CN112102239A - 一种用于全层脑ct图像的图像处理方法及*** - Google Patents

一种用于全层脑ct图像的图像处理方法及*** Download PDF

Info

Publication number
CN112102239A
CN112102239A CN202010797841.5A CN202010797841A CN112102239A CN 112102239 A CN112102239 A CN 112102239A CN 202010797841 A CN202010797841 A CN 202010797841A CN 112102239 A CN112102239 A CN 112102239A
Authority
CN
China
Prior art keywords
matrix
image
brain
target
feature
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010797841.5A
Other languages
English (en)
Other versions
CN112102239B (zh
Inventor
李建强
宋长伟
付光晖
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Technology
Original Assignee
Beijing University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing University of Technology filed Critical Beijing University of Technology
Priority to CN202010797841.5A priority Critical patent/CN112102239B/zh
Publication of CN112102239A publication Critical patent/CN112102239A/zh
Application granted granted Critical
Publication of CN112102239B publication Critical patent/CN112102239B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30016—Brain

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例提供一种用于全层脑CT图像的图像处理方法及***，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。本发明实施例通过对连续的脑CT图像进行特征提取和融合处理，将一组脑CT图像之间的相关性关联起来，得到关联性更强的脑CT图像，并将干扰去除，提供效果更好的脑CT图像。

