CN115100142B 图像处理方法、设备及计算机可读存储介质 （迈格生命科技（深圳）有限公司）

特征进行脑龄预测能够更加准确预测目标脑龄2所述基于所述图像特征以及深度学习模型，确定各个脑部图像对应的所述将所述图像特征输入深度学习模型中的全局特征学习模型进行模基于所述图像特征以及所述全局特征学习模型中的第一子全局特征学习模型中的置获取不同年龄对应的预设高斯分布，基于所述预设高斯分布，确基于所述图像特征以及局部特征学习模型中的卷积组，确定所述图3.如权利要求1所述的图像处理方法，其特征在于，所述基于所述第四矢状面图像特基于所述第四矢状面图像特征以及所述全局特征学习模型中的第二子全局特征学习基于所述第一横断面图像特征以及所述第二子全基于所述第二横断面图像特征以及所述第二子全局特征学习模型中的Transformer模基于所述第三横断面图像特征以及所述第二子全4.如权利要求3所述的图像处理方法，其特征在于，所述基于所述第四横断面图像特3基于所述第四横断面图像特征以及所述全局特征学习模型中的第三子全局特征学习基于所述第一冠状面图像特征以及所述第三子全基于所述第二冠状面图像特征以及所述第三子全局特征学习模型中的Transformer模基于所述第三冠状面图像特征以及所述第三子全局基于各个所述向量对所述预设高斯分布进行拟合，以确定各个所述执行时实现如权利要求1至5中任一项所述的图像处理方7.一种计算机可读存储介质，其特征在于4[0004]上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技所述融合特征包括所述图像特征对应的局部特征以5[0017]基于所述子局部特征以及局部特征学习模型中的最大池化层，获得所述局部特[0019]基于所述图像特征以及所述全局特征学习模型中的第一子全局特征学习模型中[0020]基于所述第一矢状面图像特征以及所述第一子全局特征学习模型中的块剪裁模[0021]基于第二矢状面图像特征以及所述第一子全局特征学习模型中的Transformer模[0025]基于所述第四矢状面图像特征以及所述全局特征学习模型中的第二子全局特征[0026]基于所述第一横断面图像特征以及所述第二子全局特征学习模型中的块剪裁模[0027]基于第二横断面图像特征以及所述第二子全局特征学习模型中的Transformer模[0031]基于所述第四横断面图像特征以及所述全局特征学习模型中的第三子全局特征[0032]基于所述第一冠状面图像特征以及所述第三子全局特征学习模型中的块剪裁模[0033]基于第二冠状面图像特征以及所述第三子全局特征学习模型中的Transformer模6图像处理程序被所述处理器执行时实现前述的图像处理方7[0053]本领域技术人员可以理解，图1中示出的图像处理设备结构并不构成对图像处理而处理器1001可以用于调用存储器1005中存8[0066]将图像特征输入至深度学习模型中，进而深度学习模型对图像特征进行模型训别对该图像特征进行模型训练，局部特征学习模型对该图像特征模型训练后得到局部特特征后，对局部特征以及全局特征进行融合得到融合特征，具体地可以通过基本的算子9数据编码为(24×28×24×4N)大小的图像特征进行第一次卷机组和最大池化层处理后降一个Transformer模块和一个块合并模块构成，当输入图像特征至全局特征学习模型中先经过第一子全局特征学习模型的模型训练，接着进行第二子全局特征学习模型的模型训个第二矢状面图像特征，接着将多个第二矢状面图像特征输入至标准的Transformer模块像特征进行第二子全局特征学习模型以及第三子全局特征学习模型的训练，得到全局特二矢状面图像特征(N*H*64,C,W/32,D/32)，接着Transformer模块对64个第二矢状面图像后块合并模块对64个第三矢状面图像特征(N*H*64,C,W/32,D/32)处理得到第四矢状面图面图像特征，而后基于第二矢状面图像特征以及所述第一子全局特征学习模型中的标准的Transformer模块得到多个第三横断面图像特征，最后块合并模块将多个第三横断状面图像特征得到第一横断面图像特征为(N*W/4,C,H,D/4)，而后块剪裁模块处理第一横着Transformer模块对64个第二横断面图像特征(N*W/4*64,C,H/8,D/32)处理得到64个第三横断面图像特征(N*W/4*64,C,H/32,D/128)，最后块合并模块对64个第三横断面图像特征(N*W/4*64,C,H/32,D/128)处理得到第四横断面图像特征(N特征学习模型中的第二子全局特征学习模型中的置换器模块，确定第一横断面图像特征，标准的Transformer模块得到多个第三冠状面图像特征，最后块合并模块将多个第三冠状第一冠状面图像特征(N*D/16,C,H/4,W/4)得到64个第二冠状面图像特征(N*D/16*64,C,H/理得到64个第三冠状面图像特征(N*D/16*64,C,H/128,W/128)，最后块合并模块对64个第三冠状面图像特征(N*D/16*64,C,H/128,W/128)处理得到全局特征(N,C,H/16,W/16,D/特征学习模型中的第三子全局特征学习模型中的置换器模块，确定第一冠状面图像特征；二冠状面图像特征；基于第二冠状面图像特征以及所述第三子全局特征学习模型中的值到5个期望