【技术实现步骤摘要】
一种用于全层脑CT图像的图像处理方法及系统
本专利技术涉及计算机
，尤其涉及一种用于全层脑CT图像的图像处理方法及系统。
技术介绍
计算机断层扫描(ComputedTomography，简称CT)因其经济、快速和广泛的应用，成为是最常用的脑部成像技术。近年来，深度学习在图像分类领域取得了很大的进展，已迅速成为医学图像分析的重要选择。尤其是卷积神经网络，自动提取图像特征，可以避免复杂的人工提取图像特征。对于一套连续的脑CT图像，需要排除一系列扫描的干扰。传统的方法往往都是基于单张图像进行图像处理，得到的图像处理结果往往也是独立存在的，导致图像之间的依赖性无法较好的关联起来，并且处理后的图像仍然存在较多的干扰。因此，现在亟需一种用于全层脑CT图像的图像处理方法及系统来解决上述问题。
技术实现思路
针对现有技术存在的问题，本专利技术实施例提供一种用于全层脑CT图像的图像处理方法及系统。第一方面，本专利技术实施例提供了一种用于全层脑CT图像的图像处理方法方法，包括：将目标脑C...
【技术保护点】
1.一种用于全层脑CT图像的图像处理方法，其特征在于，包括：/n将目标脑CT图像组输入到训练好的卷积神经网络中进行特征提取处理，得到所述目标脑CT图像组中每一张图像的特征图，并根据所述特征图构建所述目标脑CT图像组对应的特征向量矩阵；所述训练好的卷积神经网络是由标记有脑部CT图像分类标签和扫描干扰标签的样本脑CT图像训练得到的；/n对所述特征向量矩阵中的特征图进行多特征融合处理，得到所述目标脑CT图像组的图像处理结果。/n
【技术特征摘要】
1.一种用于全层脑CT图像的图像处理方法，其特征在于，包括：
将目标脑CT图像组输入到训练好的卷积神经网络中进行特征提取处理，得到所述目标脑CT图像组中每一张图像的特征图，并根据所述特征图构建所述目标脑CT图像组对应的特征向量矩阵；所述训练好的卷积神经网络是由标记有脑部CT图像分类标签和扫描干扰标签的样本脑CT图像训练得到的；
对所述特征向量矩阵中的特征图进行多特征融合处理，得到所述目标脑CT图像组的图像处理结果。
2.根据权利要求1所述的用于全层脑CT图像的图像处理方法，其特征在于，在所述将目标脑CT图像组输入到训练好的卷积神经网络中进行特征提取处理，得到所述目标脑CT图像组中每一张图像的特征图之前，所述方法还包括：
将待处理的脑CT图像组的图像数量和预设图像数量进行对比，并根据对比结果，对所述待处理的脑CT图像组中的图像进行复制或删除处理，得到目标脑CT图像组。
3.根据权利要求1所述的用于全层脑CT图像的图像处理方法，其特征在于，所述对所述特征向量矩阵中的特征图进行多特征融合处理，得到所述目标脑CT图像组的图像处理结果，包括：
将所述特征向量矩阵进行复制，分别得到第一矩阵、第二矩阵和第三矩阵；
对所述第一矩阵进行降维处理，得到第一降维矩阵，对所述第二矩阵进行降维处理，得到第二降维矩阵；
对所述第一降维矩阵进行softmax函数运算，得到每一个标签属于每一个特征图的概率，输出得到第一输出矩阵；对所述第二降维矩阵进行softmax函数运算，得到每一个特征图属于每一个标签的概率，输出得到第二输出矩阵；
将所述第一输出矩阵和所述第二输出矩阵中对应的元素进行点乘操作，得到第四矩阵；
将所述第四矩阵中的元素横向相加，得到对应的多维向量，并对所述多维向量进行排序，通过Top-K算法获取目标特征图得分；
将所述目标特征图得分和所述第一矩阵进行点乘，得到目标矩阵；
将所述目标矩阵中所有特征图进行串联，得到目标向量，以获取所述目标脑CT图像组的图像处理结果。
4.根据权利要求1所述的用于全层脑CT图像的图像处理方法，其特征在于，所述卷积神经网络为VGG-16模型。
5.一种用于全层脑CT图像的图像处理系统，其特征在于，包括：
特征提取模块，用于将目标脑CT图像组输入到训练好的卷积神经网络中进行特征提取处理，得到所述目标脑CT图像组中每一张图像的特征图，并根据所述特征图构建所述目标脑CT图像组对应的特征向量矩阵；所述训练好的卷积神经网络由标记有脑部CT图像分类标签和扫描干扰标签的样本脑CT图像训练得到的；
特征融合模块，用于对所述特征向量矩阵中的特征图进行多特征融合处理，得到所述目标脑CT图像组的图像处理结果。
6.根据权利要求5所述的用于全层脑CT...
【专利技术属性】
技术研发人员：李建强，宋长伟，付光晖，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。