【技术实现步骤摘要】
本专利技术属于医学图像处理，具体涉及一种基于任务感知的三维医学图像重建预训练方法。
技术介绍
1、随着现代医疗技术的进步，三维医学图像已经成为诊断和治疗各种疾病的重要工具，能够提供详细的解剖结构信息，辅助医生进行病情评估、手术规划和疗效监测。然而，人工标注医学图像数据需要大量的专业知识且非常耗时，分割精度也容易受到主观因素的影响。因此，计算机辅助的自动分割技术备受关注。
2、为了提高三维医学图像的分割精度，预训练方法被广泛应用，其中，基于掩码重建自监督学习的预训练方法在研究中逐渐受到重视。例如，专利文献一(申请号202211383092.7)公开了一种基于重建预训练的肺部医学图像分割方法，该方法通过无监督的拼图重建预训练学习特征表示，结合迁移学习的思想，提高了模型的鲁棒性和泛化性，减少了模型训练时间。专利文献二(申请号202310959502.6)公开了一种医学图像处理模型的训练方法及医学图像处理方法，其主要基于给定的掩码率随机进行掩码，并据此构建去模糊掩码图像建模的预训练代理任务，使预训练阶段学习得到的隐表征包含对超声图像
【技术保护点】
1.一种基于任务感知的三维医学图像重建预训练方法，其特征在于，包括：
2.根据权利要求1所述的基于任务感知的三维医学图像重建预训练方法，其特征在于，利用所述掩码模块对所述预处理后的图像进行基于高语义信息掩码策略的选择性掩码，得到掩码图像，具体包括：
3.根据权利要求2所述的基于任务感知的三维医学图像重建预训练方法，其特征在于，所述SIFT得分的计算公式为：
4.根据权利要求2所述的基于任务感知的三维医学图像重建预训练方法，其特征在于，所述掩码概率采用动态学习策略确定，计算公式如下：
5.根据权利要求1所述的基于任务感知的...
【技术特征摘要】
1.一种基于任务感知的三维医学图像重建预训练方法，其特征在于，包括：
2.根据权利要求1所述的基于任务感知的三维医学图像重建预训练方法，其特征在于，利用所述掩码模块对所述预处理后的图像进行基于高语义信息掩码策略的选择性掩码，得到掩码图像，具体包括：
3.根据权利要求2所述的基于任务感知的三维医学图像重建预训练方法，其特征在于，所述sift得分的计算公式为：
4.根据权利要求2所述的基于任务感知的三维医学图像重建预训练方法，其特征在于，所述掩码概率采用动态学习策略确定，计算公式如下：
5.根据权利要求1所述的基于任务感知的三维医学图像重建预训练方法，其特征在于，所述重建主任务编码器采用基于下游分割任务设计的stu-net结构，具体包括多个残差块；
6.根据权利要求5所述的基于任务感知的三维医学图...
【专利技术属性】
技术研发人员：李玲玲，李瑞阳，王泠琪，焦李成，高琼，刘旭，刘芳，马文萍，陈璞花，杨淑媛，
申请(专利权)人：西安电子科技大学，
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。