本发明涉及图像处理,具体涉及基于预测时精调的个体化医学图像处理方法及模型。
背景技术:
1、随着深度学习技术的进步,医学图像处理任务,包括去噪,超分,去伪影等,已经得到了显著的改善。传统的深度学习方法,如u-net和其变种结构,能够通过模型学习医学图像的一般性先验知识,但这些方法缺乏针对个体数据的针对性学习能力,输出的效果有时仍不够理想。
2、基于此,本发明设计了基于预测时精调的个体化医学图像处理方法及模型以解决上述问题。
技术实现思路
1、针对现有技术所存在的上述缺点,本发明提供了基于预测时精调的个体化医学图像处理方法及模型。
2、为实现以上目的,本发明通过以下技术方案予以实现:
3、基于预测时精调的个体化医学图像处理方法,包括以下步骤:
4、一、在训练集t上预训练一个深度学习模型m0;
5、二、对于任意特定输入图像x,搜索训练集t中与输入图像x相似的图像,以获取一个训练子集sx;
6、三、将深度学习模型m0在训练子集sx上进行精调,得到精调后的模型mx;
7、四,将输入图像x输入到模型mx中,得到预测输出yx。
8、更进一步的,步骤二中,通过特征相似性搜索方法,找到训练集t中与输入图像x相似的多个图像。
9、更进一步的,特征相似性搜索方法可采用基于图像的元数据进行搜索的方法。
10、更进一步的,特征相似性搜索方法可采用提取图像的特征进行匹配的方法。
11、更进一步的,特征相似性搜索方法使用预训练的深度学习模型来提取图像特征,然后将这些特征进行向量化,并进行相似度搜索。
12、更进一步的,使用向量搜索库进行快速近邻搜索。
13、更进一步的,步骤一中,选择u-net网络模型作为深度学习模型m0。
14、更进一步的,步骤一中,构建融合u-net网络模型和transformer模块的增强模型作为深度学习模型m0。
15、一种基于预测时精调的个体化医学图像处理模型,通过以下方法获取:在训练集t上预训练一个深度学习模型m0;对于任意特定输入图像x,搜索训练集t中与输入图像x相似的图像,以获取一个训练子集sx;将深度学习模型m0在训练子集sx上进行精调,得到精调后的模型mx。
16、有益效果
17、本发明可实现针对特定输入图像的个性化处理,优化医学图像的质量,可以提高医学图像处理的准确性,进而改善诊断的准确性。
1.基于预测时精调的个体化医学图像处理方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于预测时精调的个体化医学图像处理方法,其特征在于,步骤二中,通过特征相似性搜索方法,找到训练集t中与输入图像x相似的多个图像。
3.根据权利要求2所述的基于预测时精调的个体化医学图像处理方法,其特征在于,特征相似性搜索方法可采用基于图像的元数据进行搜索的方法。
4.根据权利要求2所述的基于预测时精调的个体化医学图像处理方法,其特征在于,特征相似性搜索方法可采用提取图像的特征进行匹配的方法。
5.根据权利要求2所述的基于预测时精调的个体化医学图像处理方法,其特征在于,特征相似性搜索方法使用预训练的深度学习模型来提取图像特征,然后将这些特征进行向量化,并进行相似度搜索。
6.根据权利要求5所述的基于预测时精调的个体化医学图像处理方法,其特征在于,使用向量搜索库进行快速近邻搜索。
7.根据权利要求1~6任一所述的基于预测时精调的个体化医学图像处理方法,其特征在于,步骤一中,选择u-net网络模型作为深度学习模型m0。
8.根据权利要求1~6任一所述的基于预测时精调的个体化医学图像处理方法,其特征在于,步骤一中,构建融合u-net网络模型和transformer模块的增强模型作为深度学习模型m0。
9.一种基于预测时精调的个体化医学图像处理模型,其特征在于,通过以下方法获取:在训练集t上预训练一个深度学习模型m0;对于任意特定输入图像x,搜索训练集t中与输入图像x相似的图像,以获取一个训练子集sx;将深度学习模型m0在训练子集sx上进行精调,得到精调后的模型mx。