【技术实现步骤摘要】
本专利技术涉及目标识别，尤其涉及一种基于机器学习用于生物医学图像中目标识别的方法及系统。
技术介绍
1、近年来，人工智能在计算机视觉领域中取得了巨大进展，例如机器学习技术在图像分割，目标识别等方面的应用越来越广，在医学领域中，通过对医学图像进行分割、识别，辅助医务人员进行病情分析。
2、现有技术中，cn114581708a，公开了一种医学图像中的目标识别的模型训练装置及识别装置。模型训练装置包括获取模块、构建模块和训练模块；获取模块配置为获取作为训练样本的医学图像和训练样本中的目标对应的标注区域；构建模块配置为确定标注区域内的目标的目标区域，并利用训练样本、标注区域和目标区域构建训练集，训练样本中目标区域内的像素确定属于目标；以及训练模块配置为基于训练集训练待训练模型，并利用训练损失函数优化待训练模型以获取经训练模型，其中，在训练损失函数中，利用空间权重减小训练样本中的第一区域的像素对待训练模型的负面影响，第一区域为训练样本中的标注区域内的目标的目标区域以外的区域。
3、cn114581709a，公开了一种识别医学图像中的目标的模型训练、方法、设备及介质。模型训练包括获取作为训练样本的医学图像和训练样本中的目标对应的标注区域；确定标注区域对应的区域分割结果，利用训练样本和区域分割结果构建训练集，其中，通过对标注区域内的图像数据进行欠分割以获取区域分割结果；并且基于训练集训练待训练模型，并利用训练损失函数优化待训练模型，其中，在训练损失函数中，利用空间权重减小训练样本中的第一区域的像素对待训练模型的负面影响
4、综上，现有技术虽然能够对医学图像进行识别，但无法根据图像进行学习，调整现有的目标识别模型，因此，需要一种方法解决现有技术中存在的问题。
技术实现思路
1、本专利技术实施例提供一种基于机器学习用于生物医学图像中目标识别的方法及系统，本方案至少能解决现有技术中存在的一部分问题。
2、本专利技术实施例的第一方面，提供一种基于机器学习用于生物医学图像中目标识别的方法，包括：
3、获取待处理图像，根据所述待处理图像，结合预设的特征提取模型，提取所述待处理图像的分层特征，通过采样算法确定所述分层特征的顶层特征、底层特征以及中间层特征，将所述顶层特征和所述底层特征与所述中间层特征进行特征融合，得到多尺度特征图；
4、对于所述多尺度特征图，将所述多尺度特征图进行全局平均池化，得到通道维度上的全局描述，根据所述全局描述，结合预先引入的通道注意力机制，确定每个通道的通道权重，根据所述通道权重和所述多尺度特征图，得到不同通道的通道特征图，确定所述通道特征图对应的响应值，将所述响应值最高的通道特征图作为目标特征图；
5、根据所述目标特征图表示，通过预设的目标检测模型对所述目标特征图生成候选目标框，并对所述候选目标框进行评分，确定是否存在检测目标，保留存在检测目标的候选目标框，并对保留的候选目标框进行目标分类，得到检测结果。
6、在一种可选的实施方式中，
7、获取待处理图像，根据所述待处理图像，结合预设的特征提取模型，提取所述待处理图像的分层特征，通过采样算法确定所述分层特征的顶层特征、底层特征以及中间层特征，将所述顶层特征和所述底层特征与所述中间层特征进行特征融合，得到多尺度特征图包括：
8、获取待处理图像，对所述待处理图像进行标准化操作，并将标准化处理后的待处理图像输入至所述特征提取模型，得到所述待处理图像的初始顶层特征，初始底层特征和中间层特征，通过采样算法对所述初始顶层特征进行上采样，降低所述顶层特征的分辨率，得到所述顶层特征，对所述初始底层特征进行下采样，降低所述底层特征的分辨率但保留语义信息，得到所述底层特征；
9、将所述顶层特征和所述底层特征与所述中间层特征通过逐元素相加进行特征融合，得到所述多尺度特征图。
10、在一种可选的实施方式中，
11、对于所述多尺度特征图，将所述多尺度特征图进行全局平均池化，得到通道维度上的全局描述，根据所述全局描述，结合预先引入的通道注意力机制，确定每个通道的通道权重，根据所述通道权重和所述多尺度特征图，得到不同通道的通道特征图，确定所述通道特征图对应的响应值，将所述响应值最高的通道特征图作为目标特征图包括：
12、将所述多尺度特征图进行全局平均池化，将每个通道的特征值压缩为一个标量，得到通道维度上的全局描述，结合预先引入的通道注意力机制，将所述全局描述输入至所述注意力机制中的全连接层，并通过激活函数结合所述全连接层得到所述通道权重，根据所述通道权重，结合所述多尺度特征图在每个通道上的特征值，计算得到所述通道特征图；
13、对所述通道特征图进行正则化操作，计算正则化操作后的通道特征图的平均值，将所述平均值作为所述通道特征图的响应值，比较全部通道特征图的响应值，选择响应值最高的通道特征图，并将该通道特征图作为目标特征图。
