一种基于深度学习的磁共振影像特征提取及分类方法技术

本发明专利技术提供了一种基于深度学习的磁共振影像特征提取及分类方法，包括：S1纳入磁共振图像并对其进行预处理操作和特征映射操作；S2构建包括输入层、多个卷积层、至少一个池化层/下采样层以及全连接层的多层卷积神经网络，其中，卷积层和池化层/下采样层依次交替设于输入层和全连接层之间，且卷积层的数量比池化层/下采样层的数量多1；S3使用步骤S2构建的多层卷积神经网络对磁共振图像进行特征提取；S4将步骤S3输出的特征向量输入Softmax分类器中，对磁共振图像的疾病属性做出判断。其通过多层卷积神经网络的非线性映射，自动得到高度可分的特征/特征组合用于分类，并且可以不断优化网络结构得到更好的分类效果。

【技术实现步骤摘要】

本专利技术涉及医学数据处理
，尤其涉及一种磁共振影像特征提取及分类方法。
技术介绍
磁共振成像是一种高分辨率、无损伤、解剖结构显示清楚的医学成像技术，因此磁共振成像技术在医疗诊断过程中起了重要的作用，尤其在脑组织相关的疾病诊断和研究中得到了广泛的应用。近十年以来，对于非脑组织/结构损伤的神经、精神疾病的诊断，磁共振成像(MRI，Magnetic Resonance Imaging)作为神经影像中一种重要的脑成像方法，也已被广泛地用于认知神经科学和脑疾病的研究中。多元模式分类分析(MVPA，Multi-voxel Pattern Analysis)等机器学习算法常被用于识别人脑磁共振图像中的空间模式，实现大脑状态的解码，或者对健康和患病脑的区分。常见的分类过程中，首先需要对不同模态磁共振图像进行特征映射(如，针对结构像T1的全脑灰质体积特征映射图、针对弥散张量图像的FA图、针对静息态磁共振图像的ALFF图等)，之后选取区分度较高的特征值(选取某个特征映射图的部分或者全部)组成特征向量作为分类器的输入，使用改进的分类器对其进行分类。通常来说，在特征向量数据优化和分类器参数寻优的条件下，可以取得不错的分类效果(文献报道的分类准确率范围集中在65％～85％)，但还达不到临床应用或接近于临床实用的水平。传统使用MVPA等机器学习算法对磁共振图像分类的过程中，需要人工选择特征输入，而人工选定的输入特征跟人的经验有很大关系，致使分类效果一直未得到有效突破，与临床实际使用还有较大差距。
技术实现思路
针对上述问题，本专利技术旨在提供一种基于深度学习的磁共振影像特征提取及分类方法，有效解决了传统的磁共振图像分类过程中需要人工选择特征输入致使分类精度不高的问题，其通过多层卷积神经网络的非线性映射，自动得到高度可分的特征/特征组合用于分类，并且可以不断优化网络结构得到更好的分类效果。本专利技术提供的技术方案如下：一种基于深度学习的磁共振影像特征提取及分类方法，包括：S1 纳入磁共振图像并对其进行预处理操作和特征映射操作；S2 构建一个包括输入层、多个卷积层、至少一个池化层/下采样层以及全连接层的多层卷积神经网络，其中，所述卷积层和所述池化层/下采样层依次交替设于所述输入层和所述全连接层之间，且所述卷积层的数量比所述池化层/下采样层的数量多1；S3 使用步骤S2构建的所述多层卷积神经网络对步骤S1中经预处理和特征映射后的磁共振图像进行特征提取；S4 将步骤S3中所述多层卷积神经网络输出的特征向量输入Softmax分类器中，对纳入到的磁共振图像的疾病属性做出判断。在本技术方案中，步骤S2中构建的多层卷积神经网络中卷积层和池化层/下采样层的数量根据实际情况进行确定，对多卷积神经网络中的层次进行适当的扩展或缩减。当训练样本数量较多时，可适当增加卷积层和池化层/下采样层的数量；当训练样本数量较少时，可适当减少卷积层和池化层/下采样层的数量。进一步优选地，在步骤S1中具体包括：S11 输入标准格式磁共振图像，并进行格式变换；S12 对步骤S11中变换格式后的磁共振图像进行滤波处理、去噪处理、分割处理、时间校正处理、配准处理、重采样处理以及平滑处理等；S13 将步骤S12中预处理操作之后的磁共振图像在标准空间内进行特征映射，得到标准空间内的特征映射图。在本技术方案中，步骤S12中我们只是示例性的给出了7种对磁共振图像进行预处理的步骤，常规预处理步骤多达20～30项，这里我们不一一列举。进一步优选地，在步骤S3中具体包括：S31 输入训练样本集，采用无监督学习方法预训练所述多层卷积神经网络中各层的节点参数，实现训练样本集的特征提取；S32 输入步骤S1中的磁共振图像数据集，采用有监督学习方法对步骤S22中多层卷积神经网络中各层的节点参数进行微调训练，实现步骤S22中提取的特征的微调。在本技术方案中，在步骤S31中的无监督学习过程是多层卷积神经网络中各层节点参数从无到有的一个过程，故这里输入的训练样本集可以为标准数据集，也可以为纳入的特定磁共振图像数据集，我们对该过程中输入的训练样本集不做具体限定。进一步优选地，在步骤S32中，所述多层卷积神经网络中各层神经元的连接权值ωhj的微调过程为： Δω h j = - η ∂ E k ∂ ω h j ]]>其中，误差为当输入为(xk,yk)时的输出值，为第k个训练样本对应的第j个输出，η为给定学习率。进一步优选地，在步骤S32中，所述多层卷积神经网络中第I层卷积层后接第I+1层池化层，则第I+1层卷积层的误差求取方法如下： δ j i = u p s a m p l e ( δ j i + 1 ) · h ( a j i ) ]]>其中，为第I+1层池化层的误差敏感项，为第I层卷积层的误差敏感项，为第I层卷积层对应的第j个神经元激发函数的导数，符号●为矩阵点乘操作。进一步优选地，在步骤S32中，所述多层卷积神经网络中第I层池化层后接第I+1层卷积层，则第I+1层池化层的误差求取方法如下： δ j i = Σ j = 1 M δ j i + 1 * K i j ]]>其中，为第I层池化层的误差敏感项，为第I+1层卷积层的误差敏感项，M为第I+1层卷积层中特征数量，Kij为卷积核，符号*为离散卷积操作。进一步优选地，在步骤S4中具体包括：S41 对步骤S3输出的特征进行局部归一化处理和过拟合处理；S42 将经过局部归一化处理和过拟合处理输出的特征向量输入Softmax分类器中，对纳入到的磁共振图像的疾病属性做出判断。进一步优选地，在步骤S41中，对步骤S3输出的特征进行局部归一化处理具体包括： b 本文档来自技高网...

