CN119444743A 一种动物x光医疗影像数据处理方法及计算机装置 （四川农业大学）

一种动物X光医疗影像数据处理方法及计算本发明涉及动物X光医疗影像数据处理领域，具体涉及一种动物X光医疗影像数据处理方联合多任务动物X光多模态数据集，建立专门针22.根据权利要求1所述的动物X光医疗影像数采用X光影像设备采集动物的X光影像数据，该X光影像数据包含骨骼损伤、软组织损3.根据权利要求1所述的动物X光医疗影像生成分割任务标签：使用Python和OpenCV进行数据预处理和标签格界框的坐标信息，手动标注每个边界框的类别以及可选的置信度评分，标签数据存储为4.根据权利要求3所述的动物X光医疗影像数据处理方法，其持批次处理并将图像和多任务标签同步加载，采用Albumentations数据扩增库对X光影像5.根据权利要求4所述的动物X光医疗影像采用直方图均衡化技术优化X光影像数据的亮3通过医学术语词库，对诊断报告文本中的医学词汇进行标准化处提取诊断报告文本中的所有单词，得到一个描述X光影像数据内容的词工具对每个诊断报告文本加以分词，并利用空格代替诊断报告文本中的字符,在每个人工将提取的所有单词编码为数值标签，每个医学实体的特征值映射为唯一的数值编码，6.根据权利要求1所述的动物X光医疗影像数据处选择EfficientNet网络作为主干网络，利用EfficientNet网络中编码器部分：利用EfficientNet网络生成的特征采用FastR_CNN框架对X光影像中病变区域进行定位和分类，FastR_CNN通过与区域提议网络：通过EfficientNet网络4全连接层分类：通过全连接层将特征向量映射为设定的类别标签7.根据权利要求1所述的动物X光医疗影像在主干网络后增加多任务特征共享与解耦模块，多任务特征共享与解耦模块具体用特征金字塔网络：利用多尺度特征图的金字塔结构，为;Lcsssicaion为分类任务损失函数，a是分割任务的权重参数、β是检测任务的权重参8.根据权利要求1所述的动物X光医疗影像数据处任务分支初始化：针对分割、检测和分类任务，分别对各任务分支进行参数初始化，Kaiming初始化用于为每个分支随机动态权重调整机制：设计基于任务损失收敛情况的动态权5优化器选择：采用Adam优化器，Adam优化器通过自适应损失函数lcuw定义如下：;在主干网络完成图像特征提取和各分支任务完成后，通过特征9.根据权利要求1所述的动物X光医疗影像数据处6[0005]本发明的目的在于克服现有技术的缺点，提供一种动物X光医疗影像数据处理方7热编码格式，并存储在CSV文件中，分类标签文件与检测标签文件保持一致的病变区域索其支持批次处理并将图像和多任务标签同步加载，采用Albumentations数据扩增库对X光采用直方图均衡化技术优化X光影像数据的亮提取诊断报告文本中的所有单词，得到一个描述X光影像数据内容的词典，利用8采用FastR_CNN框架对X光影像中病变区域进行定位和分类，FastR_CNN通过与合层，通过特征融合层将经过EfficientNet提取的原始图像特征与多任务特征集成一体，9为：;其中，为分割任务损失函数，Lasetion为检测任务损失函数，Laasitcation为分类任务损失函数，a是分割任务的权重参数、p是检测任务的权重参;N表示序列的总长度，表示第i个token前的所有token，为目标[0017]本发明以EfficientNet为主干特征提取网络，整合改进的U_Net分割分支和分割任务的像素级掩码标签。该掩码通过动物X光医疗影像专家使用标注工具Labelbox进行手动标注，以确保病变区域和解剖结构的准确性。每个像素根据其所在的解剖或病变区格式的JSON文件，以便深度学习框架中的目标检测任务读取。标签文件的格式符合FasterR_CNN目标检测模型的输入要求。本发明首先对X光图像数据进行去噪处理，采用中值滤波算法以减少随机噪声干入特征的尺度一致性。归一化处理可有效减少不同图像灰度范围差异对模型训练的影响，[0037]为了增加模型的鲁棒性和文本样本的多样性，使用同义词扩展生成更多自然表EfficientNet网络中不同层次的特征与特征金字塔结合后，分别提供给分割和检测分支。区域提议网络（RPN通过EfficientNet网络及特征金字塔生成的特征生成候选GPT_2通过自回归生成能力，利用融合了多任务及原始图像特征的融合特征向量aB为进一步优化特征的选择性，本发明在任务专用特征流中加入多任务注意力机图像中提取的信息。是该任务的注意力权重，代表了、Attentionae以及Attentioncas，这是一个通过注意力机制计算出的权重，反映了模,经过注意力加权后的特征图会强化重要的特征信息，同时减弱无关或次要在动物X光影像诊断任务的初步训练阶段，为确保多任务模型的有效启动和各任报告生成模块学习医学术语、语言表达和上下文关联性打下基础。通过这种预训练方式，GPT_2能够在生成医学报告时更好地理解并生成与医学领域相关的文本，确保报告的准确;N表示序列的总长度，表示第i个token前的所有token，为目标特征向量通过多层全连接层MLP映射到文本空间，得到提示向量Prefixembeddings并将[0067]在文本生成的深度微调训练阶段，预先训练好的GPT_2模型通过引入Prefix义特征生成与图像内容高度相关的医学报告。微调过程不仅优化了模型的语言生成能力，交叉熵损失用于计算生成文本与真实文本之间的差距。通过最小化交叉熵损失，模型可以