文献类型：专利

专利类型：发明专利

是否失效：否

是否授权：否

申 请 号：CN202111186110.8

申 请 日：20211012

发 明 人：韩琦 王洪艺 侯明阳 武宸 田升 翁腾飞 李忠 陈国荣 杨恒 解燕 张澳 雷凯

申 请 人：重庆科技学院

申请人地址：401331 重庆市沙坪坝区大学城东路20号

公 开 日：20220311

公 开 号：CN114171184A

代 理 人：余锦曦

代理机构：50216 重庆为信知识产权代理事务所(普通合伙)

语　　种：中文

摘　　要：本发明提出了一种基于注意力机制与多路融合的医学图像神经网络辅助诊断方法，其特征在于:将原始医学图像进行预处理调整，对所有医学图像进行矩阵转化，生成特征信息矩阵Y<Sub>out</Sub>，对Y<Sub>out</Sub>进行迭代转化，损失值求和取平均，优化训练模型中的参数；根据训练模型的结果与其人工标定结果作对比，得到验证集全部医学图像的平均精度AC<Sub>mean</Sub>，提取其中最高精度AC<Sub>mean</Sub>作为最优的训练模型参数；将病理特征信息矩阵送入最优的训练模型，获得获得二值化的病理图像，根据病理图像诊断出病情。本发明的有益效果：有效的利用多级注意力与融合方法提高网络效率的同时，也增加了分割的效果，建立的模型更加精准，提升了诊断的准确性和一致性，提高了效率，节约了时间成本。

主 权 项：1.一种基于注意力机制与多路融合的医学图像神经网络辅助诊断方法，其特征在于:包括以下步骤：步骤1，将成熟图像数据库中的原始医学图像进行预处理调整，将预处理后的医学图像划分为训练集和测试集；步骤2，对所有医学图像进行矩阵转化，生成特征信息矩阵Y_out，对训练集的特征信息矩阵Y_out进行迭代转化，求得损失值，所有特征信息矩阵Y_out迭代后的损失值求和取平均，得到平均损失loss_m，优化训练模型中的参数；步骤3，结合验证集医学图像的人工标定结果，将验证集的特征信息矩阵Y_out送入训练模型中，根据训练模型的结果与其人工标定结果作对比，得到验证集全部医学图像的平均精度AC_mean，并对经过迭代对比，提取其中最高精度AC_mean时的参数作为最优的训练模型参数；步骤4，将病理图像进行预处理调整，再进行矩阵转化，生成病理特征信息矩阵，将病理特征信息矩阵送入最优的训练模型，获得获得二值化的病理图像，根据病理图像诊断出病情。

关 键 词：训练模型  医学图像 矩阵  病理图像 诊断  预处理  病理特征信息  神经网络辅助  原始医学图像  注意力机制  标定结果  矩阵转化  时间成本  特征信息 网络效率 优化训练  融合  二值化  验证集  求和  迭代  多路 注意力  送入  分割  节约  转化  

IPC专利分类号：G16H50/20(20180101);G06V10/80(20220101);G06K9/62(20220101);G06T7/00(20170101);G06T7/90(20170101)