[发明专利]一种基于小样本学习的结直肠癌的计算机辅助诊断方法

权利要求书

1.基于小样本学习的结直肠癌的计算机辅助诊断方法，其特征在于，包括步骤：

通过两个结构相同的骨干网分别抽取出预处理之后的查询图像与支持图像集的特征；

对上述特征经余弦相似度计算后将得到所有支持像素间的最大相似度作为响应值进行归一化后转换成图像大小，得到相似度矩阵corr，作为响应值特征图；

利用响应值特征图与查询图像的特征及支持图像的特征，传递给后续的卷积网络得到分割与诊断结果，通过损失函数计算出相应的损失，再将误差反向传播对网络参数进行优化更新。

2.根据权利要求1所述基于小样本学习的结直肠癌的计算机辅助诊断方法，其特征在于，所述的相似度矩阵corr的计算方式如下：

corr＝Upsample(sim)，

其中，sim1为余弦相似度计算后得到的所有像素间的最大相似度，sim代表归一化后的最大相似度值，||·||₂表示L2范数，即向量各元素的平方和然后求平方根，max是计算最大值，min是计算最小值，∈是非零常数,Upsample代表双线性插值上采样操作，即将sim进行双线性插值上采样缩放至所需的图像大小，Fq与Fs分别代表骨干网从预处理的查询图像与支持图像集中提取得到的查询图像的特征与支持图像集的特征。

3.根据权利要求2所述基于小样本学习的结直肠癌的计算机辅助诊断方法，其特征在于，所述损失函数如下：

其中，g表示深度卷积神经网络对输入图像的推理输出，g^t表示数据集标注的标签。

4.根据权利要求3所述基于小样本学习的结直肠癌的计算机辅助诊断方法，其特征在于，所述骨干网采用的resnet50。

5.根据权利要求4所述基于小样本学习的结直肠癌的计算机辅助诊断方法，其特征在于，查询图像利用骨干网分别得到五个卷积块{Q0,Q1,Q2,Q3,Q4}的输出{q0,q1,q2,q3,q4}，将特征图q2双线性插值上采样操作缩放到特征图q3大小之后与特征图q3进行通道拼接，得到特征图Q_feat,然后再经过一层卷积层Qd得到特征图qd，特征图qd经过一个平均池化层的操作得到Q_avg；

支持图像经过resnet50的五个卷积块{S0,S1,S2,S3,S4}处理后得到输出{s0,s1,s2,s3,s4}，将特征图s2双线性插值上采样缩放到特征图s3的大小之后与特征图s3进行通道拼接，然后将拼接的特征图经过一个卷积层Sd得到特征图sd；

支持图像的掩码图像y与特征图s3乘法操作，乘法操作的结果作为卷积块S4的输入，特征图s4与支持图像的掩码图像y乘法操作得到特征图S_feat,计算特征图S_feat与查询图像的特征图q4的余弦相似度，再将得到的余弦相似度最大值进行归一化处理后，双线性插值上采样成特征图Q_avg大小的相似度矩阵corr。

6.根据权利要求5所述基于小样本学习的结直肠癌的计算机辅助诊断方法，其特征在于，将特征图sd与支持图像的掩码图像y进行加权全局平均池化操作，得到Sgap_feat，其中加权全局平均池化操作具体为特征图sd与支持图像的掩码图像y相乘，将相乘后得到的结果进行平均池化操作再除以经过平均池化的支持图像的掩码图像y，得到全局平均池化操作的输出结果Sgap_feat.

具体公式表示为：

其中，avgpool代表平均池化操作，h,w代表特征图sd的高度与宽度，∈是一个非零常数。