申请/专利权人:安徽大学;安徽中医药大学第一附属医院
申请日:2024-01-03
公开(公告)日:2024-04-02
公开(公告)号:CN117496280B
主分类号:G06V10/764
分类号:G06V10/764;G06N3/045;G06N3/0464;G06V10/44;G06V10/82
优先权:
专利状态码:有效-授权
法律状态:2024.04.02#授权;2024.02.23#实质审查的生效;2024.02.02#公开
摘要:本发明涉及提供一种基于3D卷积和多标签解码的颅脑CT影像质量控制方法。方法包括:获取待评价的颅脑CT序列图像;将待评价的颅脑CT序列图像输入至训练好的图像质量评价模型的3D卷积网络,提取待评价的颅脑CT序列图像的时空特征;将时空特征输入至图像质量评价模型基于Transformer的多标签解码器,获取查询特征;将查询特征输入至图像质量评价模型的线性分类器,预测待评价的颅脑CT序列图像存在的质量问题。本发明解决了模型效率低、数据不平衡的多标签分类问题,为颅脑CT图像的质量控制提供了新方向。
主权项:1.一种基于3D卷积和多标签解码的颅脑CT影像质量控制方法,其特征在于,所述方法包括:获取待评价的颅脑CT序列图像;将所述待评价的颅脑CT序列图像输入至训练好的图像质量评价模型的3D卷积网络,提取所述待评价的颅脑CT序列图像的时空特征;将所述时空特征输入至所述图像质量评价模型基于Transformer的多标签解码器,基于交叉注意力自适应挖掘对象特征,获取查询特征;将查询特征输入至所述图像质量评价模型的线性分类器,预测所述待评价的颅脑CT序列图像存在的质量问题;所述将所述时空特征输入至所述图像质量评价模型基于Transformer的多标签解码器,基于交叉注意力自适应挖掘对象特征,获取查询特征,包括:将时空特征输入至所述多标签解码器的多头注意力模块,使用所述多头注意力模块的查询向量对所述时空特征进行处理,获取注意力矩阵;将注意力矩阵输入至所述多标签解码器的前馈层,对所述注意力矩阵进行线性变换,获得查询特征;所述多头注意力模块包括多个注意力头,所述将时空特征输入至所述多标签解码器的多头注意力模块,使用所述多头注意力模块的查询向量对所述时空特征进行处理,获取注意力矩阵,包括:将时空特征输入至多头注意力模块;对每个注意力头:使用查询向量以及对应的权重对所述时空特征进行处理,得到当前注意力头的输出结果;将各注意力头的输出结果进行拼接处理,获得注意力矩阵;所述当前注意力头的输出结果为:,其中,为第i个注意力头的输出结果,用于计算权重并生成注意力头的输出,Q为查询向量,E为时空特征,、、分别为第i个注意力头对应的查询权重矩阵、键权重矩阵和值权重矩阵;3D卷积网络的具体细节如下:3D卷积网络包括十个3D卷积层以及六个3D池化层;每个卷积层均使用3×3×3的过滤器,并且步长为1×1×1;网络的第一个池化层采用1×2×2的核大小和1×2×2的步长;第二到第四个池化层统一使用2×2×2的核大小和2×2×2的步长;第五个池化层采用3×2×2的核和2×2×2的步长,并配有0×1×1的填充;第六个池化层调整其核大小为2×1×1,并使用2×1×1的步长。
全文数据:
权利要求:
百度查询: 安徽大学;安徽中医药大学第一附属医院 基于3D卷积和多标签解码的颅脑CT影像质量控制方法
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。