1.一种基于异常检测的小样本医学图像分割方法,其特征在于,所述小样本医学图像分割方法包括:
2.根据权利要求1所述的小样本医学图像分割方法,其特征在于,得到各个前景类别的前景原型包括:
3.根据权利要求2所述的小样本医学图像分割方法,其特征在于,得到任意前景类别ci在当前尺度m下的候选原型包括:
4.根据权利要求2所述的小样本医学图像分割方法,其特征在于,将每个前景类别在多个尺度下的候选原型进行融合,得到任意前景类别ci的前景原型其中,是前景类别ci在尺度m下的候选原型,αm是尺度m对应的平衡因子,αm∈(0,1)且整数参数m≥2。
5.根据权利要求1所述的小样本医学图像分割方法,其特征在于,利用异常检测模块基于查询特征和各个前景类别的前景原型进行异常检测得到所述查询切片图像的分割结果包括:
6.根据权利要求5所述的小样本医学图像分割方法,其特征在于,按照余弦相似度计算所述查询特征中像素点(x,y)相对于前景类别ci的异常分数其中,fq(x,y)是查询特征中像素点(x,y)处的像素值,|| ||表示求模,μ为取值为正的比例因子,当查询特征与前景原型相同时异常分数取得最小值为当查询特征与前景原型相反时异常分数取得最大值为
7.根据权利要求6所述的小样本医学图像分割方法,其特征在于,确定任意像素点(x,y)属于前景类别ci的前景概率其中,t是异常分数阈值,σ()是陡度参数为0.5的sigmoid函数,当时得到的前景概率当时得到的前景概率
8.根据权利要求5所述的小样本医学图像分割方法,其特征在于,根据查询切片图像的分割结果及对应的超像素标签计算得到损失函数ls为:
9.根据权利要求1所述的小样本医学图像分割方法,其特征在于,利用特征提取模块对输入的查询切片图像提取查询特征包括:
10.根据权利要求1所述的小样本医学图像分割方法,其特征在于,基于医学图像公开数据集构建支持集和查询集包括: