一种基于神经网络的脑梗死MRI图像识别方法技术

本发明专利技术属于医学图像识别技术领域，具体涉及应用在临床实践上的一种基于神经网络的脑梗死MRI图像识别方法。本发明专利技术包括以下步骤：采集明确具有脑梗死疾病的脑部MRI图像；数据预处理，对标注好的原始图像进行缩放和裁剪处理；构建神经网络，卷积神经网络总深度为11层,卷积核大小为3*3,第2、4、7层步长为2,其余层步长为1；训练神经网络；测试模型；诊断测试；输出模型和整理结果。本发明专利技术的优点在于：使用卷积神经网络进行头部MRI图像识别,相比于传统方法,准确率更高,诊断过程更加智能化，且可以应用于除头部MRI识别外的其他应用场景。本发明专利技术使用全卷积网络作为基础网络结构,保留局部信息,使得学习到的特征更易被可视化和理解。

A method of MRI image recognition of cerebral infarction based on Neural Network

【技术实现步骤摘要】
一种基于神经网络的脑梗死MRI图像识别方法
本专利技术属于医学图像识别
，具体涉及应用在临床实践上的一种基于神经网络的脑梗死MRI图像识别方法。
技术介绍
在医学图像识别上，许多任务人工识别结果受到认知能力、主观经验、疲劳程度等因素影响，计算机辅助识别能弥补人工识别的诸多不足，快速地给出客观判断，有效提高准确率和稳定性，减少误诊和漏诊，对临床诊断、病理分析及治疗方案的选取有重大意义，在手术仿真、医疗教学等方面也有辅助作用。从计算机能够扫描和加载医学图像开始，研究人员就开始研究医学图像识别技术，在图像识别技术的发展中，目前主要有三种方法：统计模式识别、结构模式识别和模糊模式识别。20世纪70年代到90年代，医学图像识别技术主要包括基于像素层次的图像处理(如边缘检测，区域生长等算法)和基于数学模型分析(如直线、圆等形状的拟合算法)。这些早期算法都是针对特定任务建立识别规则，类似早期人工智能领域的专家系统，进行如果－则－否则(if-then-else)式的逻辑判断。到了90年代初，机器学习的思维开始流行。人们开始意识到需要构建更加有效的识别方法，让计算机从数据中学习规则，代替具有专业知识的专家手工设计的规则。在医学图像识别上，应用的技术包括基于主动形状模型(activeshapemodel)的分割算法，基于图谱(altas)模型匹配算法等。这种设计特征并训练分类器的模式识别方法下相比人工设计规则更加有效，并成功应用于许多商用图像分析系统上。神经网络是其中的代表模型，其中卷积神经网络(ConvolutionalNeuralNetworks,CNNs)是图像识别常用的模型。
技术实现思路
本专利技术的目的在于提供一种基于神经网络的脑梗死MRI图像识别方法。一种基于神经网络的脑梗死MRI图像识别方法，包括以下步骤：步骤1：采集明确具有脑梗死疾病的脑部MRI图像,如动脉粥样硬化性血栓性、小动脉闭塞性、病毒性等类型的脑梗死，同时对每张图像进行标类,根据定义的脑梗死类型和现有图像的表现情况，建立数据联系，得到标注好的原始图像数据集合；步骤2：数据预处理，对标注好的原始图像进行缩放和裁剪处理,比如，对动脉粥样硬化性脑梗死的病灶进行放大，标注硬化病灶属于脑部的位置和大小，对出血性脑梗死图像进行裁剪，标出大概弥漫范围等操作，并对每张图像以相同的概率翻转,以寻求提取特征值，同时进行归一化处理,得到预处理后的图像集合；步骤3：构建神经网络，卷积神经网络总深度为11层,卷积核大小为3*3,第2、4、7层步长为2,其余层步长为1；步骤4：训练神经网络，对所构建的神经网络进行训练,以标好的对应类标作为网络监督信息,使用优化算法调整参数减小网络输出和真实类标差距,得到训练后的神经网络；步骤5：测试模型，将训练后的神经网络作为模型,测试头部MRI图像识别效果,并调整步骤优化算法参数继续训练,直到验证识别准确率稳定；步骤6：诊断测试，利用图像诊断模型对测试集中的图像进行诊断，得到疾病患病概率和类型，然后再由人类技师进行校准判断，反复检测得到结果的真实性，测试结果若符合人类技师的诊断，则执行下一步骤，若不符合，返回步骤三，从设计神经网络开始，再次调整这个过程；步骤7：输出模型和整理结果，在完成测试后，得到最终神经网络模型，利用程序对步骤6中的图像名称和诊断结果进行整理输出诊断结果表格。