[发明专利]智慧医疗系统

权利要求书

1.一种智慧医疗系统，其特征在于，包括：

源数据获取单元，用于获取患者的脑图像；

神经网络编码单元，用于将获取的脑图像输入作为特征图提取器的卷积神经网络以从所述卷积神经网络的浅层的第m层提取出第一特征图和由所述卷积神经网络的最后一层输出第二特征图；

特征增强单元，用于使用作为特征描述器的第二卷积神经网络对所述第一特征图进行增强编码以获得第三特征图，其中，所述特征描述器与所述作为特征图提取器的卷积神经网络具有对称的网络结构；

特征值分解单元，用于对所述第二特征图中沿通道维度的各个特征矩阵进行特征值分解以获得多个特征值和与所述多个特征值对应的多个特征向量；

特征向量筛选单元，用于从所述多个特征向量中选择大于阈值的特征值对应的特征向量，并将所述大于阈值的特征值对应的特征向量进行二维拼接以获得主维特征矩阵；

降维单元，用于将所述第二特征图中沿通道维度的各个特征矩阵与所述主维特征矩阵进行矩阵相乘以获得降维特征矩阵；

特征矩阵排列单元，用于将所述降维特征矩阵沿通道维度排列为第四特征图；

特征图融合单元，用于融合所述第三特征图和所述第四特征图以获得分类特征图；以及

诊断结果生成单元，用于将所述分类特征图通过分类器以获得分类结果，其中，所述分类结果用于表示患者的脑图像中是否存在异常区域。

2.根据权利要求1所述的智慧医疗系统，其中，所述第一卷积神经网络的各层包括卷积层、池化层和激活层，所述第一卷积神经网络的各层在层的正向传递过程中对所述输入数据使用所述卷积层进行基于卷积核的卷积处理、使用所述池化层对由所述卷积层输出的卷积特征图进行池化处理和使用所述激活层对由所述池化层输出的池化特征图进行激活处理。

3.根据权利要求2所述的智慧医疗系统，其中，M的取值范围为2-6层。

4.根据权利要求3所述的智慧医疗系统，其中，所述第二卷积神经网络的每个卷积层的卷积核与所述特征提取器的对应卷积层的卷积核互为转置，所述第二卷积神经网络的每个反池化层对应于所述第一卷积神经网络的一个池化层，且所述第二卷积神经网络与所述第一卷积神网络共享权重。

5.根据权利要求4所述的智慧医疗系统，其中，所述特征值分解单元，进一步用于对所述第二特征图中沿通道维度的各个特征矩阵以如下公式进行特征值分解以获得所述多个特征值和与所述多个特征值对应的所述多个特征向量；

其中，所述公式为：M＝QΛQ^T，其中，Λ＝diag(λ₁，λ₂，λ₃...，λ_n)，λ₁，λ₂，λ₃...，λ_n为特征值，Q＝(q₁，q₂，q₃...，q_n)，q₁，q₂，q₃…，q_n为各个特征值对应的特征向量。

6.根据权利要求5所述的智慧医疗系统，其中，所述降维单元，进一步用于将所述第二特征图中沿通道维度的各个特征矩阵与所述主维特征矩阵以如下公式进行矩阵相乘以获得所述降维特征矩阵；

其中，所述公式为M为原特征矩阵，q₁，q₂，...，q_N为各个特征向量，且表示矩阵相乘。

7.根据权利要求6所述的智慧医疗系统，其中，所述诊断结果生成单元，进一步用于使用所述分类器以如下公式对所述分类特征图进行处理以生成所述分类结果；

其中，所述公式为：softmax{(W_n，B_n)：...：(W₁，B₁)|Project(F)}，其中Project(F)表示将所述分类特征图投影为向量，W₁至W_n为各层全连接层的权重矩阵，B₁至B_n表示各层全连接层的偏置矩阵。