申请/专利权人：山东第一医科大学第一附属医院(山东省千佛山医院)

申请日：2024-03-25

公开（公告）日：2024-06-21

公开（公告）号：CN117934982B

主分类号：G06V10/764

分类号：G06V10/764;G06V20/10;G06V10/40;G06V10/80;G06T5/70;G06V10/82;G06N3/0464;G06N3/08;G06T7/00

优先权：

专利状态码：有效-授权

法律状态：2024.06.21#授权;2024.05.14#实质审查的生效;2024.04.26#公开

摘要：本发明公开一种基于高光谱图像的肾移植术后恢复情况预测方法及系统，涉及高光谱图像分析技术领域，方法包括：获取患者肾移植术前移植肾零点穿刺病理标本的原始高光谱图像；对原始高光谱图像进行预处理，包括：先进行去噪和优化处理，得到高光谱图像a，再对该图像a分别进行波段优化和数据降维，得到高光谱图像b和高光谱图像c；基于图像a和图像b分别提取第一空间光谱特征和第二空间光谱特征，基于图像c提取像素特征；基于提取的特征分别进行分类结果预测，并对多种分类结果进行权重拟合，得到最终术后恢复情况预测的分类结果。本发明通过对不同预处理操作后的高光谱图像提取不同的特征，以此进行分类及拟合，实现准确性更高的分类预测。

主权项：1.一种基于高光谱图像的肾移植术后恢复情况预测方法，其特征是，包括：获取患者肾移植术前移植肾零点穿刺病理标本的原始高光谱图像；对原始高光谱图像进行预处理，包括：先进行去噪和优化处理，得到高光谱图像a；再对高光谱图像a分别进行波段优化和数据降维，得到高光谱图像b和高光谱图像c；其中，波段优化为：将采集到的三维高光谱图像根据光谱波段进行分类，以2nm为刻度经行等距选取不同波段，对高光谱图像200nm到1000nm的波段进行分割，分割后的波段依次为、、，表示第i波段灰度图上所有像素点的均值；计算得到每两个波段的相关度，公式为： ；上式中，和分别为所在波段的第n个像素点的值，和分别为所在波段的像素点均值，m为图像中像素点总数；将相关系数高于0.5的波段上的像素点处的像素值置零，公式为： ；上式中，为筛选过后各波段上的各像素点处的像素值；数据降维为：提取高光谱图像中400nm到600nm波段的二维图像，并对每个波段的二维图像进行归一化处理，归一化处理的公式为： ；上式中，为归一化后像素点的像素值，为归一化前的像素点的像素值，为该波段所有像素点的平均值；基于高光谱图像a和高光谱图像b分别提取第一空间光谱特征和第二空间光谱特征，基于高光谱图像c提取像素特征；其中，将高光谱图像a输入到空间光谱学习模块I进行学习，提取第一空间光谱特征；所述空间光谱学习模块I采用残差网络ResNet模型，该模型包括两个并行的子网络，其中一个子网络从图像像素中提取光谱特征，另一个子网络则提取光谱特征，其中，1×1和q×q均表示核的空间大小，X表示核的数量；将提取的光谱特征和输入到残差网络中进行学习，再将残差网络的输出特征图输入到全连接层进行分类处理，最后通过公式对图像进行分类预测，输出分类结果，其中，表示输出特征图对应的全连接层输出结果，表示全连接层输出结果的个数；将高光谱图像b输入到空间光谱学习模块II进行学习，输出分类结果记为；所述空间光谱学习模块II与空间光谱学习模块I相同；将高光谱图像c输入到像素学习模块进行学习分类，提取像素特征；所述像素学习模块采用CNN神经网络模型进行学习分类，包括输入层、卷积层、池化层、激活函数、输出层以及损失函数；图像输入至输入层，通过卷积层卷积提取特征图，再通过池化层提取图像的主要特征，进行池化后的特征图再进行卷积操作，通过引入的激活函数使卷积结果为负值时置零并保留正值；多次重复操作得到特征图，将特征图输入到全连接层进行分类，输出分类结果；基于提取的特征分别进行分类结果预测，基于三个分类结果、、，当=时，则令=作为最终分类预测结果输出，否则，令=作为最终分类预测结果输出，以此得到最终的分类结果，即为患者肾移植术后恢复情况预测的分类结果，其中，预测的恢复情况可划分为良好恢复、滞后恢复和排斥。

全文数据：

权利要求：

百度查询： 山东第一医科大学第一附属医院(山东省千佛山医院) 基于高光谱图像的肾移植术后恢复情况预测方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD