欢迎来到知嘟嘟! 联系电话:13095918853 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13095918853
知嘟嘟经纪人
收藏
专利号: 2020107978415
申请人: 北京工业大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2025-03-13
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种用于全层脑CT图像的图像处理方法,其特征在于,包括:将目标脑CT图像组输入到训练好的卷积神经网络中进行特征提取处理,得到所述目标脑CT图像组中每一张图像的特征图,并根据所述特征图构建所述目标脑CT图像组对应的特征向量矩阵;所述训练好的卷积神经网络是由标记有脑部CT图像分类标签和扫描干扰标签的样本脑CT图像训练得到的;

对所述特征向量矩阵中的特征图进行多特征融合处理,得到所述目标脑CT图像组的图像处理结果;

所述对所述特征向量矩阵中的特征图进行多特征融合处理,得到所述目标脑CT图像组的图像处理结果,包括:将所述特征向量矩阵进行复制,分别得到第一矩阵、第二矩阵和第三矩阵;

对所述第一矩阵进行降维处理,得到第一降维矩阵,对所述第二矩阵进行降维处理,得到第二降维矩阵;

对所述第一降维矩阵进行softmax函数运算,得到每一个标签属于每一个特征图的概率,输出得到第一输出矩阵;对所述第二降维矩阵进行softmax函数运算,得到每一个特征图属于每一个标签的概率,输出得到第二输出矩阵;

将所述第一输出矩阵和所述第二输出矩阵中对应的元素进行点乘操作,得到第四矩阵;

将所述第四矩阵中的元素横向相加,得到对应的多维向量,并对所述多维向量进行排序,通过Top‑K算法获取目标特征图得分;

将所述目标特征图得分和所述第一矩阵进行点乘,得到目标矩阵;

将所述目标矩阵中所有特征图进行串联,得到目标向量,以获取所述目标脑CT图像组的图像处理结果。

2.根据权利要求1所述的用于全层脑CT图像的图像处理方法,其特征在于,在所述将目标脑CT图像组输入到训练好的卷积神经网络中进行特征提取处理,得到所述目标脑CT图像组中每一张图像的特征图之前,所述方法还包括:将待处理的脑CT图像组的图像数量和预设图像数量进行对比,并根据对比结果,对所述待处理的脑CT图像组中的图像进行复制或删除处理,得到目标脑CT图像组。

3.根据权利要求1所述的用于全层脑CT图像的图像处理方法,其特征在于,所述卷积神经网络为VGG‑16模型。

4.一种用于全层脑CT图像的图像处理系统,其特征在于,包括:特征提取模块,用于将目标脑CT图像组输入到训练好的卷积神经网络中进行特征提取处理,得到所述目标脑CT图像组中每一张图像的特征图,并根据所述特征图构建所述目标脑CT图像组对应的特征向量矩阵;所述训练好的卷积神经网络由标记有脑部CT图像分类标签和扫描干扰标签的样本脑CT图像训练得到的;

特征融合模块,用于对所述特征向量矩阵中的特征图进行多特征融合处理,得到所述目标脑CT图像组的图像处理结果;

所述特征融合模块包括:

第一处理单元,用于将所述特征向量矩阵进行复制,分别得到第一矩阵、第二矩阵和第三矩阵;

降维单元,用于对所述第一矩阵进行降维处理,得到第一降维矩阵,对所述第二矩阵进行降维处理,得到第二降维矩阵;

第二处理单元,用于对所述第一降维矩阵进行softmax函数运算,得到每一个标签属于每一个特征图的概率,输出得到第一输出矩阵;对所述第二降维矩阵进行softmax函数运算,得到每一个特征图属于每一个标签的概率,输出得到第二输出矩阵;

第三处理单元,用于将所述第一输出矩阵和所述第二输出矩阵中对应的元素进行点乘操作,得到第四矩阵;

第四处理单元,用于将所述第四矩阵中的元素横向相加,得到对应的多维向量,并对所述多维向量进行排序,通过Top‑K算法获取目标特征图得分;

第五处理单元,用于将所述目标特征图得分和所述第一矩阵进行点乘,得到目标矩阵;

融合单元,用于将所述目标矩阵中所有特征图进行串联,得到目标向量,以获取所述目标脑CT图像组的图像处理结果。

5.根据权利要求4所述的用于全层脑CT图像的图像处理系统,其特征在于,所述系统还包括:预处理模块,用于将待处理的脑CT图像组的图像数量和预设图像数量进行对比,并根据对比结果,对所述待处理的脑CT图像组中的图像进行复制或删除处理,得到目标脑CT图像组。

6.根据权利要求4所述的用于全层脑CT图像的图像处理系统,其特征在于,所述系统还包括分类模块,所述分类模块用于:将所述第四矩阵中的元素纵向相加,得到第一一维向量;

通过全连接层,对所述目标向量进行降维,得到第二一维向量,其中,激活函数为rule函数,公式为:其中,xi,(i=1,2,…,n)表示输入的特征图,W为模型权重参数,R()表示rule函数,b为模型偏执参数;

根据所述第一一维向量和所述第二一维向量,通过全连接层和sigmoid激活函数,对特征图进行分类,公式为:

1 2

其中,x 和x 分别为所述第一一维向量和所述第二一维向量;w1、w2和w3表示模型参数,为n维向量,s()为sigmoid函数;将均方差误差作为损失函数,公式为:其中,M为样本数量,y和y0分别表示标签值和预测结果。

7.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至3任一项所述用于全层脑CT图像的图像处理方法的步骤。

8.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至3任一项所述用于全层脑CT图像的图像处理方法的步骤。