在步骤3构建神经网络时，对于池化层的设计采用全局平均池化层GAP(GlobalAveragePoolingLayer)；最大池化是选择每个子区域的最大值，然后使用子区域的最大值表示该子区域；Averagepooling(平均池化)是指计算出子区域的平均值，用一个平均值来分别表示子区域。本专利技术的有益效果在于：(1)使用卷积神经网络进行头部MRI图像识别,相比于传统方法,准确率更高,诊断过程更加智能化，且可以应用于除头部MRI识别外的其他应用场景。(2)本专利技术使用全卷积网络作为基础网络结构,保留局部信息,使得学习到的特征更易被可视化和理解,比如，对于腔隙性脑梗死发生在小脑以及顶叶深部脑白质区时，可更加明显做出诊断，同时全卷积网络对图像大小和类型没有太多限制，增强了实用性。(3)本专利技术将卷积神经网络加入类激活映射CAM工具和设置全局平均池化层GAP，保持原始数据，增强网络识别准确率，辅助诊断进行集成，便于非专业人士进行使用与拓展，增加了其在医院推广的可能性。附图说明图1是本专利技术的操作流程图。具体实施方式下面结合附图对本专利技术做进一步描述。步骤1：采集明确具有脑梗死疾病的脑部MRI图像,如动脉粥样硬化性血栓性、小动脉闭塞性、病毒性等类型的脑梗死，同时对每张图像进行标类,根据定义的脑梗死类型和现有图像的表现情况，建立数据联系，标注病名、病灶位置、患病组织范围，得到标注好类的原始图像数据集合。步骤1具体操作如下：选择医学院、高校等从事MRI操作多年、理论扎实和经验丰富技师，对原始头部MRI成片进行诊断，对大脑前、中、后动脉以及小脑前/后下动脉、上动脉进行标注，对脑部额叶、顶叶、枕叶和颞叶部位可能、疑似有潜在病灶的部位也做出标注，出具详细诊断报告。步骤2：数据预处理，对标注好类的原始图像进行缩放和裁剪处理,比如，对动脉粥样硬化性脑梗死的病灶进行放大，标注硬化病灶属于脑部的位置和大小，对出血性脑梗死图像进行裁剪，标出大概弥漫范围，等等操作，并对每张图像以50％概率翻转,以寻求提取最明显和容易获得特征值，同时进行归一化处理,得到预处理后的图像集合。步骤2具体操作如下：对标注好的原始数据进行预处理,保证数据适用于卷积神经网络算法,并通过一定数据变换变相扩大数据集。首先计算整个数据集上每个像素的均值和标准差,设χ上的所有图像均值图像为标准差为std,对于某张特定图像x,对其进行归一化如下：步骤3：构建神经网络，卷积神经网总深度为11层,卷积核大小为3*3,第2、4、7层步长为2,其余层步长为1，并在网络中加入类激活映射CAM(ClassActivationMapping)工具和设置全局平均池化层GAP(GlobalAveragePoolingLayer)，其输入为预处理后的脑梗死MRI图像，输出为图像中头部的病变名称、病变位置和病变组织范围。步骤3具体操作如下：对于类激活映射CAM(ClassActivationMapping)工具，其作用就是展示被划分为某个特定类的“区别性”区域，其实现细节为：对于一个图，用fk(x,y)代表最后一个卷积层的单元k在空间坐标(x,y)中的激活值。对于每个单元k，通过GAP后的结果Fk为∑x,yfk(x,y)。则，对于每个类c，输入softmax的Sc为∑kwc,kFk，wc,k代表单元k对应的类c的权重。实际上，wc,k就是Fk对类c的重要性。最后类c的softmax输出Pc为exp(Sc)/∑cexp(Sc)。这里我们忽略偏差本文档来自技高网...

