(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 202211026040.4 (22)申请日 2022.08.25 (71)申请人 西南大学 地址 400715 重庆市北碚区天生路2号 申请人 重庆医科 大学附属第一医院 (72)发明人 姚睿　陈善雄　李咏梅　王静杰　 谭朵　向雅芸　彭喜化　 (74)专利代理 机构 济南鼎信专利商标代理事务 所(普通合伙) 37245 专利代理师 贾国浩 (51)Int.Cl. G06V 40/14(2022.01) G06V 10/26(2022.01) G06V 10/764(2022.01) G06V 10/80(2022.01)G06V 10/82(2022.01) G06N 3/08(2006.01) (54)发明名称 一种用于责任血管定位的注意引导多分支 融合分类方法 (57)摘要 本发明公开了一种用于责任血管定位的注 意引导多分支融合分类方法， 主要涉及血管堵塞 辅助判断领域； 包括步骤： S1、 构建多分支融合网 络； S2、 通过采样器获取样本标签； S3、 将不同的 样本标签对送入对应的网络分支， 经过权重共享 的改进主体网络之后得到各自分支的特征向量； S4、 获取分类概率输出pc、 pr； S5、 获取分割概率 图 S6、 获取平衡分支的分类概率pb； S7、 根据分类概率pc、 pr、 pb来构建的分类累计损 失 本发明为计算机辅助医师判断大血管是 否发生堵塞以及具体的责任堵塞血管提供了新 助力， 能够有效地解决数据样 本中类严重不平衡 问题， 并达 到满意的分类精度。 权利要求书3页 说明书11页 附图4页 CN 115331274 A 2022.11.11 CN 115331274 A 1.一种用于责任血 管定位的注意引导多分支融合分类方法， 其特 征是， 包括步骤： S1、 构建多分支融合网络， 多分支融合网络包括常规学习分支、 反向学习分支以及平衡 分支， 常规学习分支用于正常人的特征学习， 反向学习分支用于病人的特征学习， 平衡分支 用于动态融合常规学习分支、 反向学习分支的特 征信息来完成 堵塞责任血 管的确认； S2、 通过采样器获取样本标签， 常规学习分支的样本标签为： (xc， yc)， 反向学习分支的 样本标签为： (xr， yr)， 平衡分支的样本标签为： (xb， yb)， 其中， x为训练样本， y为对应标签， y ∈{1， 2，…， L}， L为最终分类类别的数量， c表示常规学习分支样本， r表示反向学习分支样 本， b表示平衡分支样本； S3、 将不同的样本标签对送入对应的网络分支， 经过权重共享的改进主体网络之后得 到各自分支的特征向量 Fc、 Fr、 Fb， 其中， Fc为常规学习分支的特征向量、 Fr反向学习分支的特 征向量、 Fb平衡分支的特 征向量； S4、 将特征向量Fc经过权值不共享卷积层Convc得到的特征向量 输入到分类模块 中 得到分类概率输出pc， 将特征向量Fr经过权值不共享卷积层Convr得到的特征向量 输入 到分类模块中得到分类概 率输出pr； S5、 将常规学习分支得到的特征向量Fc送入到用以引导模型关注倾 向的注意引导模块 中， 得到分割概率图 将反向学习分支得到的特征向量Fr送入到用以引导模型 关注倾向 的注意引导模块中， 得到分割概 率图 S6、 特征向量Fb同时经过卷积层Convc、 Convr， 经过卷积层Convc得到特征向量 经 过卷积层Convr得到特征向量 然后将 经过平衡分支的自适应融合模块输出的 送入分类 器中得到平衡分支的分类概 率pb； S7、 根据分类概 率pc、 pr、 pb来构建的分类累计损失 其中， yc为常规学习分支对应的真实分类标签， yr为反向学习分支对应的真实分类标 签、 yb为平衡分支对应的真实分类标签， α用来转移模型学习的重心， N表示当前所处ep och， Nmax为总的训练epoc h数； 根据分割概率图 构建辅助引导损失函数 用于指导模型关注倾向， 最终 整个网络总的损失函数 可以描述 为： 其中a、 b为损失权 重。 2.根据权利要求1所述的一种用于责任血管定位的注意引导多分支融合分类方法， 其 特征是， 步骤S2 中： 常规学习分支采用保留原始数据分布的uniform采样器， 反向学习分支 采用反向采样器， 平衡分支采用为所有类别分配相等的采样概 率的类均衡采样器。 3.根据权利要求1所述的一种用于责任血管定位的注意引导多分支融合分类方法， 其 特征是， 步骤S 3中， 改进主体网络包括分支层次聚合模块， 分支层次聚合模块以两个blocks权　利　要　求　书 1/3 页 2 CN 115331274 A 2单元为一组， 聚合成一个node， 然后以树的形式串接分支上的blocks与node， 用公式表述 为： 其中， On(x)表示第n个节点的输出， N(x)为节点函数， 和 分别表示第n个节 点下的两个bl ocks输出， B(x)代 表卷积bl ocks。 4.根据权利要求1所述的一种用于责任血管定位的注意引导多分支融合分类方法， 其 特征是， 步骤S 3中， 改进主体网络包括语义特征增强模块， 语义特征增强模块用公式语 言表 述为： 其中， 其中 和 分别表示低层次特征图Xl上i位置上以及最高层次特征图Xh上j位置 上的特征值， 则是由变换函数fq(*)， fk(*)， fv(*)变换得来的函数值， Fsim为衡 量相似度的函数， Fmul为权重聚合函数， Fnorm为规范函数softmax； 则表示 经特征交互变 换后i位置上的输出值； 完成所有变换后， 需要将所有 新特征统一到 Xh大小尺寸， 最后经由1 ×1卷积得到最终的 特征输出。 5.根据权利要求1所述的一种用于责任血管定位的注意引导多分支融合分类方法， 其 特征是， 步骤S5中， 注意引导模块中， 常规学习分支和反向学习分支的输入经过共享 backbone得到高级语义特征向量Fc与Fr后， 通过不断的上采样， 拼接， 卷积操作最终获得分 割概率图 假设分割真实标签为yseg， 那么该辅助引导模块的损失函数 可以表示 为： 其中BCE(·)为二值交叉熵损失函数， 分别表示常规分支、 反向学习 分支输 入图像的真实分割标签。 6.根据权利要求1所述的一种用于责任血管定位的注意引导多分支融合分类方法， 其 特征是， 步骤S6包括 步骤： S61、 获取在空间位置上的两分支的权重； 首先使用两个卷积核大小为1 ×1的卷积层 convsq1和convsq2对特征 与 进行通道数减半的压缩， 然后再进行按通道拼接操 作得到 接下来将其通过exsq函数来提取两个输入特征在空间位置上的权　利　要　求　书 2/3 页 3 CN 115331274 A 3