申请/专利权人：长春理工大学

申请日：2024-01-17

公开（公告）日：2024-06-04

公开（公告）号：CN118135277A

主分类号：G06V10/764

分类号：G06V10/764;G06V10/80;G06V10/44;G06V10/82;G06N3/042;G06N3/0464;G06T7/00

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.06.21#实质审查的生效;2024.06.04#公开

摘要：颅内血肿是一种常见且严重的病变，需要通过计算机断层扫描进行诊断，这个过程十分耗费精力和时间，而且受医生经验不同、环境和设备等因素影响，导致诊断结果存在着差异。人工智能的出现一定程度上帮助医生缓解工作上压力，可以及时准确做出决策。对此本发明提出一种GCN与特征融合ViT结合的颅内血肿分类方法，首先对脑CT影像数据进行剔除颅骨操作，利用融合注意力机制的GCN来提取数据邻接特征关系，对获取的权重进行排序后，得到一个融合了邻域特征的特征图，再通过ViT进行预测，该方法在实现空间特征信息融合的同时更注重有价值的特征信息，重点关注局部特征，从而提高分类准确率。该方法对颅内血肿识别和分类具有很重要的参考价值。

主权项：1.一种GCN与特征融合ViT结合的颅内血肿分类方法，其包括如下步骤：步骤1，准备数据集：对颅内血肿的CT影像数据集按照EDH、IPH、IVH、SAH、SDH五种类型进行手动分类，对分类好的五种类型血肿影像进行去颅骨操作，得到训练所用数据集；步骤2，搭建图卷积神经网络GCN：首先将输入特征图像输入到GCN网络，以像素为节点建立不同像素之间的关系，通过GCN网络进行空间像素建模；步骤3，融合多层感知机MLP的注意力模块：构建一个融合多层感知机的注意力机制模块，以步骤2输出的特征图作为输入，自动学习每个特征的重要性；步骤4，相关性选择：根据步骤3学习到的特征重要性，将特征进行从强到弱进行相关性排序，选择前M个特征进行拼接操作，生形成新的特征图。步骤5，邻域卷积特征融合：提取当前块的相邻特征，将当前特征块与相邻特征使用残差级联的形式与原始特征进行组合，作为最终分类的输入；步骤6，VisionTransformerViT分类：将步骤5得到的特征图通过ViT模型进行分类；步骤7，微调模型：用颅内血肿的CT影像数据集对模型进行训练和微调，得到稳定可用的模型参数，进一步提高模型的分类能力。最终使得模型对图像分类的效果更好；步骤8，保存模型：将最终确定的模型参数进行固化，之后需要进行颅内血肿分类操作时，直接将图像输入到网络中即可得到最终的分割图像。上述一种GCN与特征融合ViT结合的颅内血肿分类方法，所述步骤1中将CT影像窗口设置为100，窗宽设置为55，这样会使颅内出血病灶区域更加明显，接着我们将处理好的DICOM影像转换为大小为512×560、深度为24位的RGB三通道的jpg图像，数据去颅骨操作是至关重要的一步，利用Opencv分析像素点特征，提取封闭的颅骨区域，将颅骨和颅骨以外区域填充为和影像背景一致的黑色。上述一种GCN与特征融合ViT结合的颅内血肿分类方法，所述步骤2中，采用GCN网络进行空间像素建模，将每个像素看作一个节点，将节点与节点之间的关系用边的形式表示，通过聚合节点和边的信息从而建立不同节点之间关系，将数据的节点进行建模形成一个图结构。上述一种GCN与特征融合ViT结合的颅内血肿分类方法，所述步骤3中，多层感知机MLP包括输入层、输出层和若干个隐层组成，每层包含若干个神经元，神经元之间通过权重连接，上下两层的每一个神经元都是互相连接的，并经过隐层的逐层计算后得到计算结果。而共享MLP将针对每个输入点乘以的是相同的权重。上述一种GCN与特征融合ViT结合的颅内血肿分类方法，所述步骤6中分类所使用的ViT模型将输入数据分成16个块，通过位置编码、多头注意力模块、多层感知机和分类器，实现颅内血肿分类。

全文数据：

权利要求：

百度查询： 长春理工大学 一种GCN与特征融合ViT结合的颅内血肿分类方法

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。

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