【技术实现步骤摘要】
本专利技术涉及深度学习的计算机视觉，特别是关于一种三维医学图像分割模型的预训练方法及介质。
技术介绍
1、在医学图像分析领域中，医学图像分割的精度对于智能医疗系统的构建和发展至关重要，特别是在疾病诊断、预后治疗以及术后康复计划的制定方面。
2、近年来，许多医学图像分割模型的分割性能显著提高。但这些模型的出色性能，通常基于模型在训练过程中需要精心标注的大量数据。然而，在医学图像分析领域，获取足够数量的带标注的三维医学数据相对比获取带标注的自然图像更具挑战性。这是因为标注三维医学数据的复杂性和耗时性，进一步要求医学专业人员的广泛参与，同时贡献他们的深厚领域专业知识。
3、因此，研究能有效利用大量无标注的三维医学图像，同时面向三维医学图像特点的自监督预训练方法显得尤为重要。
4、故亟需一种针对三维医学图像特点的自监督预训练方法进一步提高三维医学图像自动分割模型的准确性。
技术实现思路
1、针对上述问题，本专利技术的目的是提供一种三维医学图像分割模型的预训练方法...
【技术保护点】
1.一种三维医学图像分割模型的预训练方法，其特征在于，所述方法，包括：
2.根据权利要求1所述的三维医学图像分割模型的预训练方法，其特征在于，在所述自监督学习预训练框架，包括学生网络gS和教师网络gT；其中
3.根据权利要求2所述的三维医学图像分割模型的预训练方法，其特征在于，将输入的无标注三维医学图像样本x应用两种数据增强的不同组合，生成两个不同的视图，记作xq，xk；
4.根据权利要求3所述的三维医学图像分割模型的预训练方法，其特征在于，在训练迭代中，对于输入视图xq，利用图像的全局熵作为先验信息，全局熵定义如下：
...
【技术特征摘要】
1.一种三维医学图像分割模型的预训练方法，其特征在于，所述方法，包括：
2.根据权利要求1所述的三维医学图像分割模型的预训练方法，其特征在于，在所述自监督学习预训练框架，包括学生网络gs和教师网络gt；其中
3.根据权利要求2所述的三维医学图像分割模型的预训练方法，其特征在于，将输入的无标注三维医学图像样本x应用两种数据增强的不同组合，生成两个不同的视图，记作xq，xk；
4.根据权利要求3所述的三维医学图像分割模型的预训练方法，其特征在于，在训练迭代中，对于输入视图xq，利用图像的全局熵作为先验信息，全局熵定义如下：
5.根据权利要求4所述的三维医学图像分割模型的预训练方法，其特...
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。