买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：哈尔滨理工大学

摘要：一种基于CNN和RNN的颅内出血CT图像分类方法，属于智能医学影像处理领域。为了解决颅内出血亚型准确率低和耗时长的问题，该方法包括获取RSNAIntracranialHemorrhageDetection数据集；进行多项预处理操作，包括：调整窗位和窗宽、通道数叠加、分离元数据信息、图像标准化和去除边缘冗余信息等；在CNN部分使用ConvNext模型从细粒度角度解决亚型分类问题，同时结合元数据信息和双向GRU模型充分利用切片间信息提高准确率，并引入主成分分析方法降低数据维度和计算复杂度；最终在测试集上的评估指标显示，相较于Densenet169提升了0.2％的准确率，浮点运算量小了13.09G。这表明该方法解决了现有模型无法充分利用上下文信息的问题，并且在降低计算复杂性的同时，提高了颅内出血亚型分类的准确率。

主权项：1.一种基于CNN和RNN的颅内出血CT图像分类方法，其特征包括以下步骤：步骤1：收集颅内出血数据集，去除无效化数据，整合真实标签信息；步骤2：对获取的数据集进行数据预处理，包括将像素值转化为CT值，使用脑窗[40,80]、硬下膜窗[80,200]、软组织窗[40,380]增强图像对比度，通道数进行叠加、分离元数据信息、改变图像分辨率大小为512*512、使用Albumentations库进行图像标准化、转化为PNG格式和去除边缘冗余信息，其中标准化的均值设为0.456，标准差设置为0.224，最大像素值设置为255；这些数值是通过对ImageNet百万张图像进行计算和分析得出的经验值，标准化的公式如下所示： 其中image_standardization为标准化之后的图像，x为输入图像，μ为图像均值，adjusted_stdev为调整图像标准差，σ为输入图像标准差，N为输入图像像素数量；步骤3：搭建网络模型，模型由CNN模块和RNN模块组成，其中CNN模块使用ConvNext模型，ConvNext由4个特征分辨率阶段构成，每个阶段选取的Block块数为[3,3,9,3]，RNN模块选用双向GRU模型；步骤4：使用ImageNet数据集训练ConvNext模型得到预训练权重，构建二进制交叉熵损失函数作为模型的优化目标，加载预训练权重到ConvNext模型上，使用预处理之后的PNG格式图像作为ConvNext模型的输入数据，并调整图像分辨率大小为224*224，以确保与预训练模型的输入尺寸相匹配，通过在训练过程中调整模型的权重和参数，尽力减小损失函数的值，从而使模型的预测结果与真实标签尽可能接近。当损失函数达到最小值时，获取ConvNext模型提取的特征值以及对六个类别的预测值，其中二进制交叉熵损失函数公式定义如下：LBCE＝-ylogy′-1-ylog1-y′；其中LBCE表示损失值，y表示某个类别上的真实值，y∈{0,1}，表示y只能取值0或1，y′表示经过ConvNext神经网络预测得到的对应类别的概率，y′∈[0,1]，表示y′取值范围在0到1之间包括0和1；步骤5：使用主成分分析方法将ConvNext提取的特征进行降维，将降维之后的特征保存成Numpy格式，预备作为RNN模型的输入；步骤6：读取降维之后的特征和元数据信息，对元数据信息进行排序，并根据排序后的元数据信息加载降维之后的特征，顺序通过双向GRU的第一部分和第二部分进行训练，最终生成预测结果；步骤7：根据预测结果，通过AUC、准确率、敏感度、特异度进行模型性能的评估。

全文数据：

权利要求：

百度查询： 哈尔滨理工大学 一种基于CNN和RNN的颅内出血CT图像分类方法