图像处理方法、设备及计算机可读存储介质.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115100142A(43)申请公布日2022.09.23(21)申请号202210716511.8G06V10/82(2022.01)(22)申请日2022.06.22G06N3/04(2006.01)G06N3/08(2006.01)(71)申请人迈格生命科技（深圳）有限公司地址518000广东省深圳市前海深港合作区前湾一路1号A栋201室（入驻深圳市前海商务秘书有限公司）(72)发明人吕海岩叶辰飞杨延武(74)专利代理机构深圳市恒程创新知识产权代理有限公司44542专利代理师张小容(51)Int.Cl.G06T7/00(2017.01)G06V10/42(2022.01)G06V10/44(2022.01)G06V10/80(2022.01)权利要求书2页说明书11页附图1页(54)发明名称图像处理方法、设备及计算机可读存储介质(57)摘要本发明公开了一种图像处理方法、设备及计算机可读存储介质，其中，方法包括：获取多个脑部图像对应的图像特征，接着基于所述图像特征以及深度学习模型，确定多个脑部图像对应的融合特征，其中，所述融合特征包括所述图像特征对应的局部特征以及全局特征，而后对所述融合特征进行展平以及线性映射处理，确定多个预设长度的向量，最后基于所述向量，确定目标脑龄数据。本发明能够根据多个脑部图像对应的图像特征以及深度学习模型，得到包括图像特征对应的局部特征以及全局特征的融合特征，通过融合特征进行脑龄预测能够更加准确预测目标脑龄数据，提高了脑龄预测的准确性。CN115100142ACN115100142A权利要求书1/2页1.一种图像处理方法，其特征在于，所述图像处理方法包括以下步骤：获取各个脑部图像对应的图像特征；基于所述图像特征以及深度学习模型，确定各个脑部图像对应的融合特征，其中，所述融合特征包括所述图像特征对应的局部特征以及全局特征；对所述融合特征进行展平以及线性映射处理，确定多个预设长度的向量；基于所述向量，确定目标脑龄数据。2.如权利要求1所述的图像处理方法，其特征在于，所述基于所述图像特征以及深度学习模型，确定各个脑部图像对应的融合特征，其中，所述融合特征包括所述图像特征对应的局部特征以及全局特征的步骤包括：将所述图像特征输入深度学习模型中的局部特征学习模型进行模型训练，获得所述局部特征；将所述图像特征输入深度学习模型中的全局特征学习模型进行模型训练，获得所述全局特征；基于所述局部特征以及全局特征，确定融合特征。3.如权利要求2所述的图像处理方法，其特征在于，所述将所述图像特征输入深度学习模型中的局部特征学习模型进行模型训练，获得所述局部特征的步骤包括：基于所述图像特征以及局部特征学习模型中的卷积组，确定所述图像特征对应的子局部特征；基于所述子局部特征以及局部特征学习模型中的最大池化层，获得所述局部特征。4.如权利要求2所述的图像处理方法，其特征在于，所述将所述图像特征输入深度学习模型中的全局特征学习模型进行模型训练，获得所述全局特征的步骤包括：基于所述图像特征以及所述全局特征学习模型中的第一子全局特征学习模型中的置换器模块，确定第一矢状面图像特征；基于所述第一矢状面图像特征以及所述第一子全局特征学习模型中的块剪裁模块，确定第二矢状面图像特征；基于所述第二矢状面图像特征以及所述第一子全局特征学习模型中的Transformer模块，确定第三矢状面图像特征；基于所述第三矢状面图像特征以及所述第一子全局特征学习模型中的块合并模块，确定第四矢状面图像特征；基于所述第四矢状面图像特征，获得所述全局特征。5.如权利要求4所述的图像处理方法，其特征在于，所述基于基于所述第四矢状面图像特征，获得所述全局特征的步骤包括：基于所述第四矢状面图像特征以及所述全局特征学习模型中的第二子全局特征学习模型中的置换器模块，确定第一横断面图像特征；基于所述第一横断面图像特征以及所述第二子全局特征学习模型中的块剪裁模块，确定第二横断面图像特征；基于所述第二横断面图像特征以及所述第二子全局特征学习模型中的Transformer模块，确定第三横断面图像特征；基于所述第三横断面图像特征以及所述第二子全局特征学习模型中的块合并模块，确2CN115100142A权利要求书2/2页定第四横断面图像特征；基于所述第四横断面图像特征，获得所述全局特征。6.如权利要求5所述的图像处理方法，其特征在于，所述基于所述第四横断面图像特征，获得所述全局特征的步骤包括：基于所述第四横断面图像特征以及所述全局特征学习模型中的第三子全局特征学习模型中的置换器模块，确定第一冠状面图像特征；基于所述第一冠状面图像特征以及所述第三子全局特征学习模型中的块剪裁模块，确定第二冠状面图像特征；基于所述第二冠状面图像特征