[发明专利]一种基于无监督特征匹配的脑部CT医学图像处理方法

权利要求书

1.一种基于无监督特征匹配的脑部CT医学图像处理方法，其特征在于，具体包括以下步骤：

S1、获取脑部CT图像所在的大规模数据集，根据大规模数据集上的预训练网络模型对数据特征进行提取，并对其进行降维降噪处理；

S2、对完成处理的脑部CT图像进行距离计算，完成数据特征的特征匹配，并通过不确定性采样的深度主动学习算法对未标注的脑部CT图像进行计算，得到不确定性计算结果；

S3、根据数据特征的特征匹配结果，对不确定性计算结果进行重采样，再通过改进后的不确定性采样的深度主动学习算法计算得到包括丰富价值信息的脑部CT医学图像。

2.根据权利要求1所述的一种基于无监督特征匹配的脑部CT医学图像处理方法，其特征在于，所述脑部CT图像所在的大规模数据集为ImageNet数据集。

3.根据权利要求1所述的一种基于无监督特征匹配的脑部CT医学图像处理方法，其特征在于，所述预训练网络模型具体为VGG16网络模型。

4.根据权利要求3所述的一种基于无监督特征匹配的脑部CT医学图像处理方法，其特征在于，所述VGG16网络模型中通过池化层和第三卷积层来检测未标记数据的特征信息。

5.根据权利要求1所述的一种基于无监督特征匹配的脑部CT医学图像处理方法，其特征在于，所述步骤S1中通过主成分分析算法进行降维降噪处理。

6.根据权利要求1所述的一种基于无监督特征匹配的脑部CT医学图像处理方法，其特征在于，所述步骤S2中通过计算脑部CT图像之间的余弦距离来进行特征匹配和比对。

7.根据权利要求1所述的一种基于无监督特征匹配的脑部CT医学图像处理方法，其特征在于，所述数据特征的特征维度为256维。

8.根据权利要求1所述的一种基于无监督特征匹配的脑部CT医学图像处理方法，其特征在于，所述改进后的不确定性采样的深度主动学习算法在进行不确定性计算的过程中包括最小置信度采样。

9.根据权利要求1所述的一种基于无监督特征匹配的脑部CT医学图像处理方法，其特征在于，所述改进后的不确定性采样的深度主动学习算法在进行不确定性计算的过程中包括边缘采样。

10.根据权利要求1所述的一种基于无监督特征匹配的脑部CT医学图像处理方法，其特征在于，所述改进后的不确定性采样的深度主动学习算法在进行不确定性计算的过程中包括熵方法采样。