Description

一种用于全层脑CT图像的图像处理方法及***
技术领域
本发明涉及计算机技术领域，尤其涉及一种用于全层脑CT图像的图像处理方法及***。
背景技术
计算机断层扫描(Computed Tomography，简称CT)因其经济、快速和广泛的应用，成为是最常用的脑部成像技术。近年来，深度学习在图像分类领域取得了很大的进展，已迅速成为医学图像分析的重要选择。尤其是卷积神经网络，自动提取图像特征，可以避免复杂的人工提取图像特征。
对于一套连续的脑CT图像，需要排除一系列扫描的干扰。传统的方法往往都是基于单张图像进行图像处理，得到的图像处理结果往往也是独立存在的，导致图像之间的依赖性无法较好的关联起来，并且处理后的图像仍然存在较多的干扰。
因此，现在亟需一种用于全层脑CT图像的图像处理方法及***来解决上述问题。
发明内容
针对现有技术存在的问题，本发明实施例提供一种用于全层脑CT图像的图像处理方法及***。
第一方面，本发明实施例提供了一种用于全层脑CT图像的图像处理方法方法，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。
进一步地，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。
进一步地，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。
进一步地，所述卷积神经网络为VGG-16模型。
第二方面，本发明实施例提供了一种用于全层脑CT图像的图像处理***，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。
进一步地，所述***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。
进一步地，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。
进一步地，所述***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：
Figure BDA0002626312320000041
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：
Figure BDA0002626312320000042
其中，x1和x2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：
Figure BDA0002626312320000043
其中，M为样本数量，y和y0分别表示标签值和预测结果。
第三方面，本发明实施例提供一种电子设备，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，所述处理器执行所述程序时实现如第一方面所提供的方法的步骤。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面所提供的方法的步骤。
本发明实施例提供的一种用于全层脑CT图像的图像处理方法及***，通过对连续的脑CT图像进行特征提取和融合处理，从而将一组脑CT图像之间的相关性关联起来，得到关联性更强的脑CT图像，并将原图像中由于扫描造成的干扰去除，提供效果更好的脑CT图像。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的用于全层脑CT图像的图像处理方法的流程示意图；
图2为本发明实施例提供的用于全层脑CT图像的图像处理***的结构示意图；
图3为本发明实施例提供的多特征融合和标签分类的示意图；
图4为本发明实施例提供的电子设备结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明实施例提供的用于全层脑CT图像的图像处理方法的流程示意图，如图1所示，本发明实施例提供了一种用于全层脑CT图像的图像处理方法，包括：
步骤101，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。
在本发明实施例中，一套脑CT图像往往是变长的，需要通过复制和删除等方法，将变长的脑CT图像设置为定长的脑CT图像，即从原始图像数量不确定(数量记为m)的脑CT图像组中，确定n个目标图像数量，从而构建目标脑CT图像组。然后，使用训练好的卷积神经网络提取目标脑CT图像组中每张图像的特征，在本发明实施例中，目标脑CT图像组中每张图像的尺寸为224×224，经过多个卷积层最后得到512×7×7的特征图，然后将这些特征图经过全局平均池化(Golbal Average Pooling，简称GAP)层，得到512维的特征向量，得到一个(n，512)的矩阵(n为第n张图像)，即得到目标脑CT图像组对应的特征向量矩阵。需要说明的是，在本发明实施例中，通过标记有脑部CT图像分类标签和扫描干扰标签的样本脑CT图像，对卷积神经网络模型进行训练，也可以称为学习。具体的训练学习的样本集和训练模式本发明实施例对此不作具体限定，任意能够完成图像特征提取的训练方式均可适用于本发明实施例。
步骤102，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。
在本发明实施例中，将目标脑CT图像组中每一张图像作为一个实例，将上述实施例得到的特征向量矩阵中的实例特征向量进行融合处理，以得到图像分类结果和各个实例的得分，具体地，将每张图像重现调整为224×224大小；然后，使用在ImageNet上预训练得到的VGG-16模型，去除最后的全连接层，作为特征提取器，从而使得输入一张224×224×3的图像，输出为7×7×512的张量；最后，对上一步得到的张量做全局池化操作，获得一个512维的特征向量。在本发明实施例中，对实例得分进行排序，采用Top-K算法获取目标实例，即可得到图像处理后的脑CT图像组。
本发明实施例提供的用于全层脑CT图像的图像处理方法，通过对连续的脑CT图像进行特征提取和融合处理，从而将一组脑CT图像之间的相关性关联起来，得到关联性更强的脑CT图像，并将原图像中由于扫描造成的干扰去除，提供效果更好的脑CT图像。
在上述实施例的基础上，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。
在本发明实施例中，以多套待处理的脑CT图像组进行说明，每套图像组中包括有9种脑部CT图像类别，并且每套脑CT图像组中包含28张至196张不等的图像。具体地，通过以下步骤得到目标脑CT图像组：
步骤S11，用m表示一套脑CT图像组中图像的个数，如果m等于32，则S11步骤结束，得到目标脑CT图像组；如果m小于32，则进入步骤S12；如果m大于32，则进入步骤S13；
步骤S12，生成m-32个值为0的矩阵，矩阵大小和图像大小相同，并补充到m张图像后面，构成32张图像；
步骤S13，将m张图像生成32组，取每一组的第一张图像重新构成32张图像，这样既可以去除大量的冗余图像，还可以保证大脑图像的完整性。
在上述实施例的基础上，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。
在本发明实施例中，通过上述实施例，每一张图像为得到一个512维的特征向量，一套图像经过特征提取之后，包含32张特征图，将这些特征图组合成一个大小为(32，512)的矩阵Ma，并将它复制得到三份。
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。
在本发明实施例中，对复制得到的其中两个矩阵进行降维处理，对每一个512维的实例进行降维到9维，9为分类标签的数量，即输入两个大小为(32，512)的矩阵，输出为(32，9)的两个矩阵，即第一降维矩阵Mb和第二降维矩阵Mc。
对所述第一降维矩阵Mb的每一行都进行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Md；对所述第二降维矩阵Mc的每一列都进行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Me。
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。
在本发明实施例中，将第一输出矩阵Md和第二输出矩阵Me中对应的元素点乘操作，得到一个大小为(32，9)的矩阵MR，即第四矩阵。
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。
在本发明实施例中，将第四矩阵中对应元素相加，得到一个32维向量S，该向量S代表每一个实例的得分，然后将该向量S进行排序，取top 5的实例为目标实例(即得到目标特征图得分)。
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。
在本发明实施例中，首先将目标特征图得分和第一矩阵Ma进行点乘得到目标矩阵MF，以突出不同实例具有不同的重要性；然后，将目标矩阵MF所有实例进行串联，得到一个长度为32*9的向量，从而将多个实例进行有效融合。
在上述实施例的基础上，所述卷积神经网络为VGG-16模型。
图2为本发明实施例提供的用于全层脑CT图像的图像处理***的结构示意图，如图2所示，本发明实施例提供了一种用于全层脑CT图像的图像处理***，包括特征提取模块201和特征融合模块202，其中，特征提取模块201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202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。
本发明实施例提供的用于全层脑CT图像的图像处理***，通过对连续的脑CT图像进行特征提取和融合处理，从而将一组脑CT图像之间的相关性关联起来，得到关联性更强的脑CT图像，并将原图像中由于扫描造成的干扰去除，提供效果更好的脑CT图像。
在上述实施例的基础上，所述***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。
在上述实施例的基础上，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。
在上述实施例的基础上，所述***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：
Figure BDA0002626312320000101
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：
Figure BDA0002626312320000102
其中，x1和x2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：
Figure BDA0002626312320000103
其中，M为样本数量，y和y0分别表示标签值和预测结果。
图3为本发明实施例提供的多特征融合和标签分类的示意图，全层脑CT图像的图像处理***的多特征融合，以及对融合后的特征进行分类的过程，可参考图3所示。
本发明实施例提供的***是用于执行上述各方法实施例的，具体流程和详细内容请参照上述实施例，此处不再赘述。
图4为本发明实施例提供的电子设备结构示意图，参照图4，该电子设备可以包括：处理器(processor)401、通信接口(Communications Interface)402、存储器(memory)403和通信总线404，其中，处理器401，通信接口402，存储器403通过通信总线404完成相互间的通信。处理器401可以调用存储器403中的逻辑指令，以执行如下方法：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。
此外，上述的存储器403中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的用于全层脑CT图像的图像处理方法，例如包括：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。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

