基于高阶矩对比学习与动态层次聚类的无监督跨域医疗影像分类方法、系统、介质技术方案

本发明专利技术涉及医疗影像分析技术领域，尤其涉及一种基于高阶矩对比学习与动态层次聚类的无监督跨域医疗影像分类方法、系统、介质，影像分类方法包括：构建无监督领域自适应模型，利用源域医疗影像样本学习可迁移知识。基于动态域对齐策略量化源域和目标域特征分布差异，采用特征提取器和Sinkhorn散度算法实现特征分布对齐。利用可靠高阶对比对齐策略增强特征表示能力，提取高阶矩信息并引导目标域样本移动至类别中心。结合可信层次聚类策略，实现无标签医疗影像数据的鲁棒聚类。与现有技术相比，本发明专利技术通过动态域对齐策略、可靠高阶对比对齐策略和可信层次聚类策略，有效消除偏倚估计问题，引导未标记样本实现鲁棒的聚类。

【技术实现步骤摘要】

本专利技术涉及医疗影像分析，尤其是涉及一种基于高阶矩对比学习与动态层次聚类的无监督跨域医疗影像分类方法、系统、介质。

技术介绍

1、随着医学影像技术的不断发展，医疗影像分析在临床诊断中发挥着越来越重要的作用。然而，由于mri序列的复杂性、不同厂商生产的影像设备存在差异、成像参数不一致以及受试者个体化差异、带有标注数据获取困难等因素，导致源域与目标域之间存在明显的分布差异，使医疗影像分类不准确。为解决这一问题，无监督领域自适应技术旨在利用已标注的源域学习可迁移知识，对未标注的目标域样本进行标注，已逐渐受到研究人员的关注，被广泛应用于医学影像分析领域。

2、专利 cn115713509a 提出了一种多站点无监督域自适应的医学影像分类方法，通过构建源域特征矩阵和目标域特征矩阵，并利用分类器对齐多个源域与单个目标域的特征分布，实现了跨域特征的对齐。然而，该方法在特征对齐过程中，直接采用特征提取器提取深度特征进行对比学习，忽略了源域和目标域特征之间存在的较大特征范数差异。这可能导致模型在边际分布对齐时，优先减少特征范数差异，而非专注于学习语义丰富的可迁移本文档来自技高网...

【技术保护点】

1.一种基于高阶矩对比学习与动态层次聚类的无监督跨域医疗影像分类方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于高阶矩对比学习与动态层次聚类的无监督跨域医疗影像分类方法，其特征在于，S1中，具体包括以下步骤：

3.根据权利要求1所述的一种基于高阶矩对比学习与动态层次聚类的无监督跨域医疗影像分类方法，其特征在于，S2中，具体包括以下步骤：

4.根据权利要求3所述的一种基于高阶矩对比学习与动态层次聚类的无监督跨域医疗影像分类方法，其特征在于，通过Sinkhorn 散度算法进行散度计算的过程具体为：

5.根据权利要求3所述的一种...

【技术特征摘要】

1.一种基于高阶矩对比学习与动态层次聚类的无监督跨域医疗影像分类方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于高阶矩对比学习与动态层次聚类的无监督跨域医疗影像分类方法，其特征在于，s1中，具体包括以下步骤：

3.根据权利要求1所述的一种基于高阶矩对比学习与动态层次聚类的无监督跨域医疗影像分类方法，其特征在于，s2中，具体包括以下步骤：

4.根据权利要求3所述的一种基于高阶矩对比学习与动态层次聚类的无监督跨域医疗影像分类方法，其特征在于，通过sinkhorn 散度算法进行散度计算的过程具体为：

5.根据权利要求3所述的一种基于高阶矩对比学习与动态层次聚类的无监督跨域医疗影像分类方法，其特征在于，所述特征分布差异具体为：

6.根据权利要求1所述的一种基于高阶矩对比学习与动态层次聚类的无监督跨域医疗影像分类方法，其特征在于，s3中，所述高阶特征投影...

【专利技术属性】
技术研发人员：董舜杰，李若坤，郑文凯，蒲雨霖，邹雪扬，沈哲涵，严福华，邓林，
申请(专利权)人：上海交通大学医学院附属瑞金医院，
类型：发明
国别省市：