【技术实现步骤摘要】
本专利技术涉及图像处理，具体涉及一种基于深度学习的多任务ct图像分类方法。
技术介绍
1、过往针对门脉高压患者相关病况(如显著性门脉高压(csph)、食管静脉曲张破裂风险等)诊断模型，大多基于传统影像组学，即提取病灶相关影像组学特征后进行机器学习分类，传统影像组学提取的特征是人为设置的，尽管涉及到形状，纹理，灰度等特征，但由于经验的限制，仍有一些特征没有考虑到，比如位置等，会受到个人经验的限制，并且需经历数据预处理、感兴趣区域勾画、影像组学特征提取、机器学习模型建立这些步骤，流程较为繁琐。医学图像上相关感兴趣区域勾画的耗时较长且需相关领域专家进行，勾画成本较大。
2、基于深度学习的方法由数据驱动，可以不受经验限制，利用大数据，提取更深层、更隐秘的特征。但过往基于深度学习的图像分类方法，大多关注胸部x光片、眼底、皮肤等部位，门脉高压相关研究基本没有。并且过往基于深度学习的图像分类方法大多是单任务的，即一个模型只能完成一个病况分类，要想完成多个病况的分类，需要训练多个模型，以及过往基于深度学习的图像分类方法大多用于2d图像，由于...
【技术保护点】
1.一种基于深度学习的多任务CT图像分类方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种基于深度学习的多任务CT图像分类方法，其特征在于，所述Transformer编码器中的注意力权重αij计算公式如下：
3.如权利要求1所述的一种基于深度学习的多任务CT图像分类方法，其特征在于，所述前馈网络FFNi公式如下：
【技术特征摘要】
1.一种基于深度学习的多任务ct图像分类方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种基于深度学习的多任务ct图像分类方法，其特征在于，所述tran...
【专利技术属性】
技术研发人员：沈博伟，黄晓铨，姜思雨，陈世耀，
申请(专利权)人：复旦大学附属中山医院，
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。