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。
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。
4.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。
5.一种用于全层脑CT图像的图像处理***，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。
6.根据权利要求5所述的用于全层脑CT图像的图像处理***，其特征在于，所述***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。
7.根据权利要求5所述的用于全层脑CT图像的图像处理***，其特征在于，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。
8.根据权利要求7所述的用于全层脑CT图像的图像处理***，其特征在于，所述***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：
Figure FDA0002626312310000031
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：
Figure FDA0002626312310000032
其中，x1和x2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：
Figure FDA0002626312310000033
其中，M为样本数量，y和y0分别表示标签值和预测结果。
9.一种电子设备，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4任一项所述用于全层脑CT图像的图像处理方法的步骤。
10.一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4任一项所述用于全层脑CT图像的图像处理方法的步骤。
CN202010797841.5A 2020-08-10 2020-08-10 一种用于全层脑ct图像的图像处理方法及*** Active CN112102239B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010797841.5A CN112102239B (zh) 2020-08-10 2020-08-10 一种用于全层脑ct图像的图像处理方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010797841.5A CN112102239B (zh) 2020-08-10 2020-08-10 一种用于全层脑ct图像的图像处理方法及***

Publications (2)

Publication Number Publication Date
CN112102239A true CN112102239A (zh) 2020-12-18
CN112102239B CN112102239B (zh) 2024-05-21

Family

ID=73753445

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010797841.5A Active CN112102239B (zh) 2020-08-10 2020-08-10 一种用于全层脑ct图像的图像处理方法及***

Country Status (1)

Country Link
CN (1) CN112102239B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106127159A (zh) * 2016-06-28 2016-11-16 电子科技大学 一种基于卷积神经网络的性别识别方法
WO2018120740A1 (zh) * 2016-12-29 2018-07-05 深圳光启合众科技有限公司 图片分类方法和装置、机器人
CN109190795A (zh) * 2018-08-01 2019-01-11 中山大学 一种区域间出行需求预测方法及装置
CN110827236A (zh) * 2019-09-25 2020-02-21 平安科技（深圳）有限公司 基于神经网络的脑组织分层方法、装置、计算机设备
CN111291812A (zh) * 2020-02-11 2020-06-16 浙江大华技术股份有限公司 属性类别的获取方法及装置、存储介质、电子装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106127159A (zh) * 2016-06-28 2016-11-16 电子科技大学 一种基于卷积神经网络的性别识别方法
WO2018120740A1 (zh) * 2016-12-29 2018-07-05 深圳光启合众科技有限公司 图片分类方法和装置、机器人
CN109190795A (zh) * 2018-08-01 2019-01-11 中山大学 一种区域间出行需求预测方法及装置
CN110827236A (zh) * 2019-09-25 2020-02-21 平安科技（深圳）有限公司 基于神经网络的脑组织分层方法、装置、计算机设备
CN111291812A (zh) * 2020-02-11 2020-06-16 浙江大华技术股份有限公司 属性类别的获取方法及装置、存储介质、电子装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
江彤彤;成金勇;鹿文鹏;: "基于卷积神经网络多层特征提取的目标识别", 计算机***应用, no. 12 *

Also Published As

Publication number Publication date
CN112102239B (zh) 2024-05-21

Similar Documents

Publication Publication Date Title
CN107292352B (zh) 基于卷积神经网络的图像分类方法和装置
CN109919183B (zh) 一种基于小样本的图像识别方法、装置、设备及存储介质
CN111105013B (zh) 对抗网络架构的优化方法、图像描述生成方法和***
CN108062421A (zh) 一种大规模图片多尺度语义检索方法
JP6107531B2 (ja) 特徴抽出プログラム及び情報処理装置
CN112861718A (zh) 一种轻量级特征融合人群计数方法及***
CN112530584A (zh) 一种医疗诊断辅助方法及***
CN114897136A (zh) 多尺度注意力机制方法及模块和图像处理方法及装置
CN114282666A (zh) 基于局部稀疏约束的结构化剪枝方法和装置
CN113095333A (zh) 无监督特征点检测方法及装置
Ma et al. Remember and reuse: Cross-task blind image quality assessment via relevance-aware incremental learning
CN109558882A (zh) 基于鲁棒局部低秩稀疏cnn特征的图像分类方法及装置
CN110489552B (zh) 一种微博用户***风险检测方法及装置
CN115761356A (zh) 图像识别方法、装置、电子设备和存储介质
CN114973098A (zh) 一种基于深度学习的短视频去重方法
EP3467677A1 (en) Image screening method and device
CN112800236B (zh) 一种基于知识图谱生成学习路径的方法、装置及存储介质
Biradar et al. Classification of book genres using book cover and title
CN113076905A (zh) 一种基于上下文交互关系的情绪识别方法
CN112102239B (zh) 一种用于全层脑ct图像的图像处理方法及***
CN116704217A (zh) 基于困难样本挖掘的模型训练方法、设备和存储介质
Bhattacharjya et al. A genetic algorithm for intelligent imaging from quantum-limited data
CN111291594A (zh) 一种图像识别方法及***
Saxena et al. An Optimized Technique for Plant Identification Through Deep Residual Networks
CN113516583B (zh) 基于生成对抗网络的甲骨文单字风格迁移方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant