基于自监督对比主动学习的甲状腺结节良恶性分类方法

本发明属于计算机视觉技术领域，具体涉及一种基于自监督对比主动学习的甲状腺结节良恶性分类方法，本发明通过对自建的甲状腺数据集进行分类实验的比较和分析，验证了所提出的模型，通过SSCL自监督预训练模块学习到更有意义的特征表示。这些特征在无监督学习阶段已经考虑了数据的多样性和结构。在特征降维后，保留更关键和有区分度的特征信息，减少特征的冗余和噪声。主动学习通过合理的样本选择策略，从未标注的数据集中选取最有益于模型改进的样本进行训练，从而提高模型的泛化能力和性能。这有助于模型更好地理解数据的结构和类别之间的差异，提高分类准确率，改善分类任务的性能。该方法可以有效协助医生对患者甲状腺结节的治疗和诊断。