申请/专利权人：天津医科大学第二医院

申请日：2023-12-04

公开（公告）日：2024-03-12

公开（公告）号：CN117351012B

主分类号：G06T7/00

分类号：G06T7/00;G06N3/08;G06V10/32;G06V10/82;G06V40/10

优先权：

专利状态码：有效-授权

法律状态：2024.03.12#授权;2024.01.23#实质审查的生效;2024.01.05#公开

摘要：本发明公开了一种基于深度学习的胎儿图像识别方法及系统，涉及图像处理技术领域，本发明通过对数据集进行两次降维，首先通过计算数据集的潜在的空间维度；再根据潜在的空间维度对所述数据集降维；在降维过程中考虑了激活拓展路径、压缩权重矩阵等相关信息，相较于现有技术的降维方法，可有效降低数据集的维度，从而极大的提高后续的模型训练的效率；在对数据集进行第二次降维时，通过对低维数据集进行傅里叶变换和数据筛选，得到常规放射学特征数据，然后对所述放射学特征数据集采用拉普拉斯本征图方法进行降维处理，得到降维后的数据集；再输入至深度学习模型中训练，极大的提高了模型训练的精度。

主权项：1.一种基于深度学习的胎儿图像识别方法，其特征在于，包括如下步骤：步骤S1：获取具有诊断结论的超声波胎儿图像，对所述超声波胎儿图像进行预处理，得到预处理后的数据集x1；步骤S2：对所述数据集x1进行第一次降维，得到数据集x2，具体步骤为：步骤S21：计算所述数据集x1潜在的空间维度，所述潜在的空间维度计算公式为： ；其中，为潜在的空间维度，为压缩路径的激活参数，W为压缩权重矩阵，be为压缩路径偏差；步骤S22：根据所述潜在空间维度对所述数据集x1进行第一次降维，得到数据集x2，计算公式为： ；其中，x2为第一次降维得到的数据集，是扩展路径的激活参数，WT为压缩权重矩阵的转置；步骤S3：对所述数据集x2进行数据处理，得到数据集x3；步骤S4：对所述数据集x3进行第二次降维，得到数据集x4；步骤S5：采用所述数据集x4训练深度学习模型，得到训练好的胎儿图像识别模型；步骤S6：将待预测图像输入至所述胎儿图像识别模型，输出胎儿图像的识别结果。

全文数据：

权利要求：

百度查询： 天津医科大学第二医院 一种基于深度学习的胎儿图像识别方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD