申请/专利权人：电子科技大学

申请日：2023-12-12

公开（公告）日：2024-03-12

公开（公告）号：CN117689886A

主分类号：G06V10/26

分类号：G06V10/26;G06V10/82;G06N3/0455;G06N3/0895;G06N3/0985

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.03.29#实质审查的生效;2024.03.12#公开

摘要：本发明涉及一种基于机器学习的医学图像处理技术，提供一种基于自监督学习及稀疏注释的血管内图像病变分割方法。先在临床中收集血管内影像数据，并对其进行筛选和预处理，然后对随机挑选的小部分数据进行以间隔若干帧的方式进行像素级稀疏注释；通过自监督学习在大量未标注数据上进行预训练，随后通过迁移学习构建分割模型，并在稀疏注释数据上进行微调训练。最后生成血管内病变的预测并对其进行定量分析。本发明可运用于针对大规模血管内医学影像数据快速建立有效的病变分析模型。

主权项：1.基于自监督学习及稀疏注释的血管内图像病变分割方法，其特征在，包括步骤：一、数据集构建步骤：1收集血管内影像数据并进行预处理；2随机挑选小部分预处理后的血管内影像数据作为待标注数据，其余未被挑选的血管内影像数据作为未标注数据；3对选取的待标注数据进行基于间隔帧的稀疏注释构建稀疏标注数据集，所述基于间隔帧的稀疏注释为在预处理后的血管内影像数据中按一定间隔选取一帧，对选取的整帧图像进行像素级注释作为标注帧，未选取的帧图像不进行注释作为未标注帧；二、训练步骤：1自监督预训练：使用未标注数据对用于捕捉血管内影像特征的Transformer编码器进行自监督预训练；2将稀疏标注数据集中的训练集输入自动分割模型中进行微调训练，自动分割模型包括Transformer预训练编码器与CNN译码器，具体的训练方式为：先将预先训练的Transformer编码器迁移至自动分割模型中，即利用自监督预训练获得的Transformer编码器对自动分割模型中的Transformer预训练编码器进行参数初始化；将训练集中同一段图像序列进行两种互为可逆的随机数据增强处理，分别得到第一输入图像序列和第二输入图像序列；所述两种互为可逆的随机数据增强为对原始图像序列先使用一种随机数据增强处理，再经过数据增强反变换后得到的图像序列，与对原始图像序列使用另一种随机数据增强处理得到图像序列相同；再将第一输入图像序列和第二输入图像序列分别经过基于深度学习的用于捕捉血管内影像特征与预测3D病变分割的自动分割模型后得到第一预测结果与第二预测结果；再对第一预测结果进行数据增强反变换得到的第一反变换结果；微调训练过程中使用对比第一预测结果中标注帧对应的预测部分与真实分割标签之间相似度的分割损失，以及对第一预测结果进行数据增强反变换得到的第一反变换结果与第二预测结果在同一特征空间中的一致性的对比损失来约束编码译码模块的微调训练过程；在微调训练过程的验证过程中，通过计算自动分割模型在稀疏标注数据集中的验证集上的性能指标，进而挑选最佳的自动分割模型超参数，所述验证集上性能指标为针对标注帧的分割性能评估；二、测试步骤：将待处理的血管内影像数据输入至完成训练的自动分割模型，自动分割输出所有血管内图像帧的病变分割预测结果。

全文数据：

权利要求：

百度查询： 电子科技大学 基于自监督学习及稀疏注释的血管内图像病变分割方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD