基于组合神经网络模型的预测方法、装置、设备及介质制造方法及图纸

本发明专利技术提供一种基于组合神经网络模型的预测方法、装置、设备及介质，所述组合神经网络模型包括多个不同的子神经网络模型，所述方法包括：获取待处理图像数据；分别利用各个所述子神经网络模型对所述待处理图像数据进行处理，得到对应的预测结果；分别计算所述待处理图像数据与各个所述子神经网络模型对应的模板图像之间的相似度，所述模板图像基于训练对应子神经网络模型的训练图像数据集确定；基于所述待处理图像数据与各个所述模板图像之间的相似度，采用加权平均法对各个所述子神经网络模型对应的预测结果进行融合处理，得到最终的预测结果。本发明专利技术的预测方法通过动态分配权重系数，提高了组合神经网络模型的预测准确性。性。性。

【技术实现步骤摘要】
基于组合神经网络模型的预测方法、装置、设备及介质


[0001]本专利技术涉及人工智能
，特别涉及一种基于组合神经网络模型的预测方法、装置、设备及介质。

技术介绍

[0002]深度学习是机器学习的一个分支，目的在于建立一个模拟人脑进行分析学习的神经网络，通过模仿人脑的工作机制来进行数据处理。目前，深度学习已经被广泛应用于医学影像处理领域，并在几乎所有的应用（如分割、检测、分类、配准等等）中均取得了巨大进展。
[0003]在实际应用中，为了获得更稳定可靠的预测结果，可以基于训练图像数据集训练多个神经网络模型，然后采用模型组合策略将各个神经网络模型的输出进行组合，得到最终的预测结果。以目前最常用的模型组合策略，k
‑
fold交叉验证为例，其基本步骤为：1）将训练图像数据集随机分为k组；2）采用留一法将其中一组作为验证数据集，剩下k
‑
1组作为训练数据集进行深度学习训练，得到k个神经网络模型；3）将k个神经网络模型的输出进行平均得到最终的预测结果。
[0004]但是，上述平均分配权重系数的模型组本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于组合神经网络模型的预测方法，其特征在于，所述组合神经网络模型包括多个不同的子神经网络模型，所述方法包括：获取待处理图像数据；分别利用各个所述子神经网络模型对所述待处理图像数据进行处理，得到对应的预测结果；分别计算所述待处理图像数据与各个所述子神经网络模型对应的模板图像之间的相似度，所述模板图像基于训练对应子神经网络模型的训练图像数据集确定；基于所述待处理图像数据与各个所述模板图像之间的相似度，采用加权平均法对各个所述子神经网络模型对应的预测结果进行融合处理，得到最终的预测结果。2.根据权利要求1所述的方法，其特征在于，所述分别计算所述待处理图像数据与各个所述子神经网络模型对应的模板图像之间的相似度包括：分别针对每个模板图像，将所述待处理图像数据与所述模板图像进行非刚性配准，得到配准完成后的损失值；根据所述损失值确定所述待处理图像数据与所述模板图像之间的相似度。3.根据权利要求2所述的方法，其特征在于，所述待处理图像数据与所述模板图像之间的相似度的计算公式为：其中，S
i
为待处理图像数据与第i个子神经网络模型对应的模板图像之间的相似度，L
i
为待处理图像数据与第i个子神经网络模型对应的模板图像配准完成后的损失值。4.根据权利要求1所述的方法，其特征在于，所述基于所述待处理图像数据与各个所述模板图像之间的相似度，采用加权平均法对各个所述子神经网络模型对应的预测结果进行融合处理，得到最终的预测结果包括：基于预设的权重模型，根据所述待处理图像数据与各个所述模板图像之间的相似度，分别计算各个所述子神经网络模型对应的预测结果对应的权重系数；根据所述权重系数对各个所述子神经网络模型对应的预测结果进行加权平均，得到最终的预测结果。5.根据权利要求4所述的方法，其特征在于，各个所述子神经网络模型对应的预测结果对应的权重系数的计算公式为：其中，ω
i
为第i个子神经网络模型对应的预测结果对应的权重系数，k为子神经网络...

【专利技术属性】
技术研发人员：王梅云，吴亚平，张戈，
申请(专利权)人：河南省人民医院，
类型：发明
国别省市：