1.一种基于无监督学习的脑肿瘤图像检测方法,其特征在于,包括以下步骤:S1、对脑部核磁共振影像进行数据清洗和预处理,选取三维截断切面,对得到的2D图像进行归一化处理;
S2、使用Imagenet上预训练的Resnet18模型得到初步特征,初步特征包含着图像的结构纹理信息,然后使用领域迁移技术将其适配于方案中使用的脑部核磁共振影像;
S3、Resnet18卷积神经网络对处理完成的脑部核磁共振影像进行特征提取,通过特征金字塔结构,捕捉异常在不同尺度下的图像信息细节;
S4、使用特征转化模块,对提取到的脑部核磁共振影像特征进行一系列归一化流的转化,在潜在空间中求取图像特征的确切似然,设置阈值,从而来检测异常;
S5、在模型子网络中设置卷积注意力机制,在不显著提高模型参数量和复杂性的前提下,提高检测性能;
S6、对无监督的脑肿瘤图像异常检测方法进行对比实验和消融实验。
2.根据权利要求1所述的基于无监督学习的脑肿瘤图像检测方法,其特征在于:通过引入预训练的resnet18卷积神经网络,考虑到预训练数据集ImageNet和脑部MRI数据集之间的领域偏差,使用领域迁移技术达到适配目的;Resnet18共有四个残差块,每个残差块有四个卷积层用于图像特征提取,每两个卷积层之间应用一次残差连接;考虑到脑部MRI图像具备多个细节层次,采用特征金字塔将深层特征融合到浅层特征中。
3.根据权利要求1所述的基于无监督学习的脑肿瘤图像检测方法,其特征在于:使用逆向神经网络将图像特征转化到潜在空间,由于训练完全在正常数据上进行,正常数据将被映射到标准高斯分布的高密度区域,而在测试时,异常数据将被映射到分布的边缘,从而能够使用流的似然来作为异常分数,完成检测。
4.根据权利要求1所述的基于无监督学习的脑肿瘤图像检测方法,其特征在于:将基于卷积块的注意力机制嵌入卷积层之间;卷积注意力由两部分组成,包括通道注意力和空间注意力。