14、在一种可选的实施方式中，
15、根据所述通道权重，结合所述多尺度特征图在每个通道上的特征值，计算得到所述通道特征图如下公式所示：
16、；
17、其中， yi,j,c表示通道特征图的特征值， z表示归一化因子， k表示通道数量， sc表示通道权重， xi,j,c表示通道特征图的第 i行，第 j列，第 c个通道的特征值， sigmoid表示对特征值的非线性变换， μ表示压缩参数。
18、在一种可选的实施方式中，
19、根据所述目标特征图表示，通过预设的目标检测模型对所述目标特征图生成候选目标框，并对所述候选目标框进行评分，确定是否存在检测目标，保留存在检测目标的候选目标框，并对保留的候选目标框进行目标分类，得到检测结果包括：
20、通过预设的目标检测模型将所述目标特征图均匀划分为网格，确定每个网格对应的网格点，根据所述网格点，结合预设的位置敏感层的卷积核，确定所述候选目标框的位置，根据所述候选目标框的位置，初始化所述候选目标框的得分，结合所述目标检测模型中的评分模块，计算所述候选目标框之间的重叠区域，根据所述重叠区域，得到每个候选目标框对应的评分数值，并将所述候选目标框根据所述评分数值进行降序排列；
21、将所述评分数值与预设的评分阈值进行比较，若所述评分数值大于评分阈值，则认为存在检测目标，保留对应的候选目标框，若所述评分数值小于所述评分阈值，则认为不存在检测目标，则删除对应的候选目标框；
22、对于保留的候本文档来自技高网...
【技术保护点】
1.一种基于机器学习用于生物医学图像中目标识别的方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，获取待处理图像，根据所述待处理图像，结合预设的特征提取模型，提取所述待处理图像的分层特征，通过采样算法确定所述分层特征的顶层特征、底层特征以及中间层特征，将所述顶层特征和所述底层特征与所述中间层特征进行特征融合，得到多尺度特征图包括：
3.根据权利要求1所述的方法，其特征在于，对于所述多尺度特征图，将所述多尺度特征图进行全局平均池化，得到通道维度上的全局描述，根据所述全局描述，结合预先引入的通道注意力机制，确定每个通道的通道权重，根据所述通道权重和所述多尺度特征图，得到不同通道的通道特征图，确定所述通道特征图对应的响应值，将所述响应值最高的通道特征图作为目标特征图包括：
4.根据权利要求3所述的方法，其特征在于，根据所述通道权重，结合所述多尺度特征图在每个通道上的特征值，计算得到所述通道特征图如下公式所示：
5.根据权利要求1所述的方法，其特征在于，根据所述目标特征图表示，通过预设的目标检测模型对所述目标特征图生成候选
6.根据权利要求5所述的方法，其特征在于，初始化所述候选目标框的得分，结合所述目标检测模型中的评分模块，计算所述候选目标框之间的重叠区域，根据所述重叠区域，得到每个候选目标框对应的评分数值，如下公式所示：
7.根据权利要求6所述的方法，其特征在于，所述方法还包括训练所述目标检测模型：
8.根据权利要求7所述的方法，其特征在于，所述损失函数如下公式所示：
9.一种基于机器学习用于生物医学图像中目标识别的系统，其特征在于，包括：
10.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至8中任意一项所述的方法。
...【技术特征摘要】
1.一种基于机器学习用于生物医学图像中目标识别的方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，获取待处理图像，根据所述待处理图像，结合预设的特征提取模型，提取所述待处理图像的分层特征，通过采样算法确定所述分层特征的顶层特征、底层特征以及中间层特征，将所述顶层特征和所述底层特征与所述中间层特征进行特征融合，得到多尺度特征图包括：
3.根据权利要求1所述的方法，其特征在于，对于所述多尺度特征图，将所述多尺度特征图进行全局平均池化，得到通道维度上的全局描述，根据所述全局描述，结合预先引入的通道注意力机制，确定每个通道的通道权重，根据所述通道权重和所述多尺度特征图，得到不同通道的通道特征图，确定所述通道特征图对应的响应值，将所述响应值最高的通道特征图作为目标特征图包括：
4.根据权利要求3所述的方法，其特征在于，根据所述通道权重，结合所述多尺度特征图在每个通道上的特征值，计算得到所述通道特征图如下公式所示：
5...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。