【技术保护点】
1.一种基于神经网络的脑梗死MRI图像识别方法，其特征在于，包括以下步骤：/n步骤1：采集明确具有脑梗死疾病的脑部MRI图像,如动脉粥样硬化性血栓性、小动脉闭塞性、病毒性等类型的脑梗死，同时对每张图像进行标类,根据定义的脑梗死类型和现有图像的表现情况，建立数据联系，得到标注好的原始图像数据集合；/n步骤2：数据预处理，对标注好的原始图像进行缩放和裁剪处理,比如，对动脉粥样硬化性脑梗死的病灶进行放大，标注硬化病灶属于脑部的位置和大小，对出血性脑梗死图像进行裁剪，标出大概弥漫范围等操作，并对每张图像以相同的概率翻转,以寻求提取特征值，同时进行归一化处理,得到预处理后的图像集合；/n步骤3：构建神经网络，卷积神经网络总深度为11层,卷积核大小为3*3,第2、4、7层步长为2,其余层步长为1；/n步骤4：训练神经网络，对所构建的神经网络进行训练,以标好的对应类标作为网络监督信息,使用优化算法调整参数减小网络输出和真实类标差距,得到训练后的神经网络；/n步骤5：测试模型，将训练后的神经网络作为模型,测试头部MRI图像识别效果,并调整步骤优化算法参数继续训练,直到验证识别准确率稳定；/n步骤6：诊断测试，利用图像诊断模型对测试集中的图像进行诊断，得到疾病患病概率和类型，然后再由人类技师进行校准判断，反复检测得到结果的真实性，测试结果若符合人类技师的诊断，则执行下一步骤，若不符合，返回步骤三，从设计神经网络开始，再次调整这个过程；/n步骤7：输出模型和整理结果，在完成测试后，得到最终神经网络模型，利用程序对步骤6中的图像名称和诊断结果进行整理输出诊断结果表格。/n...

【技术特征摘要】
1.一种基于神经网络的脑梗死MRI图像识别方法，其特征在于，包括以下步骤：
步骤1：采集明确具有脑梗死疾病的脑部MRI图像,如动脉粥样硬化性血栓性、小动脉闭塞性、病毒性等类型的脑梗死，同时对每张图像进行标类,根据定义的脑梗死类型和现有图像的表现情况，建立数据联系，得到标注好的原始图像数据集合；
步骤2：数据预处理，对标注好的原始图像进行缩放和裁剪处理,比如，对动脉粥样硬化性脑梗死的病灶进行放大，标注硬化病灶属于脑部的位置和大小，对出血性脑梗死图像进行裁剪，标出大概弥漫范围等操作，并对每张图像以相同的概率翻转,以寻求提取特征值，同时进行归一化处理,得到预处理后的图像集合；
步骤3：构建神经网络，卷积神经网络总深度为11层,卷积核大小为3*3,第2、4、7层步长为2,其余层步长为1；
步骤4：训练神经网络，对所构建的神经网络进行训练,以标好的对应类标作为网络监督信息,使用优化算法调整参数减小网络输出和真实类标差距,得到训练后的神经网络；
步骤5：测试模型，...

【专利技术属性】
技术研发人员：周航，印桂生，刘杰，张万松，张立国，董宇欣，李岩松，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：黑龙;23