[发明专利]大脑成瘾性状评估的可视化方法、装置及介质

权利要求书

1.一种大脑成瘾性状评估的可视化方法，其特征在于，所述方法包括：

接收客户端的可视化处理请求，所述可视化处理请求包括待处理图像，所述可视化处理请求用于请求获取所述待处理图像的可视化评估结果；

确定掩膜区域集合，所述掩膜区域集合包括至少一个掩膜区域；

从所述待处理图像中对所述掩膜区域集合中各个掩膜区域进行模糊化处理，得到微扰图像，所述待处理图像中包含所述掩膜区域集合中各个掩膜区域；

调用可视化处理模型对所述微扰图像进行分类处理，得到分类结果，并对所述分类结果进行计算，得到所述微扰图像的评估数值，所述微扰图像的评估数值小于未经过掩膜屏蔽处理的所述待处理图像的评估数值；该可视化处理模型为生成器网络、判别器网络及分类器网络利用第一样本图像、第二样本图像标注对、噪声向量及向量标注进行反复迭代训练构建的模型，所述第一样本图像和第二样本图像为FMRI图像；所述评估数值通过将所述分类结果对应的加权向量代入预设的评估标准函数中计算得到；

根据所述微扰图像的评估数值，确定所述可视化评估结果，所述可视化评估结果为评估数值与所述待处理图像的评估数值差值大于阈值所对应的掩膜区域；

发送所述可视化评估结果至所述客户端。

2.根据权利要求1所述的方法，其特征在于，所述调用可视化处理模型对所述微扰图像进行分类处理之前，所述方法还包括：

获取噪声向量及向量标注，并将所述噪声向量及所述向量标注通过反卷积网络处理，得到目标图像标注对，所述目标图像标注对包括目标生成图像及目标生成图像标注；

获取所述第一样本图像及所述第二样本图像标注对，所述第二样本图像标注对包括第二样本图像及样本图像标注；

根据所述目标图像标注对、所述第一样本图像及所述第二样本图像标注对训练所述可视化处理模型，得到模型损失函数；

根据所述模型损失函数，构建所述可视化处理模型。

3.根据权利要求2所述的方法，其特征在于，所述模型损失函数包括生成损失函数，所述生成损失函数为生成器的损失函数；

所述根据所述目标图像标注对、所述第一样本图像及所述第二样本图像标注对训练所述可视化处理模型，得到模型损失函数，包括：

对所述目标图像标注对进行判别处理，生成第一判别结果，所述目标图像标注对包括所述目标生成图像及所述目标生成图像标注；

根据所述目标生成图像、所述第一样本图像及所述第二样本图像，确定重建损失；

根据所述第一判别结果及所述重建损失，确定所述生成器的生成损失函数。

4.根据权利要求3所述的方法，其特征在于，所述模型损失函数包括分类损失函数，所述分类损失函数为分类器的损失函数；

所述根据所述目标图像标注对、所述第一样本图像及所述第二样本图像标注对训练所述可视化处理模型，得到模型损失函数，包括：

对所述第一样本图像进行分类处理，得到所述第一样本图像的预测标注，并将所述第一样本图像及所述预测标注进行判别处理，生成第二判别结果；

对所述目标图像标注对及所述第二样本图像标注对进行监督训练，分别获取所述目标图像标注的第一交叉熵及所述第二样本图像标注对的第二交叉熵；

根据所述第二判别结果、所述第一交叉熵及所述第二交叉熵，确定所述分类器的分类损失函数。

5.根据权利要求4所述的方法，其特征在于，所述模型损失函数包括判别损失函数，所述判别损失函数为判别器的损失函数；

所述根据所述目标图像标注对、所述第一样本图像及所述第二样本图像标注对训练所述可视化处理模型，得到模型损失函数，包括：

对所述目标图像标注对进行判别处理，生成第三判别结果；

对所述第一样本图像及所述预测标注进行判别处理，生成第四判别结果；

对所述第二样本图像标注对进行判别处理，生成第五判别结果；

根据所述第三判别结果、所述第四判别结果及所述第五判别结果，确定所述判别器的判别损失函数。