(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 202210200007.2 (22)申请日 2022.03.02 (71)申请人 上海思歆康医疗技 术有限公司 地址 201100 上海市嘉定区环城路2 222号 16层 (72)发明人 刘盼　 (51)Int.Cl. G06T 7/00(2017.01) G06N 3/08(2006.01) G06N 3/04(2006.01) G06K 9/62(2022.01) G06V 10/764(2022.01) G06V 10/44(2022.01) G06V 10/82(2022.01) (54)发明名称 智慧医疗系统 (57)摘要 本申请涉及智慧医疗的领域， 其具体地公开 了一种智慧医疗系统， 其通过作为特征图提取器 的卷积神经网络的浅层的第m层和最后一层分别 提取出所述患者的脑图像的局部特征， 从而获得 第一特征图和第二特征图， 进一步使用作为特征 描述器的卷积神经网络来增强所述第一特征图 的浅层特征的表达， 并且对所述第二特征图进行 基于奇异值分解的降维， 以关注两个所述特征图 之间的维度差异， 进而提高分类的准确性。 这样， 就可以准确地对患者的脑 图像中的异常区域进 行检测判断， 以保证患者的健康。 权利要求书2页 说明书11页 附图4页 CN 114648496 A 2022.06.21 CN 114648496 A 1.一种智慧医疗系统， 其特 征在于， 包括： 源数据获取 单元， 用于获取患者的脑图像； 神经网络编码单元， 用于将 获取的脑图像输入作为特征图提取器的卷积神经网络以从 所述卷积神经网络的浅层的第m层提取出第一特征图和由所述卷积神经网络的最后一层输 出第二特 征图； 特征增强单元， 用于使用作为特征描述器的第 二卷积神经网络对所述第 一特征图进行 增强编码以获得第三特征图， 其中， 所述特征描述器与所述作为特征图提取器的卷积神经 网络具有对称的网络结构； 特征值分解单元， 用于对所述第 二特征图中沿通道维度的各个特征矩阵进行特征值分 解以获得多个特 征值和与所述多个特 征值对应的多个特 征向量； 特征向量筛选单元， 用于从所述多个特征向量中选择大于阈值的特征值对应的特征向 量， 并将所述大于阈值的特 征值对应的特 征向量进行二维拼接以获得主维特 征矩阵； 降维单元， 用于将所述第 二特征图中沿通道维度的各个特征矩阵与 所述主维特征矩阵 进行矩阵相乘以获得降维特 征矩阵； 特征矩阵排列单 元， 用于将所述降维特 征矩阵沿通道维度排列为第四特 征图； 特征图融合单元， 用于融合所述第三特征图和所述第 四特征图以获得分类特征图； 以 及 诊断结果生成单元， 用于将所述分类特征图通过分类器以获得分类结果， 其中， 所述分 类结果用于表示患者的脑图像中是否存在异常区域。 2.根据权利要求1所述的智慧医疗系统， 其中， 所述第 一卷积神经网络的各层包括卷积 层、 池化层和激活层， 所述第一卷积神经网络的各层在层的正向传递过程中对所述输入数 据使用所述卷积层进 行基于卷积核的卷积处理、 使用所述池化层对由所述卷积层输出的卷 积特征图进行池化处理和使用所述激活层对由所述池化层输出的池化特征图进行激活处 理。 3.根据权利要求2所述的智慧医疗系统， 其中， M的取值范围为2 ‑6层。 4.根据权利要求3所述的智慧医疗系统， 其中， 所述第 二卷积神经网络的每个卷积层的 卷积核与所述特征提取器的对应卷积层的卷积核互为转置， 所述第二卷积神经网络的每个 反池化层对应于所述第一卷积神经网络的一个池化层， 且所述第二卷积神经网络与所述第 一卷积神网络共享权 重。 5.根据权利要求4所述的智慧医疗系统， 其中， 所述特征值分解单元， 进一步用于对所 述第二特征图中沿通道维度的各个特征矩阵以如下公式进行特征值分解以获得所述多个 特征值和与所述多个特 征值对应的所述多个特 征向量； 其中， 所述公式为： M＝QΛQT， 其中， Λ＝diag( λ1， λ2， λ3...， λn)， λ1， λ2， λ3...， λn为特征 值， Q＝(q1， q2， q3...， qn)， q1， q2， q3…， qn为各个特 征值对应的特 征向量。 6.根据权利要求5所述的智慧医疗系统， 其中， 所述降维单元， 进一步用于将所述第二 特征图中沿通道维度的各个特征矩阵与所述主维特征矩阵以如下公式进行矩阵相乘以获 得所述降维特 征矩阵； 其中， 所述公式为 M为原特征矩阵， q1， q2， ...， qN为各个特权　利　要　求　书 1/2 页 2 CN 114648496 A 2征向量， 且 表示矩阵相乘。 7.根据权利要求6所述的智慧医疗系统， 其中， 所述诊断结果生成单元， 进一步用于使 用所述分类 器以如下公式对所述分类特 征图进行处 理以生成所述分类结果； 其中， 所述公式为： softmax{(Wn， Bn)： ...： (W1， B1)|Project(F)}， 其中Project(F)表示 将所述分类特征图投影为向量， W1至Wn为各层全连接层的权重矩阵， B1至Bn表示各层全连接 层的偏置矩阵。权　利　要　求　书 2/2 页 3 CN 114648496 A 3