(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111655896.3 (22)申请日 2021.12.31 (65)同一申请的已公布的文献号 申请公布号 CN 114298234 A (43)申请公布日 2022.04.08 (73)专利权人 深圳市铱硙医疗科技有限公司 地址 518000 广东省深圳市南 山区粤海街 道高新区社区高新南六道6号迈科龙 大厦1001 (72)发明人 王思伦　肖焕辉　刘志华　 (74)专利代理 机构 深圳市诺正鑫泽知识产权代 理有限公司 4 4689 专利代理师 颜燕红 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01)(56)对比文件 CN 107506797 A,2017.12.2 2 CN 107506797 A,2017.12.2 2 CN 113743484 A,2021.12.0 3 CN 113743484 A,2021.12.0 3 CN 112308835 A,2021.02.02 CN 112164082 A,2021.01.01 CN 111932529 A,2020.1 1.13 CN 1096710 54 A,2019.04.23 CN 112741613 A,2021.0 5.04 CN 112686903 A,2021.04.20 KR 20210 028321 A,2021.0 3.12 WO 2016007518 A1,2016.01.14 吴宗胜等.基 于深度卷积神经网络的道路场 景理解. 《计算机 工程与应用》 .2017,第5 3卷(第 22期), 吴宗胜等.基 于深度卷积神经网络的道路场 景理解. 《计算机 工程与应用》 .2017,第5 3卷(第 22期), (续) 审查员 雷欢 (54)发明名称 脑部医学影像分类方法、 装置、 计算机设备 和存储介质 (57)摘要 本申请涉及一种脑部医学影像 分类方法、 装 置、 计算机设备和存储介质。 所述方法包括： 获取 目标分类任务对应的脑部医学影像； 对所述脑部 医学影像进行预处理， 以分割出与所述脑部医学 影像对应的灰质图像和白质图像； 将所述灰质图 像与所述白质图像共同输入深度学习分类模型， 通过所述深度学习分类模型的各模块对所述灰 质图像与所述白质图像进行处理； 其中， 所述深 度学习分类模型为引入至少一个注意力机制模 块的密集卷积网络， 所述注意力机制模块包括空 间注意力机制模块和通道注意力机制模块； 根据 所述深度学习分类模型的输出， 得到所述目标分 类任务的分类结果。 采用本方法能够提高脑部医学影像分类的效率和准确性。 [转续页] 权利要求书3页 说明书12页 附图3页 CN 114298234 B 2022.10.04 CN 114298234 B (56)对比文件 范仲悦.图像 语义分割关键技 术研究. 《中国 优秀硕士学位 论文全文数据库_信息科技 辑》 .2019, Salma Al-qaz zaz等.Ima ge classificati on-based brai n tumour tis sue segmentati on. 《Multimedia To ols and Applications》 .2020, Seyed Raei n Hashemi 等.Exclusive Independent Probabi lity Estimati on using Deep 3D Ful ly Convolutional DenseNets: Application to Iso Intense I nfant Brai n MRI Segmentati on. 《Proce edings of Mac hine Learning Researc h》 .2019,2/2 页 2[接上页] CN 114298234 B1.一种脑部医学影 像分类方法， 其特 征在于， 包括： 获取与目标分类任务对应的至少两个模态的脑部医学影 像； 对所述各模态下的脑部 医学影像进行预处理， 以分割出与每个模态的脑部 医学影像对 应的灰质图像和白质图像； 将多个所述灰质图像进行特征合并， 并将合并后的图像输入多层感知机， 通过反向传 播对合并后的图像进行优化， 以得到融合灰质图像； 将多个所述 白质图像进行特征合并， 并将合并后的图像输入多层感知机， 通过反向传 播对合并后的图像进行优化， 以得到融合白质图像； 将所述融合灰质图像与所述融合白质图像共同输入深度 学习分类模型， 通过所述深度 学习分类模型 的各模块进行处理； 其中， 所述深度学习分类模型为引入至少一个注意力机 制模块的密集卷积网络， 所述注意力机制模块包括空间注意力机制模块和通道注意力机制 模块； 根据所述深度学习分类模型的输出， 得到所述目标分类任务的分类结果。 2.一种脑部医学影 像分类方法， 其特 征在于， 包括： 获取与目标分类任务对应的历史脑部医学影 像和实时脑部医学影 像； 对所述历史脑部 医学影像和所述实时脑部医学影像分别进行预处理， 以分割出各自对 应的灰质图像和白质图像； 提取两所述灰质图像间的第一差量图像， 及两所述 白质图像间的第二差量图像， 将两 所述灰质图像、 两所述白质图像、 所述第一差量图像和所述第二差量图像共同输入深度学 习分类模 型， 通过所述深度学习分类模 型的各模块进 行处理； 其中， 所述深度学习分类模型 为引入至少一个注意力机制模块的密集卷积网络， 所述注意力机制模块包括空间注意力机 制模块和通道 注意力机制模块； 根据所述深度学习分类模型的输出， 得到所述目标分类任务的分类结果。 3.一种脑部医学影 像分类方法， 其特 征在于， 包括： 获取目标分类任务对应的脑部医学影 像； 对所述脑部 医学影像进行预处理， 以分割出与 所述脑部医学影像对应的全局灰质图像 以及与所述脑部医学影 像对应的全局白质图像； 将所述全局灰质图像与所述全局白质图像输入深度 学习分类模型， 通过所述深度 学习 分类模型的各模块对所述全局灰质图像与所述全局白质图像进行处 理； 获取所述深度 学习分类模型的空间注意力 机制模块所输出的中间特征图， 以基于所述 中间特征图分割所述全局灰质图像得到局部灰质图像， 以及基于所述中间特征图分割所述 全局白质图像得到局部白质图像； 将所述局部灰质图像与所述局部白质图像输入深度 学习分类模型， 通过所述深度 学习 分类模型 的各模块对所述局部灰质图像与所述局部白质图像进行处理； 其中， 所述深度学 习分类模型为引入至少一个注意力机制模块的密集卷积网络， 所述注意力机制模块包括空 间注意力机制模块和通道 注意力机制模块； 根据所述深度 学习分类模型基于所述全局灰质图像与 所述全局白质图像的第 一输出， 以及所述深度学习分类模型基于所述局部灰质图像与所述局部白质图像的第二输出， 得到 所述脑部医学影 像的分类结果。权　利　要　求　书 1/3 页 2 CN 114298234 B 3