买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：人工智能与数字经济广东省实验室(广州)

摘要：本发明提供了一种病人智能监控排序方法，包括S1、基于深度识别模型对CT扫描协议进行自适应优化；S2、基于对抗技术对CT伪影进行辨识与自动校正；S3、基于增量学习技术进行CT定量成像；S4、基于迁移学习技术对CT影像进行智能分析；S5、对CT影像进行辅助决策。本发明构建了一种面向急诊病人智能监控排序的策略网络，网络架构可以基于多种深度卷积网络技术，比如高维卷积神经网络，目的是筛选心血管急重病人CT投影数据；高维卷积神经网络最终确定图像是否包含急性心血管疾病，从而使图像按照“急重优先”顺序而非原本采集的顺序进行诊断，优化有限的医院的医疗资源，达到快速诊断和治疗“急重优先”的病人。

主权项：1.一种病人智能监控排序方法，其特征在于，包括：S1、基于深度识别模型对CT扫描协议进行自适应优化；S2、基于对抗技术对CT伪影进行辨识与自动校正；S3、基于增量学习技术进行CT定量成像；S4、基于迁移学习技术对CT影像进行智能分析；S5、对CT影像进行辅助决策；所述S3包括：S31、构建低剂量CT定量成像监督学习网络：低剂量CT定量成像监督学习网络包含全连接滤波层、正弦反投影层以及残差卷积神经网络，其中全连接滤波层基于滤波反投影算法滤波核进行优化设计，正弦反投影层对应于滤波反投影算法中的反投影算子，残差卷积神经网络用于进一步优化重建结果，网络代价函数设计为2范数均方根误差，记为：其中为CT重建网络的最终预测图像，xHref为目标CT图像，N为训练样本数，Θ为需要学习的参数；S32、构建半监督增量学习网络：将外源获取的含噪CT投影数据通过多种形变场后输入预先训练好的FBPnet，对CT图像结果进行自适应加权融合，得到融合后的高质量CT目标图像，对进行FBPnet参数再次深度优化，获得半监督定量成像模型；S33、构建CT定量成像无监督增量学习网络；基于Log变换前含噪CT投影数据统计特性以及CT投影数据高阶导数稀疏性设计CT定量成像无监督增量学习网络；基于最大后验概率框架构建深度学习网络中的目标函数，其包含基于似然函数的数据保真项以及基于分段线性的先验信息项，该目标函数能够更加准确地描述CT投影数据，且能沿着梯度方向进行训练优化，其表达式为: 其中，C1表示含噪CT投影训练数据集，yi为第i个含噪CT投影训练数据，N表示数据集个数，G表示满足复合泊松统计特性的X射线光子数，I代表探测器接收的光子数，Ii代表第i个探测器接收的光子数，Gi代表Ii的近似中间值，Gj！表示第j个投影下G的乘值，I0j表示第j个投影下的入射光子数，ε代表电子噪声，且服从均值为0，方差为σ2的高斯分布，D2表示二阶差分算子，fθ代表无监督学习网络映射，其中θ为网络映射中需要学习的参数，利用滤波反投影算法重建得到高质量CT图像，fθyij代表对于第i个含噪CT投影训练数据yi在像素j上无监督学习网络映射；所述S4包括：S41、构建基于视频景深迁移学习技术的血管定性辨识网络，包括：S4101、构建动态景深区域识别网络：训练集被定义为s＝{xi,yi,i＝1,2,3,…,n}，其中xi为第i时间帧三维序列输入图像，yi为第i时间帧标签数据，为网络输出结果，其代价函数为： S4102、构建视频景深迁移学习网络；S42、构建基于医学多模态迁移成像的血管定量识别网络，包括：S4201、构建血管定量识别网络：训练集被定义为S＝{Xi,Yi,i＝1,2,3,...,n}，其中Xi为第i幅输入图像，Yi∈{0,1}为第i幅输入图像的标签，其中Yi＝1定义为异常图像，Yi＝0定义为非异常图像；定义为第i幅输入图像的第k个像素的概率，其中k＝{1,2,3,...,|Xi|}，|Xi|表示为Xi总的像素个数，若为图像水平预测的概率图，则通过像素水平的所有计算得到，其代价函数为： 其中I·为指示函数，由SoftmaxFunction计算得到，r为控制参数；LMIL表示代价函数；S4202、构建多模态迁移学习网络。

全文数据：

权利要求：

百度查询： 人工智能与数字经济广东省实验室(广州) 一种病人智能监控排序方法