(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 202210856762.6 (22)申请日 2022.07.20 (71)申请人 中南大学湘雅医院 地址 410008 湖南省长 沙市湘雅路87号 (72)发明人 程婷婷　钱东东　周蓉蓉　张子健　 梁瞻　井笛　 (74)专利代理 机构 广州嘉权专利商标事务所有 限公司 4 4205 专利代理师 王浩 (51)Int.Cl. G06V 10/774(2022.01) G06V 10/776(2022.01) G06V 10/74(2022.01) G06V 10/764(2022.01) G06T 7/00(2017.01) (54)发明名称 基于特征图相似度加权的预测方法、 系统、 设备及介质 (57)摘要 本发明公开了一种基于特征图相似度加权 的预测方法、 系统、 设备及介质， 其方法包括： 构 建集成预测模 型， 集成预测模型由多个最优预测 模型集合而成， 每一个最优预测模 型通过对应的 训练集和验证集训练而成； 将对应的验证集输入 对应的最优 预测模型中， 得到每一类别对应的第 一特征图； 将 对应的测试集输入对应的最优预测 模型中， 得到预测概率和第二特征图； 计算同一 最优预测模型的第一特征图和第二特征图之间 的余弦相似度， 根据余弦相似度对最优预测模型 的预测概率进行加权， 得到加权后的预测概率； 计算所有最优预测模型的加权后的预测概率的 均值， 将均值作为集成预测模型的预测概率； 提 高了模型的预测性能和模型的鲁棒 性和泛化 性。 权利要求书2页 说明书9页 附图3页 CN 115331072 A 2022.11.11 CN 115331072 A 1.一种基于特 征图相似度加权的预测方法， 其特 征在于， 包括以下步骤： 步骤S100、 将获取的MR图像划分成多组训练集、 验证集和 测试集； 步骤S200、 构建集成预测模型， 所述集成预测模型由多个最优预测模型集合而成， 每一 个所述最优预测模型通过对应的所述训练集和所述验证集训练而成， 其中通过如下方式训 练得到所述 最优预测模型： 步骤S201、 构建基于深度学习的第一预测模型， 根据所述训练集训练所述第一预测模 型并根据所述验证集验证所述第一预测模型， 得到第二预测模型； 步骤S202、 根据所述第二预测模型从所述训练集和所述验证集中， 选取得到高置信度 训练集和高置信度验证集； 所述高置信度训练集和所述高置信度验证集的MR图像预测概率 与MR图像 类别的差异值低于阈值； 步骤S203、 根据所述高置信度训练集对所述第二预测模型进行调整， 并根据所述高置 信度验证集验证所述第二预测模型， 得到最优预测模型； 步骤S300、 将对应的所述验证集输入对应的所述最优预测模型中， 得到每一类别对应 的第一特 征图； 步骤S400、 将对应的所述测试集输入对应的所述最优预测模型中， 得到预测概率和第 二特征图； 步骤S500、 计算同一所述最优预测模型的所述第一特征图和所述第二特征图之间的余 弦相似度， 根据所述余弦相似度对所述最优预测模型 的所述预测 概率进行加权， 得到加权 后的预测概 率； 步骤S600、 计算所有所述最优预测模型的所述加权后的预测概率的均值， 将所述均值 作为所述 集成预测模型的预测概 率， 根据所述 集成预测模型的预测概 率得到分类结果。 2.根据权利要求1所述的基于特征图相似度加权的预测方法， 其特征在于， 所述根据 所 述高置信度训练集对所述第二预测模型进行调整， 包括： 冻结所述第二预测模型的除分类层以外其 他层的权 重参数； 根据所述高置信度训练集在 梯度回传时更新所述分类层的参数。 3.