【技术实现步骤摘要】
一种基于多尺度特征图的结核性脑膜脑炎预测方法及系统
[0001]本专利技术涉及医学图像处理
，尤其是涉及一种基于多尺度特征图的结核性脑膜脑炎预测方法及系统。
技术介绍
[0002]病毒性脑膜脑炎是常见的中枢神经系统感染性疾病，常表现为发热、头痛、抽搐、意识障碍和脑膜刺激症状等，可致中枢神经系统局灶性损害。病毒性脑膜脑炎预后不佳，死亡率高，常留有严重后遗症。在各种计算机视觉任务中，如图像分类、目标检测和语义分割，基于卷积神经网络(CNN)的深度神经模型实现了前所未有的突破。虽然深度学习模型的效果很不错，但由于缺少一定的可解释性，使得在日常使用中无法完全取得用户的信任。对深度学习的研究者而言，模型的可解释性是一种较为主观的性质，无法通过严谨的数学表达方法形式化定义可解释性。不过在视觉领域，模型的可解释性得到了进一步发展，Ramprasaath R.Selvaraju等人提出了一种从基于卷积神经网络(CNN)的大型模型中做决策而产生的“视觉解释”技术，该技术将模型中感兴趣的区域用热力图的方式区分出来，非常直观的解释了模型的判...
【技术保护点】
【技术特征摘要】
1.一种基于多尺度特征图的结核性脑膜脑炎预测方法，其特征在于，所述结核性脑膜脑炎预测方法包括步骤：获取包含结核性脑膜脑炎的图片数据集，并将所述图片数据集划分训练集和测试集；基于ResNet50模型和Transformer模型构建预测模型，并通过如下方式对所述预测模型进行训练：通过所述ResNet50模型对所述训练集进行特征提取，获得多种尺度的特征图；基于所述Transformer模型的Patch Embedding模块，获得每种所述尺度的特征图的特征向量；基于所述Transformer模型，采用全局注意力机制将每种所述尺度的特征图对应的特征向量进行信息整合并提取特征向量，获得一维特征向量；对所有所述一维特征向量进行拼接，获得拼接后的一维特征向量；采用全连接层对所述拼接后的一维特征向量进行分类预测，获得训练好的预测模型；采用所述测试集对所述训练好的预测模型进行测试，获得结核性脑膜脑炎预测结果。2.根据权利要求1所述的基于多尺度特征图的结核性脑膜脑炎预测方法，其特征在于，在所述获取包含结核性脑膜脑炎的图片数据集之后，所述结核性脑膜脑炎预测方法还包括：对包含结核性脑膜脑炎的图片的三维MRI冠状面、矢状面和横截面进行二维切片处理，并统一每个切片的尺寸。3.根据权利要求1所述的基于多尺度特征图的结核性脑膜脑炎预测方法，其特征在于，所述ResNet50模型包括第一卷积阶段、第二卷积阶段、第三卷积阶段和第四卷积阶段；所述通过所述ResNet50模型对所述训练集进行特征提取，获得多种尺度的特征图，包括：将所述训练集中的图片经过第一卷积阶段进行特征提取，获得特征图；基于所述第二卷积阶段，对所述特征图进行特征提取，获得第一尺度特征图；基于所述第三卷积阶段，对所述第一尺度特征图进行特征提取，获得第二尺度特征图；基于所述第四卷积阶段，对所述第二尺度特征图进行特征提取，获得第三尺度特征图；基于所述第一尺度特征图、所述第二尺度特征图和所述第三尺度特征图，获得多种尺度的特征图。4.根据权利要求3所述的基于多尺度特征图的结核性脑膜脑炎预测方法，其特征在于，所述基于所述Transformer模型的Patch Embedding模块，获得每种所述尺度的特征图的特征向量，包括：分别在所述第二卷积阶段、所述第三卷积阶段和所述第四卷积阶段后添加卷积块注意模块；基于所述Transformer模型的Patch Embedding模块，将所述第一尺度特征图输入至所述卷积块注意模块中，并将所述卷积块注意模块的输出数据输入至Patch Embedding模块中，得到第一特征向量；基于所述Transformer模型的Patch Embedding模块，将所述第二尺度特征图输入至所述卷积块注意模块中，并将所述卷积块注意模块的输出数据输入至所述Patch Embedding模块中，得到第二特征向量；基于所述Transformer模型的Patch Embedding模块，将所述第三尺度特征图输入至所
述卷积块注意模块中，并将所述卷积块注意模块的输出数据输入至所述Patch Embedding模块中，得到第三特征向量。5.根据权利要求4所述的基于多尺度特征图的结核性脑膜脑炎预测方法，其特征在于，所述全局注意力机制通过如下公式进行信息整合：MultiHead(Q,K,V)＝concat(head1(q1,k1,v1),......
【专利技术属性】
技术研发人员：李文军，朱泽宙，梁伟军，杨红忠，张锦，王觊婧，伍少远，文建全，
申请(专利权)人：长沙理工大学，
类型：发明
国别省市：
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。