基于域泛化神经网络的颅脑图像检测方法及模型构建方法

1.一种基于域泛化神经网络的颅脑图像检测模型构建方法，其特征在于，包括以下过程：

2.如权利要求1所述的一种基于域泛化神经网络的颅脑图像检测模型构建方法，其特征在于，所述步骤2中平滑滤波去除噪声具体为：

3.如权利要求1所述的一种基于域泛化神经网络的颅脑图像检测模型构建方法，其特征在于：所述步骤1中收集不同人群的颅脑超声波图像数据集，包括青少年、中年、老年的不同颅脑健康状况的超声波图像数据收集；将青少年和中年群体的颅脑超声波图像作为源域1数据，将老年群体的颅脑超声波图像作为源域2数据；或者把标注的的图像数据作为源域1数据，把未标注的数据作为源域2数据。

4.如权利要求1所述的一种基于域泛化神经网络的颅脑图像检测模型构建方法，其特征在于：所述步骤3中的特征提取网络包括依次连接的全局平均池化层、第一全连接层、relu激活函数层、第二全连接层和sigmoid激活函数层；首先全局平均池化层将患者颅脑超声图像每个通道的特征图通过压缩成标量，接着第一全连接层将每个标量的维度进行压缩，接着通过relu激活函数对压缩后的标量进行非线性变化，接着第二全连接层将非线性变换后的压缩标量维度进行还原，最后通过sigmoid激活函数，得到每个通道的权重。

5.如权利要求1所述的一种基于域泛化神经网络的颅脑图像检测模型构建方法，其特征在于：所述分类神经网络包括两层全连接层和一层softmax激活函数层，其中第一层全连接层负责将特征提取网络所得到的特征映射为高维隐含特征，第二层全连接层将高维隐含通知转化为颅脑健康状况分数，softmax激活函数层将颅脑健康状况分数转化为颅脑健康状况预测值；其中第一层全连接层负责将特征提取网络所得到的特征映射到512维度，第二层全连接层将512维度的特征对标到不同颅脑健康状况的具体得分。

6.如权利要求1所述的一种基于域泛化神经网络的颅脑图像检测模型构建方法，其特征在于：所述步骤4训练颅脑图像检测模型，将源域1数据与源域2中数据的少量有标签数据输入特征提取网络，并将提取的特征通过高斯核函数映射到希尔伯特空间，在这个空间内，通过最大均值差异度量方法得到最小的特征距离差异，并通过网络迭代，不断优化特征距离差异，使得特征距离越来越近；同时利用深度相关对齐，使得条件特征分步也能够对齐；利用分类神经网络，从域不变特征中，提取到足够的判别性信息，使得在未见过的数据中，有较强的分类能力。

7.如权利要求6所述的一种基于域泛化神经网络的颅脑图像检测模型构建方法，其特征在于：

8.一种基于域泛化神经网络的颅脑图像检测方法，其特征在于，将权利要求1至7任意一项所述的构建方法所构建的颅脑图像检测模型部署于医疗系统中，并包括以下过程：

9.一种基于域泛化神经网络的颅脑图像检测设备，其特征在于：所述设备包括至少一个处理器和至少一个存储器，所述处理器和存储器相耦合；所述存储器中存储有如权利要求1至7任意一项所述的构建方法所构建的颅脑图像检测模型的计算机执行程序；所述处理器执行存储器中存储的计算机执行程序时，使处理器执行一种基于域泛化神经网络的颅脑图像检测方法。

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中存储有如权利要求1至7任意一项所述的构建方法所构建的颅脑图像检测模型的计算机程序或指令，所述程序或指令被处理器执行时，使处理器执行一种基于域泛化神经网络的颅脑图像检测方法。