一种基于深度学习的图像多任务特征提取及分类系统

本发明属于图像处理和计算机视觉领域，尤其涉及一种基于深度学习的图像多任务特征提取及分类系统。

背景技术：

1、深度学习模型直接从原始图像中学习特征，简化图像的预处理流程。现有的深度学习模型已见报道的有以下几种：

2、(1)基于卷积神经网络(cnn)的模型：cnn在广泛应用于自动提取图像特征，包括形状、纹理和边缘等局部模式。尽管这些模型在图像分类任务上展现出有效性，但它们主要关注局部特征，有时可能忽视了图像的全局信息，限制了在处理复杂医学图像时的性能。

3、(2)基于注意力机制的模型：如变换器(transformer)模型，通过强调图像中的关键区域，尝试提高图像分类的准确性。这种方法通过集中分析图像中与任务相关的重要区域，来优化分类结果。尽管注意力机制提高了模型对关键特征的敏感性，其高计算成本和对非标准化图像的敏感性是其主要限制。

4、(3)基于卷积-注意力模块的模型：这类模型旨在结合卷积神经网络和注意力机制的优点，通过卷积层提取局部特征，并利用注意力机制关注全局信息，以提供更全面的图像分析。这种混合模型在处理复杂影像数据时效果更好，例如处理复杂的医学影像时，能够更准确地进行分类。但大多数现有模型专注于单一分类任务，未能充分利用多任务学习的潜力，从而限制了模型的泛化能力和应用范围。

5、现有技术存在的主要问题包括对单一任务的依赖性、深度学习模型对大量高质量训练数据的需求以及模型泛化能力的限制。为了解决这些问题，有必要开发一种基于深度学习的图像多任务特征提取及分类系统。

技术实现思路

1、为解决上述技术问题，本发明提出了一种基于深度学习的图像多任务特征提取及分类系统，以解决上述现有技术存在的问题。

2、为实现上述目的，本发明提供了一种基于深度学习的图像多任务特征提取及分类系统，包括：

3、图像预处理模块、通用特征提取模块、特定任务特征提取模块、分类模块；

4、所述图像预处理模块用于对待识别图像进行预处理；

5、所述通用特征提取模块用于提取通用特征；

6、所述特定任务特征提取模块用于提取特定特征；

7、所述分类模块用于根据所述通用特征与所述特定特征对待识别图像进行分类。

8、可选的，所述图像预处理模块对所述待识别图像进行标准化、去噪、调整对比度后，在预设窗口范围内进行归一化处理。

9、可选的，所述通用特征提取模块包括反向残差块、压缩与激发块；

10、所述反向残差块用于提取所述待识别图像的原始特征；

11、所述压缩与激发块用于对所述原始特征进行压缩操作与激发操作，获得通用特征。

12、可选的，所述反向残差块包括扩展层、深层卷积层及投影层；

13、所述扩展层包括一个1*1的点卷积，批量归一化块和relu激活函数；

14、所述深层卷积层包括一个3*3的深度卷积，批量归一化块和relu激活函数；

15、所述投影层包括1*1的点卷积和一个批量归一化块。

16、可选的，所述特定任务特征提取模块包括反向残差块和注意力编码器模块；经过所述反向残差块提取原始特征；基于注意力编码器模块在所述原始特征中提取特定特征。

17、可选的，所述注意力编码器模块包括多头注意力模块、多层感知机模块，所述多层感知机模块包括两个线性变换，线性变换之间有非线性激活函数。

18、可选的，所述分类模块用于根据所述通用特征与所述特定特征，采用多任务学习策略对待识别图像进行分类。

19、与现有技术相比，本发明具有如下优点和技术效果：

20、本发明采用一种集成了反向残差块、压缩与激发模块及注意力编码器的深度学习架构，通过多任务学习策略对复杂影像进行综合性的特征提取和分类分析。本发明的设计为一种通用框架，支持广泛的医学影像分析任务，如图像类型识别、图像中异常区域检测及影像特征的自动评估等，从而实现在不同任务中的知识共享和性能提升。

技术特征：

1.一种基于深度学习的图像多任务特征提取及分类系统，其特征在于，包括：

2.根据权利要求1所述的基于深度学习的图像多任务特征提取及分类系统，其特征在于，

3.根据权利要求1所述的基于深度学习的图像多任务特征提取及分类系统，其特征在于，

4.根据权利要求3所述的基于深度学习的图像多任务特征提取及分类系统，其特征在于，

5.根据权利要求4所述的基于深度学习的图像多任务特征提取及分类系统，其特征在于，

6.根据权利要求5所述的基于深度学习的图像多任务特征提取及分类系统，其特征在于，

7.根据权利要求1所述的基于深度学习的图像多任务特征提取及分类系统，其特征在于，

技术总结本发明公开了一种基于深度学习的图像多任务特征提取及分类系统，包括：图像预处理模块、通用特征提取模块、特定任务特征提取模块、分类模块；图像预处理模块用于对待识别医学图像进行预处理；通用特征提取模块用于提取通用特征；特定任务特征提取模块用于提取特定特征；分类模块用于根据通用特征与特定特征对待识别图像进行分类。本发明的设计为一种通用框架，支持广泛的影像分析任务，如图像类型识别、图像中异常区域检测及影像特征的自动评估等，从而实现在不同任务中的知识共享和性能提升。技术研发人员：郭秀花,杨润煌,李伟铭,吕世云,于思琪,张海平,王金麒,谢文涵受保护的技术使用者：首都医科大学技术研发日：技术公布日：2024/7/29