根据权利要求1所述的基于特征图相似度加权的预测方法， 其特征在于， 所述最优预 测模型采用accuracy指标进行评估， 当所述高置信度验证集在所述第二预测模型中的 accuracy指标最高时， 所述第二预测模型为所述 最优预测模型。 4.根据权利要求1所述的基于特征图相似度加权的预测方法， 其特征在于， 所述第 一特 征图由所述验证集在每个所述最优预测模型的每个类别的所有特征图进 行平均池化得到， 所述第二特 征图由所述测试集在每 个所述最优预测模型的特 征图得到 。 5.根据权利要求1所述的基于特征图相似度加权的预测方法， 其特征在于， 所述余弦相 似度的计算公式如下： 其中,所述fi表示第i个模型的所述第一特征图， 所述Fij表示第i个模型的第j个类别的 所述第二特 征图， 所述cos_simi(fi,Fij)表示余弦相似度。 6.根据权利要求5所述的基于特征图相似度加权的预测方法， 其特征在于， 所述根据 所权　利　要　求　书 1/2 页 2 CN 115331072 A 2述余弦相似度对所述 最优预测模型的所述预测概 率进行加权的计算公式如下： pij＝pij*cos_simi(fi,Fij) 其中， 等式左侧的Pij表示加权后的预测概 率， 等式右侧的Pij表示加权前的预测概 率。 7.根据权利要求6所述的基于特征图相似度加权的预测方法， 其特征在于， 所述计算所 有所述最优预测模型的所述加权后的预测概 率的均值的公式如下： 其中， 所述pj表示所述集成预测模型的预测概率， 所述 m表示所述最优预测模型的数目， 所述n表示所述MR图像的类别数。 8.一种基于特 征图相似度加权的预测系统， 其特 征在于， 包括： 图像获取模块， 用于将获取的MR图像划分成多组训练集、 验证集和 测试集； 模型构建模块， 用于构建集成预测模型， 所述集成预测模型由多个最优预测模型集合 而成， 每一个所述最优预测模型通过对应的所述训练集和所述验证集训练而成， 其中通过 如下方式训练得到所述最优预测模型： 构建基于深度学习的第一预测模型， 根据所述训练 集训练所述第一预测模型并根据所述验证集验证所述第一预测模型， 得到第二预测模型； 根据所述第二预测模型从所述训练集和所述验证集中， 选取得到高置信度训练集和高置信 度验证集； 所述高置信度训练集和所述高置信度验证集的MR图像预测概率与MR图像类别的 差异值低于阈值； 根据所述高置信度训练集对所述第二预测模型进行调整， 并根据所述高 置信度验证集验证所述第二预测模型， 得到最优预测模型； 第一特征图获取模块， 用于将对应的所述验证集输入对应的所述最优预测模型中， 得 到每一类别对应的第一特 征图； 第二特征图获取模块， 将对应的所述测试集输入对应的所述最优预测模型中， 得到预 测概率和第二特 征图； 概率加权模块， 计算同一所述最优预测模型的所述第 一特征图和所述第 二特征图之间 的余弦相似度， 根据所述余弦相似度对所述最优预测模型 的所述预测概率进行加权， 得到 加权后的预测概 率； 概率均值模块， 计算所有所述最优预测模型的所述加权后的预测概率的均值， 将所述 均值作为所述集成预测模型的预测概率， 根据所述集成预测模型的预测概率得到分类结 果。 9.一种电子设备， 其特征在于： 包括至少一个控制处理器和用于与所述至少一个控制 处理器通信连接的存储器； 所述存储器存储有可被所述至少一个控制处理器执行 的指令， 所述指令被所述至少一个控制处理器执行， 以使 所述至少一个控制处理器能够执行如权利 要求1至7任一项所述的基于特 征图相似度加权的预测方法。 10.一种计算机可读存储介质， 其特征在于： 所述计算机可读存储介质存储有计算机可 执行指令， 所述计算机可执行指 令用于使计算机执行如权利要求 1至7任一项 所述的基于特 征图相似度加权的预测方法。权　利　要　求　书 2/2 页 3 CN 115331072 A 3