[发明专利]一种心肺异常识别装置及设备在审
申请号: | 202110552961.3 | 申请日: | 2021-05-20 |
公开(公告)号: | CN115375606A | 公开(公告)日: | 2022-11-22 |
发明(设计)人: | 方建生 | 申请(专利权)人: | 广州视源电子科技股份有限公司;广州视源人工智能创新研究院有限公司 |
主分类号: | G06T7/00 | 分类号: | G06T7/00;G06T7/11;G06V10/44;G06V10/762;G06V10/764;G06V10/77;G06V10/774 |
代理公司: | 北京品源专利代理有限公司 11332 | 代理人: | 孟金喆 |
地址: | 510530 广*** | 国省代码: | 广东;44 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 异常 识别 装置 设备 | ||
1.一种心肺异常识别装置,其特征在于,包括:
全局特征图提取模块,用于从获取的胸部X射线图像中提取用于表征全局信息的全局特征图;
局部特征图提取模块,用于对所述全局特征图中非心肺区域的元素进行抑制,得到用于表征心肺区域的信息的局部特征图;
降维处理模块,用于对所述局部特征图进行降维处理,得到用于表征所述局部特征图的有效信息的降维特征图;
识别结果确定模块,用于将所述降维特征图输入预先基于阴性样本训练好的聚类编码本中进行检索,确定心肺异常识别结果,所述心肺异常识别结果包括阳性和阴性。
2.根据权利要求1所述的心肺异常识别装置,其特征在于,所述全局特征图提取模块用于将胸部X射线图像输入预先训练好的自编码器中进行处理,得到用于表征全局信息的全局特征图。
3.根据权利要求1所述的心肺异常识别装置,其特征在于,所述局部特征图提取模块包括:
语义分割子模块,用于对所述胸部X射线图像进行语义分割,得到包括心肺区域的蒙版图,所述蒙版图中,心肺区域的元素的值为1,非心肺区域的元素的值为0;
元素乘积子模块,用于将所述蒙版图与所述全局特征图对应元素相乘,得到用于表征心肺区域的信息的局部特征图。
4.根据权利要求3所述的心肺异常识别装置,其特征在于,所述语义分割子模块用于基于预先训练好的U-Net模型对所述胸部X射线图像进行语义分割,得到包括心肺区域的蒙版图,所述蒙版图中,心肺区域的元素的值为1,非心肺区域的元素的值为0。
5.根据权利要求1所述的心肺异常识别装置,其特征在于,所述降维处理模块包括:
主成分分析子模块,用于对所述局部特征图进行主成分分析,找出用于表征所述局部特征图的主成分的主成分特征图,所述主成分特征图的维度小于所述局部特征图的维度;
白化处理子模块,用于对所述主成分特征图进行白化处理,得到用于表征所述局部特征图的有效信息的降维特征图。
6.根据权利要求5所述的心肺异常识别装置,其特征在于,所述主成分分析子模块包括:
协方差矩阵计算单元,用于计算所述局部特征图所有元素的协方差矩阵;
奇异值分解单元,用于对所述协方差矩阵进行奇异值分解,得到所述协方差矩阵的多个特征分量;
主分量确定单元,用于选择前k个特征分量作为主分量;
投影单元,用于将所述局部特征图中各元素的值投影至所述主分量,得到用于表征所述局部特征图的主成分的主成分特征图。
7.根据权利要求6所述的心肺异常识别装置,其特征在于,所述白化处理子模块包括:
标准差归一化单元,用于对所述局部特征图的k个主分量中每一主分量的数据进行标准差归一化处理,得到用于表征所述局部特征图的有效信息的降维特征图。
8.根据权利要求7所述的心肺异常识别装置,其特征在于,所述识别结果确定模块包括:
相似度计算子模块,用于计算所述降维特征图的每个所述主分量与聚类编码本中N个簇心的相似度,得到每个所述主分量对应的N个相似度值;
中间相似度值选取子模块,用于取每个所述主分量对应的N个相似度值中的最大值作为中间相似度值,得到k个所述主分量对应的k个中间相似度值;
目标相似度值选取子模块,用于取k个所述中间相似度值中的最小值作为目标相似度值;
判断子模块,用于判断所述目标相似度值是否小于预设值;
阳性结果确定子模块,用于若所述目标相似度值小于所述预设值,则确定所述心肺异常识别结果为阳性;
阴性结果确定子模块,用于若所述目标相似度值大于或等于所述预设值,则确定所述心肺异常识别结果为阴性。
9.一种计算机设备,其特征在于,包括如权利要求1-8任一所述的心肺异常识别装置。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于广州视源电子科技股份有限公司;广州视源人工智能创新研究院有限公司,未经广州视源电子科技股份有限公司;广州视源人工智能创新研究院有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202110552961.3/1.html,转载请声明来源钻瓜专利网。