欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2023105846345
申请人: 湖北工业大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于深度不平衡回归的胎儿大脑脑龄估计方法,其特征在于:其包括以下步骤:S1.获取原始胎儿大脑磁共振图像数据集,通过直方图均衡化对原始胎儿大脑磁共振图像进行预处理,得到胎儿大脑磁共振图像训练集;

S2.将标签引入到胎儿大脑磁共振图像训练集中,使用标签分布平滑策略获取有效标签密度分布;

S3.建立多尺度分层分割胎儿大脑特征提取回归网络;

S4.构建回归焦点均方误差损失函数,采用有效标签密度对回归焦点均方误差损失函数重新加权,具体方式是将有效标签密度的倒数作为一个权重乘到回归焦点均方误差损失函数中,重新加权的回归焦点均方误差损失函数的表达式为:,

其中,代表重新加权的回归焦点均方误差损失函数,为第i个胎儿大脑磁共振图像的平均绝对误差,和为超参数,缩放因子是Sigmoid函数,其将绝对误差映射到[0, 1]的范围,代表的是标签的有效标签密度,表示每次加载的训练样本数目;

S5.构建等级排序相似度正则化器;

S6.以重新加权后的焦点均方误差回归损失函数作为主函数,等级排序相似度正则化器作为平衡正则化项,构造胎儿大脑特征提取回归网络的总损失函数;

S7.将胎儿大脑磁共振图像训练集代入多尺度分层分割胎儿大脑特征提取回归网络中进行迭代训练,不断更新总损失函数的损失值,得到最佳的权重参数并保存;

S8.基于训练好的多尺度分层分割胎儿大脑特征提取回归网络估计胎儿大脑脑龄。

2.根据权利要求1所述的基于深度不平衡回归的胎儿大脑脑龄估计方法,其特征在于:所述的步骤S1中还对预处理后的胎儿大脑磁共振图像进行增强处理,增强处理包括旋转、平移、缩放、翻转和填充。

3.根据权利要求2所述的基于深度不平衡回归的胎儿大脑脑龄估计方法,其特征在于:所述的步骤S1的具体步骤包括:S1.1.对健康胎儿大脑T2加权大脑磁共振图像的ROI区域进行切割并保存,得到原始胎儿大脑磁共振图像;

S1.2.通过直方图均衡化对原始胎儿大脑磁共振图像进行预处理;

S1.3.将预处理后的胎儿大脑磁共振图像进行旋转、高宽平移、缩放、水平翻转和垂直翻转,并根据每张胎儿大脑磁共振图像的最长边长进行填充补零使所有胎儿大脑磁共振图像高宽均相等,完成对胎儿大脑磁共振图像的增强处理。

4.根据权利要求1所述的基于深度不平衡回归的胎儿大脑脑龄估计方法,其特征在于:所述的步骤S2将标签引入到胎儿大脑磁共振图像训练集中,使用标签分布平滑策略获取有效标签密度分布的具体步骤包括:S2.1.将标签引入到胎儿大脑磁共振图像训练集中,表达式为:,

其中,D代表训练集,i代表第i张胎儿大脑磁共振图像,N代表胎儿大脑磁共振图像的总数,代表的是输入进网络的胎儿大脑磁共振图像,代表连续的真实胎儿大脑年龄的标签,R代表真实胎儿大脑年龄标签的集合,代表输入进网络的胎儿大脑磁共振图像的集合;

S2.2.离散化由胎儿脑龄标签构成的连续标签空间到个具有相等间隔的箱子,形成箱子目标空间:,

其中,代表第j个箱子的索引;

并获取原始经验标签密度,即为训练集中标签出现的频率;

S2.3.采用高斯核函数对原始经验标签密度分布进行卷积,得到有效标签密度分布:,

公式中,代表的是平滑后的标签的有效标签密度,为一个对称的核函数;所述的对称的核函数满足:,

,

代表两个向量和之间的相似性,代表对称核函数在处的梯度,代表对称核函数在处的梯度。

5.根据权利要求1所述的基于深度不平衡回归的胎儿大脑脑龄估计方法,其特征在于:所述的S3中建立的多尺度分层分割胎儿大脑特征提取回归网络为:用分层分割的胎儿大脑脑沟回特征提取模块替换ResNet50网络中的原始的3×3的卷积后形成的特征提取回归网络。

