申请/专利权人：东北大学

申请日：2024-02-01

公开（公告）日：2024-04-16

公开（公告）号：CN117689880B

主分类号：G06V10/25

分类号：G06V10/25;G06V10/42;G06V10/52;G06V10/764;G06V10/77;G06V10/80;G06V10/82;G06N3/0464;G06N3/084

优先权：

专利状态码：有效-授权

法律状态：2024.04.16#授权;2024.03.29#实质审查的生效;2024.03.12#公开

摘要：本发明提供一种基于机器学习用于生物医学图像中目标识别的方法及系统，涉及目标识别技术领域，包括：获取待处理图像，提取待处理图像的分层特征，将顶层特征和底层特征与中间层特征进行特征融合，得到多尺度特征图；将多尺度特征图进行全局平均池化，得到通道维度上的全局描述，结合预先引入的通道注意力机制，确定每个通道的通道权重，根据通道权重得到不同通道的通道特征图，确定通道特征图对应的响应值，将响应值最高的通道特征图作为目标特征图；通过预设的目标检测模型对所述目标特征图生成候选目标框，并对候选目标框进行评分，确定是否存在检测目标，保留存在检测目标的候选目标框，并对保留的候选目标框进行目标分类，得到检测结果。

主权项：1.一种基于机器学习用于生物医学图像中目标识别的方法，其特征在于，包括：获取待处理图像，根据所述待处理图像，结合预设的特征提取模型，提取所述待处理图像的分层特征，通过采样算法确定所述分层特征的顶层特征、底层特征以及中间层特征，将所述顶层特征和所述底层特征与所述中间层特征进行特征融合，得到多尺度特征图；对于所述多尺度特征图，将所述多尺度特征图进行全局平均池化，得到通道维度上的全局描述，根据所述全局描述，结合预先引入的通道注意力机制，确定每个通道的通道权重，根据所述通道权重和所述多尺度特征图，得到不同通道的通道特征图，确定所述通道特征图对应的响应值，将所述响应值最高的通道特征图作为目标特征图；根据所述目标特征图表示，通过预设的目标检测模型对所述目标特征图生成候选目标框，并对所述候选目标框进行评分，确定是否存在检测目标，保留存在检测目标的候选目标框，并对保留的候选目标框进行目标分类，得到检测结果；根据所述目标特征图表示，通过预设的目标检测模型对所述目标特征图生成候选目标框，并对所述候选目标框进行评分，确定是否存在检测目标，保留存在检测目标的候选目标框，并对保留的候选目标框进行目标分类，得到检测结果包括：通过预设的目标检测模型将所述目标特征图均匀划分为网格，确定每个网格对应的网格点，根据所述网格点，结合预设的位置敏感层的卷积核，确定所述候选目标框的位置，根据所述候选目标框的位置，初始化所述候选目标框的得分，结合所述目标检测模型中的评分模块，计算所述候选目标框之间的重叠区域，根据所述重叠区域，得到每个候选目标框对应的评分数值，并将所述候选目标框根据所述评分数值进行降序排列；将所述评分数值与预设的评分阈值进行比较，若所述评分数值大于评分阈值，则认为存在检测目标，保留对应的候选目标框，若所述评分数值小于所述评分阈值，则认为不存在检测目标，则删除对应的候选目标框；对于保留的候选目标框，结合目标检测模型中的分类模块，通过线性激活函数，输出存在病灶的概率值，若所述存在病灶的概率值大于预设的判断阈值，则认为存在病灶，否则认为不存在病灶；初始化所述候选目标框的得分，结合所述目标检测模型中的评分模块，计算所述候选目标框之间的重叠区域，根据所述重叠区域，得到每个候选目标框对应的评分数值，如下公式所示： ；其中，scorenew表示评分数值，score表示初始得分，IoU表示重叠区域，σ表示衰减速度参数，T表示冲突程度，β表示冲突权重参数；所述方法还包括训练所述目标检测模型：随机生成待检测图像，将所述待检测图像分为训练集和测试集，通过高斯分布叠加构建密度图，通过卷积神经网络将所述训练集中的图像特征映射至密度图空间，确定所述训练集图像在密度图空间中的密度值，记为第一密度值；将所述测试集中的图像特征映射至密度图空间，确定所述测试集图像在密度图空间中的密度值，记为真实密度值；比较所述真实密度值和所述第一密度值在相同位置的值，确定差异密度值，根据所述差异密度值动态调整所述目标检测模型的损失函数，直到所述损失函数收敛或达到预定的迭代次数；所述损失函数如下公式所示： ；其中，Ldensity表示损失函数的值，W表示图像的宽度，H表示图像的高度，Dgtx,y表示在图像坐标处x,y处的真实密度值，Dx,y表示密度估计值。

全文数据：

权利要求：

百度查询： 东北大学 基于机器学习用于生物医学图像中目标识别的方法及系统

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