【技术保护点】
一种基于深度学习的磁共振影像特征提取及分类方法，其特征在于，所述磁共振影像特征提取及分类方法包括：S1纳入磁共振图像并对其进行预处理操作和特征映射操作；S2构建一个包括输入层、多个卷积层、至少一个池化层/下采样层以及全连接层的多层卷积神经网络，其中，所述卷积层和所述池化层/下采样层依次交替设于所述输入层和所述全连接层之间，且所述卷积层的数量比所述池化层/下采样层的数量多1；S3使用步骤S2构建的所述多层卷积神经网络对步骤S1中经预处理和特征映射后的磁共振图像进行特征提取；S4将步骤S3中所述多层卷积神经网络输出的特征向量输入Softmax分类器中，对纳入到的磁共振图像的疾病属性做出判断。

【技术特征摘要】
1.一种基于深度学习的磁共振影像特征提取及分类方法，其特征在于，所述磁共振影像特征提取及分类方法包括：S1纳入磁共振图像并对其进行预处理操作和特征映射操作；S2构建一个包括输入层、多个卷积层、至少一个池化层/下采样层以及全连接层的多层卷积神经网络，其中，所述卷积层和所述池化层/下采样层依次交替设于所述输入层和所述全连接层之间，且所述卷积层的数量比所述池化层/下采样层的数量多1；S3使用步骤S2构建的所述多层卷积神经网络对步骤S1中经预处理和特征映射后的磁共振图像进行特征提取；S4将步骤S3中所述多层卷积神经网络输出的特征向量输入Softmax分类器中，对纳入到的磁共振图像的疾病属性做出判断。2.如权利要求1所述的磁共振影像特征提取及分类方法，其特征在于，在步骤S1中具体包括：S11输入标准格式磁共振图像，并进行格式变换；S12对步骤S11中变换格式后的磁共振图像进行滤波处理、去噪处理、分割处理、时间校正处理、配准处理、重采样处理以及平滑处理；S13将步骤S12中预处理操作之后的磁共振图像在标准空间内进行特征映射，得到标准空间内的特征映射图。3.如权利要求1或2所述的磁共振影像特征提取及分类方法，其特征在于，在步骤S3中具体包括：S31输入训练样本集，采用无监督学习方法预训练所述多层卷积神经网络中各层的节点参数，实现训练样本集的特征提取；S32输入步骤S1中的磁共振图像数据集，采用有监督学习方法对步骤S22中多层卷积神经网络中各层的节点参数进行微调训练，实现步骤S22中提取的特征的微调。4.如权利要求3所述的磁共振影像特征提取及分类方法，其特征在于，在步骤S32中，所述多层卷积神经网络中各层神经元的连接权值ωhj的微调过程为： Δω h j = - η ∂ E k ∂ ω h j ]]>其中，误差为当输入为(xk,yk)时的输出值，为第k个训练样本对应的第j个输出，η为给定学习率。5.如权利要求3所述的磁共振影像特征提取及分类方法，其特征在于，在步骤S32中，所述多层卷积神经网络中第I层卷积层后接第I+1层池化层，则第I+1层卷积层的误差求取方法如下： δ j i = u p s a m p l e ( δ j i + 1 ) · h ( a j i ) ]]>其中，为第I+1层池化层的误差敏感项，为第I层卷积层的误差敏感项，为第I层卷积层对应的第j个神经元激发函数的导数，符号●为矩阵点乘操作。6.如权利要求3所述的磁共振影像特征提取及分类方法，其特征在于，在步骤S32中，所述多层卷积神经网络中第I层池化层后接第I+1层卷积层，则第I+1层池化层的误差求取方法如下： δ j i = Σ j = 1 M δ j i + 1 * K i j ]]>其中，为第I层池化层的误差敏感项，为第I+1层卷积层的误差敏感项，M为第I+1层卷积层中特征数量，Kij为卷积核，符号*为离散卷积操作。7.如权利要求1或2或4或5或6所述的磁共振影像特征提取及分类方法，其特征在于，在步骤S4中具体包括：S41对步骤S3输出的特征进行局部归一化处理和过拟合处理；S42将经过局部归一化处理和过拟合处理输出的特征向量输入Softmax分类器中，对纳入到的磁共振图像的疾病属性做出判断。8.如权利要求7所述的磁共振影像特征提取及分类方法，其特征在于，在步骤S41中，对步骤S3输出的特征进行局部归一化处理具体包括： b x , y i = a x ...

【专利技术属性】
技术研发人员：龚启勇，张俊然，黄晓琦，吕粟，贾志云，
申请(专利权)人：四川大学华西医院，
类型：发明
国别省市：四川;51