多尺度并行双通道的尘肺病病变分级识别方法技术

本发明专利技术公开了一种多尺度并行双通道的尘肺病病变分级识别方法，具体实现过程为：对于采集到的原始X射线尘肺病图像数据进行分期标记；利用多尺度注意力机制进行特征分组和并行卷积操作，以增强模型感受野并生成相应的注意力权重图；利用并行卷积提取到的特征图，进而结合残差结构的细节编码器来捕获细节性纹理特征信息；为了进一步掌握特征图中的隐形特征，构建并行双通道网络模块，从而有效嵌入隐式局部和全局信息，协同捕捉高频分量中的像素级语义信息；最后利用迁移学习和多尺度卷积将特征图中的不同通道信息进行融合，并分别输入到细节编码器和Transformer层堆栈中，对尘肺病的病变分级进行识别。实验结果表明，本方法具有更高的识别度。

【技术实现步骤摘要】

本专利技术涉及卷积神经网络和尘肺病病变分级检测识别等，具体为多尺度并行双通道的尘肺病病变分级识别方法，可用于尘肺病病变分级检测领域。

技术介绍

1、随着工业化进程的加速，尘肺病等职业病的发病率逐渐增加，早期诊断显得尤为关键。传统的尘肺病检测方法主要依赖影像学技术(如x射线检查、ct扫描)和人工诊断，这些方法存在识别精度不高、人工干预多且难以完全自动化的问题。深度学习作为一种高效的数据驱动方法，近年来在医学影像分析领域展现出了卓越的性能，能够自动从大量医学影像数据中提取病灶特征，克服了传统方法的局限性。然而，传统影像分析方法在处理不同模态影像数据时往往面临特征提取困难和泛化能力差等问题，导致诊断结果的不稳定。针对这些问题，本专利技术提出了一种新型的多尺度异径途径的双通道尘肺病病变分级识别模型。该方法通过利用多尺度注意力机制进行特征分组和并行卷积操作，增强模型感受野，使其能够充分提取肺部x光胸片中病灶特征，特征提取后分别输入至细节编码器和基于transformer层堆叠的双通道，捕获细节性纹理信息并融合局部与全局信息的操作，最终实现全面的信息整合与尘肺病病变分本文档来自技高网...

【技术保护点】

1.多尺度并行双通道的尘肺病病变分级识别方法，包括如下步骤：

2.根据权利要求1所述的多尺度并行双通道的尘肺病病变分级识别方法，其特征在于，步骤(1)所述的利用多尺度注意力机制进行特征分组和构造注意力权重图，包括如下步骤：

3.根据权利要求1所述的多尺度并行双通道的尘肺病病变分级识别方法，其特征在于步骤(2)所述的引入细节编码器捕获图像细节性纹理特征信息，包括如下步骤：

4.根据权利要求1所述的多尺度并行双通道的尘肺病病变分级识别方法，其特征在于，步骤(3)所述的使用Transformer层堆栈实现全局与局部特征信息的融合，包括如下步骤：

【技术特征摘要】

1.多尺度并行双通道的尘肺病病变分级识别方法，包括如下步骤：

2.根据权利要求1所述的多尺度并行双通道的尘肺病病变分级识别方法，其特征在于，步骤(1)所述的利用多尺度注意力机制进行特征分组和构造注意力权重图，包括如下步骤：

3.根据权利要求1所述的多尺度并行双通道的...

【专利技术属性】
技术研发人员：苏树智，赵晨琦，于泽宽，戴勇，朱彦敏，
申请(专利权)人：安徽理工大学，
类型：发明
国别省市：