一种具有可解释性的医学图像深度学习方法

发明专利有效专利

申请号：
CN202110075543.X
IPC分类号：G06N3/08;G06N3/04;G06T7/00;G16H50/20
申请日期：
2021-01-20
申请人：
清华大学深圳国际研究生院

基础信息

权利要求

说明书

PDF全文

法律信息

引证文献

著录项信息

专利名称	一种具有可解释性的医学图像深度学习方法
申请号	CN202110075543.X	申请日期	2021-01-20
法律状态	实质审查	申报国家	暂无
公开/公告日	2021-05-28	公开/公告号	CN112862089A
优先权	暂无	优先权号	暂无
主分类号	G06N3/08 ? IPC结构图谱： G 物理 G0 仪器 G06 计算；推算；计数 G06N 基于特定计算模型的计算机系统〔7〕 G06N3/00 基于生物学模型的计算机系统（仿真生物的功能方面的模拟计算机入G06G 7/60）〔7〕 G06N3/02 采用神经网络模型（用于自适应控制的入G05B 13/00；用于图像模式匹配的入G06K 9/00；用于图像数据处理的入G06T 1/40；用于语音模式匹配的入G10L 15/16）〔7〕 G06N3/08 学习方法〔7〕	IPC分类号	G;0;6;N;3;/;0;8;;;G;0;6;N;3;/;0;4;;;G;0;6;T;7;/;0;0;;;G;1;6;H;5;0;/;2;0查看分类表>
申请人	清华大学深圳国际研究生院	申请人地址	广东省深圳市南山区西丽街道深圳大学城清华校区A栋二楼变更专利地址、主体等相关变化，请及时变更，防止失效
权利人	清华大学深圳国际研究生院	当前权利人	清华大学深圳国际研究生院
发明人	王好谦;孙中治;杨芳
代理机构	深圳新创友知识产权代理有限公司	代理人	王震宇

摘要

一种具有可解释性的医学图像深度学习方法，包括如下步骤：1)获取原始医学图像，对原始医学图像进行图像增强并增加图像数量，作为输入图像输入到网络之中；2)对所述输入图像利用VGG‑16网络提取图像特征，得到符合中间临床特征的医学预测图；3)将获得的预测图与标准中间临床特征相对比，计算二者的交叉熵损失Lossx，y，调整VGG‑16网络参数，使计算的交叉熵损失小于设定的阈值，从而完成网络的学习，使VGG‑16网络得到的预测图符合关于比对结果的要求。由本发明得到的网络具有更好的检测精度，同时具有更好的可解释性，方便根据需求进行后续网络优化。

序号	公开(公告)号	公开(公告)日	申请日	专利名称	申请人
该专利没有引用任何外部专利数据！

序号	公开(公告)号	公开(公告)日	申请日	专利名称	申请人
该专利没有被任何外部专利所引用！

我浏览过的专利

专利服务由北京酷爱智慧知识产权代理公司提供