基于粗细粒度对比学习的肺部医学图像深度模糊聚类方法技术

本发明专利技术提供了一种基于粗细粒度对比学习的肺部医学图像深度模糊聚类方法，属于医学图像处理技术领域。解决了传统方法在处理肺部医学图像时局部特征丧失以及不能精确地区分相似类别和处理数据边界模糊的技术问题。其技术方案为：包括以下步骤：S10、获取肺部医学图像的特征表示并聚类生成初步的伪标签；S20、利用数据增强技术获取肺部医学图像的增强图像；S30、获取模糊特征表示；S40、结合簇级粗粒度对比损失、样本级细粒度对比损失和均方差损失优化特征表示；S50、获取最终肺部医学图像聚类结果。本方案的有益效果为：可以有效的提高全局与局部信息的关联性，增强特征的表达能力、增强模型对复杂数据的适应性。

【技术实现步骤摘要】

本专利技术涉及到医学图像处理和深度学习，具体来说涉及基于粗细粒度对比学习的肺部医学图像深度模糊聚类方法。

技术介绍

1、肺癌是全球范围内致死率最高的癌症之一，常伴随咳嗽、气短、胸痛、体重减轻等症状，且在早期可能并无明显表现，导致许多患者错失最佳治疗时机。由于不同类型的肺癌在病理特征和治疗响应上存在显著差异，准确识别肿瘤的类型、位置及其生物学行为，对于制定个体化的治疗方案至关重要。近年来，深度学习技术的应用为肺部医学图像分析提供了新的机遇，特别是在肺癌的早期诊断和亚型分类方面。通过对肺部医学图像进行自动化聚类分析，可以实现对不同类型肿瘤的精准分类。这不仅能够提高诊断的准确性和效率，还能辅助医生对肿瘤的生长模式进行全面评估，进一步推动个性化治疗的发展，改善肺癌患者的预后。

2、《一种肺癌组织病理图像的智能分类系统方法及系统》提出了一个基于多分类器的图像智能分类方法，但是由于该方法无法有效处理无标签数据，使得其在无监督或弱监督学习场景下应用受限。同时，由于肺部医学图像通常具有高维度、非结构化以及噪声干扰等特点，需要采用更强大的特征表示方法进行后续聚类本文档来自技高网...

【技术保护点】

1.一种基于粗细粒度对比学习的肺部医学图像深度模糊聚类方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于粗细粒度对比学习的肺部医学图像深度模糊聚类方法，其特征在于，所述步骤S10包括如下步骤：

3.根据权利要求1所述的基于粗细粒度对比学习的肺部医学图像深度模糊聚类方法，其特征在于，所述步骤S20包括如下步骤：

4.根据权利要求1所述的基于粗细粒度对比学习的肺部医学图像深度模糊聚类方法，其特征在于，所述步骤S30包括如下步骤：

5.根据权利要求1所述的基于粗细粒度对比学习的肺部医学图像深度模糊聚类方法，其特征在于，所述步骤S40包...

【技术特征摘要】

1.一种基于粗细粒度对比学习的肺部医学图像深度模糊聚类方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于粗细粒度对比学习的肺部医学图像深度模糊聚类方法，其特征在于，所述步骤s10包括如下步骤：

3.根据权利要求1所述的基于粗细粒度对比学习的肺部医学图像深度模糊聚类方法，其特征在于，所述步骤s20包括如下步骤：

4.根据权利要求1所述的基于粗细粒度对比学习的肺部医学图像深度模糊聚类方法，其特征在于，所述步...

【专利技术属性】
技术研发人员：郭静，鞠恒荣，成晓天，丁卫平，蔡超越，严如，杨光，邱珊珊，
申请(专利权)人：南通大学，
类型：发明
国别省市：