[發明專利]基于全局語境的腎小球分型方法、設備、存儲介質及裝置

在審

• 申請號: 202010051137.5
• 申請日: 2020-01-16
• 公開（公告）號: CN111260633A
• 公開（公告）日: 2020-06-09
• 發明（設計）人: 李風儀;侯曉帥;王佳平;謝春梅;南洋
• 申請（專利權）人: 平安科技（深圳）有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/62;G06T1/20;G06F9/50
• 代理公司: 深圳市世紀恒程知識產權代理事務所 44287
• 代理人: 黃嗣童

1.一種基于全局語境的腎小球分型方法，其特征在于，所述基于全局語境的腎小球分型方法包括以下步驟：

獲取多張待分類腎小球圖片，將所述待分類腎小球圖片進行多線程處理，通過預設卷積神經網絡模型的輸入層、主干結構、開端結構、全局語境結構和縮減結構對所述待分類腎小球圖片進行處理，獲得目標處理圖片；

通過所述預設卷積神經網絡模型的輸出層對所述目標處理圖片進行處理，獲得一維向量；

通過所述預設卷積神經網絡模型將所述一維向量轉換為預設長度的目標向量，通過預設激活函數對所述目標向量進行處理，獲得所述待分類腎小球圖片對應的目標腎小球類型；

將所述待分類腎小球圖片對應的目標腎小球類型發送至目標終端。

2.如權利要求1所述的基于全局語境的腎小球分型方法，其特征在于，所述獲取多張待分類腎小球圖片，將所述待分類腎小球圖片進行多線程處理，通過預設卷積神經網絡模型的輸入層、主干結構、開端結構、全局語境結構和縮減結構對所述待分類腎小球圖片進行處理，獲得目標處理圖片，包括：

獲取多張待分類腎小球圖片，將所述待分類腎小球圖片進行多線程處理，通過預設卷積神經網絡模型的輸入層對所述待分類腎小球圖片進行預處理，獲得預處理圖片；

通過所述預設卷積神經網絡模型的主干結構對所述預處理圖片進行處理，獲得第一處理圖片；

通過所述預設卷積神經網絡模型的開端結構對所述第一處理圖片進行處理，獲得第二處理圖片；

通過所述預設卷積神經網絡模型的全局語境結構對所述第二處理圖片進行處理，獲得第三處理圖片；

通過所述預設卷積神經網絡模型的縮減結構對所述第三處理圖片進行處理，獲得第四處理圖片；

通過所述預設卷積神經網絡模型的全局語境結構對所述第四處理圖片進行處理，獲得目標處理圖片。

3.如權利要求2所述的基于全局語境的腎小球分型方法，其特征在于，所述通過所述預設卷積神經網絡模型的主干結構對所述預處理圖片進行處理，獲得第一處理圖片，包括：

將所述預處理圖片依次經過所述預設卷積神經網絡模型的主干結構的輸入層、卷積層*n、并行的池化層和卷積層、連接層、并行的兩組卷積層*n、連接層，并行的池化層和卷積層、連接層、批量標準層和輸出層，獲得所述第一處理圖片，n為大于等于1的整數，其中，卷積層*n表示n個卷積層疊加。

4.如權利要求2所述的基于全局語境的腎小球分型方法，其特征在于，所述通過所述預設卷積神經網絡模型的全局語境結構對所述第二處理圖片進行處理，獲得第三處理圖片，包括：

將所述第二處理圖片依次經過所述全局語境結構的輸入層、第一卷積層和歸一化指數函數層，將所述歸一化指數函數層的輸出矩陣與所述全局語境結構的輸入層的輸出矩陣進行矩陣相乘，將相乘獲得的矩陣再依次經過第二卷積層、標準層和第三卷積層，經過所述第三卷積層處理的矩陣與所述全局語境結構的輸入層的輸出矩陣進行矩陣相加，獲得第三處理圖片。

5.如權利要求1-4中任一項所述的基于全局語境的腎小球分型方法，其特征在于，所述獲取多張待分類腎小球圖片之前，所述基于全局語境的腎小球分型方法還包括：

獲取樣本圖片；

建立包含全局語境結構的基礎卷積神經網絡模型；

將所述樣本圖片分成預設批次的批處理數據；

通過所述基礎卷積神經網絡模型對所述批處理數據進行處理，以對所述基礎卷積神經網絡模型進行訓練，獲得預設卷積神經網絡模型。