(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211163137.X (22)申请日 2022.09.23 (66)本国优先权数据 202111435492.3 2021.1 1.29 CN (71)申请人 吉林大学 地址 130000 吉林省长 春市朝阳区建 设街 2199号吉林大 学地球科 学学院 (72)发明人 丰小月　宋春莉　凌浩　 (74)专利代理 机构 绍兴市寅越专利代理事务所 (普通合伙) 33285 专利代理师 潘敏 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/11(2017.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G16H 50/20(2018.01) (54)发明名称 一种计算机生成误差模型控制方法 (57)摘要 本发明涉及一种计算机生成误差模型控制 方法， 通过目标驱动的第一动态延 迟算法来对血 管部分进行狭 窄位置定位； 优化第一动态延迟算 法， 动态使用第一区域卷积神经网络模型和视网 膜网络模型； 第一区域卷积神经网络模型先生成 目标的候选区， 接着对目标的候选区进行特征提 取， 生成特征提取后的目标的候选区K， 并用向量 机模型对特征提取后的目标的候选区K进行分 类， 再借助线性回归模型判断特征提取后的目标 的候选区K位置， 实现效率的提高。 权利要求书2页 说明书7页 CN 115496727 A 2022.12.20 CN 115496727 A 1.一种计算机生成误差模型控制方法， 其特征在于， 包括有： 步骤一、 在冠状动脉狭窄 图像诊断开始后， 首先进 行对血管部 分进行图像分割得到要控制的目标opt， 并通过目标驱 动的第一动态延迟算法来对血管部分进行复杂性的狭窄位置定位； 分步骤一、 优化所述第 一动态延迟算法， 动态使用第一区域卷积神经网络模型和所述视网膜网络模型； 分步骤二、 生成所述狭窄区域定位的精度模型， 所述精度模型将精度作为第一优先级的考虑因素； 分 步骤三、 在所述第一动态延迟算法进行在目标检测阶段开始优化时， 所述第一区域卷积神 经网络模型和第一视网膜网络模型将精度也作为第一优先级的考虑因素： 子步骤一、 所述 第一区域卷积神经网络模 型先生成目标opt的候选区， 接着对目标opt的候选区进 行特征提 取， 生成特征提取后的目标的候选区K， 并用向量机模型对特征提取后的所述目标的候选区 K进行分类， 再借助线性回归模型判断特征提取后的所述目标的候选区K位置； 子步骤二、 判 断第一区域卷积神经网络模型是否在冠状动脉狭窄图像中生成大于事先设定阈值2000的 数量个的目标 的候选区， 且在在每一个目标 的候选区都做特征提取过程中， 判断特征提取 过程中是否增加 计算； 分步骤四、 第一区域卷积神经网络模型生成的2000多个目标的候选 区通过骨干网络进行特征提取步骤， 在分类器上 的选择和 运用向量机分类器， 判定分类效 果， 提取多个重复图片特征进 行修改， 减少不必 要候选框， 向量机 分类器的数量由数据集来 确定； 分步骤五、 执行分步骤四后， 第一区域卷积神经网络模型在提取目标的候选区时， 在 特征提取时， 在提取好的特征图a上进 行候选区的生成； 并使用分步骤六中的第一感兴趣区 域池化层进行冠状动脉狭窄图像和特征图a的对应， 固定特征图a大小， 最后进行位置的回 归和类别判断； 分步骤六、 第一区域卷积神经网络模型包括有卷积层、 候选区提出层、 第一 感兴趣区域池化层， 对于冠状动脉狭窄图像， 第一区域卷积神经网络模型首先进行图片大 小的缩放， 然后通过视觉几何组网络和残差网络对缩放大小的冠状动脉狭窄图像进行特征 提取； 卷积层的输出是特征图a， 之后特征图a将分别送入候选区提出层和最后的第一感兴 趣区域池化层,感兴趣区域池化层为全连接层； 步骤二、 候选区提出层用来生成所述目标的 候选区， 候选区提出层一共使用9种锚框， 分别是三种大小， 三个比例， 在候选区提出层里使 用归一化指数函数函数来区分所述目标 的候选区是作为前景的候选区还是作为背景的候 选区， 并以重合度大于0.7来判断是前景还是背景； 分步骤七、 第一兴趣区域池化层用来调 整候选区提出层生成的候选框的大小， 并使 所述目标的候选区与特征图a进行映射， 将最后 计算结果b1对应到冠状动脉狭窄图像上来， 再通过归一化指数函数对需要求检测的检测框 内的物体分别进 行类别检测和边框回归进 行位置的回归； 第一区域卷积神经网络模型的损 失函数设定为L({pi},{ti}):其中pi和 是标注值， 设定pi是当前候选区的是否存在目标的 概率值， 如果当前位置存在目标 是1， 反之为0； ti是预测出的目标框位置向量包含四个维 度， 用以表示候选框的位置； 而与此对应的 是真实标定的目标框的位置； 设定 是对数损失函数， 设定 是平滑损失函数； 分步骤八、 第一区域卷积神经网络模型对 小目标进 行检测时,判断正负样本是否均衡， 转子步骤三； 子步骤三、 当正负样本不匀衡时， 检测的精度无法继续提升， 转子步骤四； 子步骤四、 在面对大量的无狭窄症状图片进 行训练 之后， 判断第一区域卷积神经网络模型 的检测效果是否下降， 并使用修改对数损失函数和 平滑损失函数 的方法解决正负样本不均衡； 分步骤九、 通过残差网络模块进行特征图的提权　利　要　求　书 1/2 页 2 CN 115496727 A 2取， 并使用特征金字塔网络， 特征金字塔网络为计算机视觉中的残差网络， 根据在不同距离 上观察同一张图片会得到不同的信息， 特征 的获取与图片尺度有关， 在特征金字塔网络中 每一层有大小相同的特征图进行对应， 特征金字塔网络每次放大特征图为原来的两倍， 将 尺度大小相同， 处于同一层的特征图相加使用锚框提取目标的候选区， 将目标的候选区送 入每层对应的子网络进 行位置的回归和类别分类， 对于不同大小的特征图， 分别进 行运算； 分步骤九、 通过视网膜网络提取特征， 特征金字塔网络进行特征图多层 对应， 子网络进行分 类和回归； 所述视网膜网络包括有焦点损失函数， 焦点损失函数基于交叉熵损失函数进行 修改， 具体公式如： FL(pt)＝αt(1‑pt)γlog(pt)； 其中αt和γ是超参数， 不参与所述视网膜网 络中的模型训练， 在训练之前会指定， 而pt是对交叉熵损失函数中p的简化如示： 其中p代表的是模型计算的检测框中的目标属于当前类别概率 值， y表示概率大小,y代表如果是当前类别则y为 1， 相反则为0； 通过焦点损失函数中引入概 率增加指数的运算即γ， 来控制同一个类别下如果出现次数较多那么损失就会小那么模型 就不会花费太多的精力来训练， 反之如果样本出现的次数较少所述视网膜网络中的模型对 此比较陌生， 那么所述视网膜网络中的模型就会朝着比较陌生的方向学习， 而αt是控制不 同类别的检测对应的损失函数的值， 用于保持训练均衡。权　利　要　求　书 2/2 页 3 CN 115496727 A 3