(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 202210716511.8 (22)申请日 2022.06.22 (71)申请人 迈格生命科技 （深圳） 有限公司 地址 518000 广东省深圳市前海深港合作 区前湾一路1号A栋201室 （入驻深圳市 前海商务秘书 有限公司） (72)发明人 吕海岩　叶辰飞　杨延武　 (74)专利代理 机构 深圳市恒程创新知识产权代 理有限公司 4 4542 专利代理师 张小容 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/42(2022.01) G06V 10/44(2022.01) G06V 10/80(2022.01)G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 图像处理方法、 设备及计算机可读存 储介质 (57)摘要 本发明公开了一种图像处理方法、 设备及计 算机可读 存储介质， 其中， 方法包括： 获取多个脑 部图像对应的图像特征， 接着基于所述图像特征 以及深度学习模 型， 确定多个脑部图像对应的融 合特征， 其中， 所述融合特征包括所述图像特征 对应的局部特征以及全局特征， 而后对所述融合 特征进行展平以及线性映射处理， 确定多个预设 长度的向量， 最后基于所述向量， 确定目标脑龄 数据。 本发 明能够根据多个脑部图像对应的图像 特征以及深度学习模型， 得到包括图像特征对应 的局部特征以及全局特征的融合特征， 通过融合 特征进行脑龄预测能够更加准确预测目标脑龄 数据， 提高了脑龄预测的准确性。 权利要求书2页 说明书11页 附图1页 CN 115100142 A 2022.09.23 CN 115100142 A 1.一种图像处 理方法， 其特 征在于， 所述图像处 理方法包括以下步骤： 获取各个脑部图像对应的图像特 征； 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融合特征， 其中， 所述 融合特征包括所述图像特 征对应的局部特 征以及全局特 征； 对所述融合特 征进行展平以及线性映射处 理， 确定多个预设长度的向量； 基于所述向量， 确定目标脑龄数据。 2.如权利要求1所述的图像处理方法， 其特征在于， 所述基于所述图像特征以及深度 学 习模型， 确定各个脑部图像对应的融合特征， 其中， 所述融合特征包括所述图像特征对应的 局部特征以及全局特 征的步骤 包括： 将所述图像特征输入深度学习 模型中的局部特征学习模型进行模型训练， 获得所述局 部特征； 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型训练， 获得所述全 局特征； 基于所述局部特 征以及全局特 征， 确定融合特 征。 3.如权利要求2所述的图像处理方法， 其特征在于， 所述将所述图像特征输入深度 学习 模型中的局部特 征学习模型进行模型训练， 获得 所述局部特 征的步骤 包括： 基于所述图像特征以及局部特征学习 模型中的卷积组， 确定所述图像特征对应的子局 部特征； 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 征。 4.如权利要求2所述的图像处理方法， 其特征在于， 所述将所述图像特征输入深度 学习 模型中的全局特 征学习模型进行模型训练， 获得 所述全局特 征的步骤 包括： 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 换器模块， 确定第一矢状面图像特 征； 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块， 确 定第二矢状面图像特 征； 基于所述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 块， 确定第三矢状面图像特 征； 基于所述第 三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合并模块， 确 定第四矢状面图像特 征； 基于所述第四矢状面图像特 征， 获得所述全局特 征。 5.如权利要求4所述的图像处理方法， 其特征在于， 所述基于基于所述第四矢状面图像 特征， 获得所述全局特 征的步骤 包括： 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 模型中的置换器模块， 确定第一横断面图像特 征； 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块， 确 定第二横断面图像特 征； 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 块， 确定第三横断面图像特 征； 基于所述第 三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合并模块， 确权　利　要　求　书 1/2 页 2 CN 115100142 A 2定第四横断面图像特 征； 基于所述第四横断面图像特 征， 获得所述全局特 征。 6.如权利要求5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 征， 获得所述全局特 征的步骤 包括： 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 模型中的置换器模块， 确定第一冠状面图像特 征； 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块， 确 定第二冠状面图像特 征； 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 块， 确定第三冠状面图像特 征； 基于所述第 三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合并模块， 获 得所述全局特 征。 7.如权利要求1至6 中任一项所述的图像处理方法， 其特征在于， 所述基于所述向量， 确 定目标脑龄数据的步骤 包括： 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， 确定各个所述向量的期 望值； 基于所述期望值， 确定目标脑龄数据。 8.如权利要求7所述的图像处理方法， 其特征在于， 所述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， 确定各个所述向量的期望值的步骤 包括： 基于预设参数， 确定不同年龄对应的预设高斯分布； 基于各个所述向量对所述预设高斯分布进行拟合， 以确定各个所述向量对应的目标高 斯分布； 基于所述目标高斯分布， 确定各个所述向量的期望值。 9.一种图像处理设备， 其特征在于， 所述图像处理设备包括： 存储器、 处理器及存储在 所述存储器上并可在所述处理器上运行的图像处理程序， 所述图像处理程序被所述处理器 执行时实现如权利要求1至8中任一项所述的图像处 理方法的步骤。 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上存储有图像处 理程序， 所述图像处理程序被处理器执行时实现如权利要求 1至8任一项 所述的图像处理方 法的步骤。权　利　要　求　书 2/2 页 3 CN 115100142 A 3