买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：西安理工大学

摘要：本发明公开了基于未标记医学图像自监督信息的预训练方法，具体为：搭建Trans‑Inf‑Net分割网络，将医学CT图像x0放入到分割网络中进行病灶的分割，得到病灶图xs，作为自监督信息；搭建孪生神经网络，并将医学CT图像x0和病灶图xs作为孪生神经网络的两个输入，进行信息提取，得到权重图W；使用高斯金字塔分解对权重图W进行转换，并将权重图W与医学CT图像x0和病灶图xs进行融合，强化医学图像的特征，并保留医学图像原始信息。本发明首次研究了预训练模型的自监督信息，以有效克服医学图像上的人工标记负担，使用简单的孪生网络提取未标记图像的自身特征，提高医学图像的处理效果。

主权项：1.基于未标记医学图像自监督信息的预训练方法，其特征在于，具体按照以下步骤实施：步骤1、搭建Trans-Inf-Net分割网络，将医学CT图像x0放入到分割网络中进行病灶的分割，得到病灶图xs，作为自监督信息；具体为：步骤1.1、Trans-Inf-Net分割网络是在Inf-Net分割网络的基础之上，加入了transformer模块提高边缘表示，具体的网络框架为：医学CT图像首先被送入两层卷积层提取低层次的特征，然后将低层次特征f2被送入到三层卷积层提取高层次特征，利用一个平行部分解码器聚合这些特征并且得到一个全局图Sg，将高层次特征和低层次特征f2结合在Sg的指导下输入到反向注意力模块，最终最后一个RA的输出输入到一个Sigmoid激活函数用于医学CT图像的感染预测；步骤1.2、将50张标注的医学CT图像和1600张未标注的医学CT图像作为训练集；将48张标注的医学CT图像作为测试集，并将所有图像的大小缩放为352×352；步骤1.3、首先使用标记数据对网络进行训练，使用不同的缩放比例{0.75,1,1.25}对训练集图像进行重新采样，然后使用重新采样的图像对Trans-Inf-Net分割网络进行训练，网络使用Adam优化器进行训练，将学习率设置为1e-4，最后，保存训练好的模型；步骤1.4、使用训练好的Trans-Inf-Net分割网络为未标注的医学CT图像生成伪标签；图像的数量设置为5，即K＝5，构成K张伪标签数据，将伪标签图片作为训练图片扩充到标记数据集中进行网络的训练，然后将这K张图片从未标注的医学CT图像的数据集中移除，直到未标注的医学CT图像数据集为空；步骤1.5，保存训练好的模型，将数据集COVID-HSS中的医学CT图像x0放入到训练好的模型中进行病灶分割，得到病灶图xs；步骤2、搭建孪生神经网络，并将医学CT图像x0和病灶图xs作为孪生神经网络的两个输入，进行信息提取，得到权重图W；具体为：将医学CT图像x0和病灶图xs作为孪生神经网络的两个输入，两个图像被编码器网络f处理，编码器网络f由主干的MLP和投影的MLP头组成；编码器网络f在两个图像之间共享权重；预测MLP头h，改变图像的输出，并且将这个输出和另一个图像的输出进行匹配；将两个输出向量分别表示为和并最小化负余弦相似性，如式1所示： 其中，∥·∥2表示l2-norm，为归一化向量l2的均方误差，尺度为2；对称损失，如式2所示： 将式1修改为式3： 将式2修改为式4： 孪生网络输出一个密集的预测图，为了得到和原图相同大小的权值图，将输出的每个patch的预测值平铺到这个patch内所有像素，作为这个patch的权值，并对像素重叠的部分进行平均，最后得到和原图大小相同的权重图W；步骤3，使用高斯金字塔分解对步骤2获得权重图W进行转换，并将将转换获得的G{W}与医学CT图像x0和病灶图xs进行融合，强化医学图像的特征，并保留医学图像原始信息。

全文数据：

权利要求：

百度查询： 西安理工大学 基于未标记医学图像自监督信息的预训练方法