6.根据权利要求1所述的基于深度不平衡回归的胎儿大脑脑龄估计方法,其特征在于:所述的步骤S5中构建等级排序相似度正则化器的表达式为:,

Rank ( )表示等级排序操作并形成等级Rank(t),第b个元素的等级Rank(t)是1加上这一组序列中比它大的元素的数量,可表示为:,

为比待排序元素大的数量,为第k个元素,为第b个元素;

为每批数据中的子集,表达式为:

,

代表的是输入进网络的胎儿大脑磁共振图像,代表连续的真实胎儿大脑年龄的标签,b代表第b张胎儿大脑磁共振图像,T表示子集的数目;

表示负的绝对距离相似性函数构造成对相似性矩阵的操作,负的绝对距离相似性函数构造的成对相似性矩阵为,其表达式为:,

表示负的绝对距离,表示第b个标签,表示第k个标签;

表示余弦相似度相似性函数计算成对相似性矩阵的操作,余弦相似度相似性函数计算出来的成对相似性矩阵表示为,其表达式为:,

表示余弦相似度,表示特征提取器,表示标签对应的特征,即,表示标签对应的特征,即,表示第b个标签,表示第k个标签;

表示余弦距离,为相似度矩阵的第b行所有列。

7.根据权利要求6所述的基于深度不平衡回归的胎儿大脑脑龄估计方法,其特征在于:所述的等级排序相似度正则化器的等级排序操作可微,为一个线性组合目标的最小化器,使得等级排序相似度正则化器满足反向传播更新参数的要求,即:,

t代表连续输入的向量,t∈R,R代表一组连续输入的向量,,记为的一个集合,s代表第s个离散值。

8.根据权利要求7所述的基于深度不平衡回归的胎儿大脑脑龄估计方法,其特征在于:所述的胎儿大脑特征提取回归网络的总损失函数的表达式为:,

其中,为一个权重去平衡总损失。

9.一种用于实现权利要求1所述的基于深度不平衡回归的胎儿大脑脑龄估计方法的装置,其特征在于:其包括:采集预处理模块:获取原始胎儿大脑磁共振图像数据集,通过直方图均衡化对原始胎儿大脑磁共振图像进行预处理,得到胎儿大脑磁共振图像训练集;

标签分布平滑模块,用于将标签引入到胎儿大脑磁共振图像训练集中,使用标签分布平滑策略获取有效标签密度分布;

回归网络构建模块,用于建立多尺度分层分割胎儿大脑特征提取回归网络;

回归焦点均方误差损失函数构建模块:用于构建回归焦点均方误差损失函数,采用有效标签密度对回归焦点均方误差损失函数重新加权,具体方式是将有效标签密度的倒数作为一个权重乘到回归焦点均方误差损失函数中,重新加权的回归焦点均方误差损失函数的表达式为:,

其中,代表重新加权的回归焦点均方误差损失函数,为第i个胎儿大脑磁共振图像的平均绝对误差,和为超参数,缩放因子是Sigmoid函数,其将绝对误差映射到[0, 1]的范围,代表的是标签的有效标签密度,表示每次加载的训练样本数目;

等级排序相似度正则化器构建模块,用于构建等级排序相似度正则化器;

总损失函数计算模块,以重新加权后的焦点均方误差回归损失函数作为主函数,等级排序相似度正则化器作为平衡正则化项,构造胎儿大脑特征提取回归网络的总损失函数;

训练模块,用于将胎儿大脑磁共振图像训练集代入多尺度分层分割胎儿大脑特征提取回归网络中进行迭代训练,不断更新总损失函数的损失值,得到最佳的权重参数并保存;

估计模块,用于基于训练好的多尺度分层分割胎儿大脑特征提取回归网络估计胎儿大脑脑龄。