这对于深度学习模型来说，尤其是对于那些深度较大的模型，有限的训练样本可能导致模型过拟合，从而降低其泛化能力，影响分析结果的准确性。
2、掩码自编码器(mae)作为一种无监督学习方法，为深度学习模型提供有效的预训练，旨在减轻深度学习模型对大量标注数据的依赖，提高其泛化能力。mae通过遮蔽图像的一部分并训练深度学习模型重建这些被遮蔽的部分，从而学习数据的有效表示。尽管mae在医学图像表示学习方面具有明显优势，但其训练过程并未站在...
【技术保护点】
1.一种基于困难样本挖掘掩码自编码器的医学图像分割自预训练方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于困难样本挖掘掩码自编码器的医学图像分割自预训练方法，其特征在于，步骤2所述的对CT扫描图像进行预处理，包括对每个CT扫描图像依次进行降采样、重定向、体素缩放、背景剪裁、图像剪裁、随机体素变换、随机仿射变换操作，获得多张大小为96×96×96体素的三维子图像。
3.根据权利要求1所述的基于困难样本挖掘掩码自编码器的医学图像分割自预训练方法，其特征在于，步骤3所述的学生VIT网络和教师VIT网络具有相同的网络结构，都由一个编码器、...
【技术特征摘要】
1.一种基于困难样本挖掘掩码自编码器的医学图像分割自预训练方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于困难样本挖掘掩码自编码器的医学图像分割自预训练方法，其特征在于，步骤2所述的对ct扫描图像进行预处理，包括对每个ct扫描图像依次进行降采样、重定向、体素缩放、背景剪裁、图像剪裁、随机体素变换、随机仿射变换操作，获得多张大小为96×96×96体素的三维子图像。
3.根据权利要求1所述的基于困难样本挖掘掩码自编码器的医学图像分割自预训练方法，其特征在于，步骤3所述的学生vit网络和教师vit网络具有相同的网络结构，都由一个编码器、一个图像重建解码器和一个损失预测解码器组成，其中教师网络的参数由学生网络以θt←mθt+(1-m)θs的方式进行更新，θt和θs分别代表教师网络参数和学生网络参数。
4.根据权利要求3所述的基于困难样本挖掘掩码自编码器的医学图像分割自预训练方法，其特征在于，步骤3所述的自预训练的方法为：
5.根据权利要求4所述的基于困难样本挖掘掩码自编码器的医学图像分割自预训练方法，其特征在于，步骤301所述将训练集中三维子图像转换成三维块序列的方法为：形状为h×w×d×c的三维子图像被重塑成一系列的三维块序列n×(p3·c)＝n×q，q＝p3·c；其中c为三维子图像输入通道，(h；w；d)为三维子图...
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。