一种基于MDCLSTM-LDenseNet网络的核磁共振图像自动分类方法及装置制造方法及图纸

本发明专利技术公开了一种基于MDCLSTM‑LDenseNet网络的核磁共振图像自动分类方法及装置，属于医学图像处理领域，该方法包括以下步骤:获取不同类别受试者的核磁共振图像；对核磁共振图像进行预处理，得到训练数据集、验证数据集和测试数据集；构建的MDCLSTM‑LDenseNet网络模型进行训练；将测试数据集输入到训练完成后的MDCLSTM‑LDenseNet网络模型进行测试；得到认知正常、轻度认知障碍和阿尔茨海默病三类受试者核磁共振图像的分类结果和MDCLSTM‑LDenseNet网络模型的分类准确率，本方法及装置对所用数据集进行严格划分，避免出现数据泄露的情况，即训练数据集、验证数据集和测试数据集之间不存在交集，保证了认知正常、轻度认知障碍和阿尔茨海默病分类结果的可靠性，本方法得到的分类准确率更高，漏诊率和误诊率都更低，可以更有效可靠的辅助医生对阿尔茨海默病进行诊断。

【技术实现步骤摘要】
一种基于MDCLSTM-LDenseNet网络的核磁共振图像自动分类方法及装置
本专利技术涉及医学图像处理领域，尤其涉及一种基于MDCLSTM-LDenseNet网络的核磁共振图像自动分类方法及装置。
技术介绍
阿尔茨海默病(Alzheimer’sdisease，AD)，也称老年痴呆症，是一种不可逆的大脑神经退行性疾病。AD高发于老年人群，患者常伴有记忆力衰退和认知障碍等症状，直至丧失日常生活能力。阿尔茨海默病的临床诊断，主要是根据医学图像和临床指标进行诊断。基于医学图像的诊断中，医生通过观察大脑相关区域的形态，尤其是海马体、杏仁核等区域的形态信息进行诊断；基于临床指标的诊断中，医生通过测定脑脊液的生物标志物，结合认知功能量表进行诊断。通常，阿尔茨海默病的诊断可以看作一个分类问题，即判断一个受试者是属于认知正常、轻度认知障碍和阿尔茨海默病中的哪一类。目前，核磁共振成像(MagneticResonanceImaging，MRI)已被广泛应用于阿尔茨海默病的临床诊断中。MRI是由一系列2D切片图像组成的3D图像，它具有高分辨率、高对比度及软组织分辨能力强等特点，为阿尔茨海默病的诊断提供了有力的帮助。通常,利用MRI对阿尔茨海默病进行诊断的传统方法包括特征提取和分类。特征提取侧重设计有效的图像特征，如LBP和HOG特征等；而分类则是对提取的特征进行判别，如随机森林和支持向量机等，由于传统方法中的特征是手工设计提取的，这不仅需要专业医学知识、花费大量人力成本，而且特征提取和分类是独立的两个阶段，很难一起优化。上述问题的一个解决方案是采用基于深度学习的方法，利用深度学习技术对阿尔茨海默病进行诊断并不简单：首先，普遍的深度学习方法被广泛用于自然图像处理，而医学图像与自然图像有较大差异；其次，MRI是3D图像，需要考虑其内部切片之间的连续变化信息，特别是病灶区域的连续信息；最后，卷积神经网络通常具有较复杂的结构和巨大的参数量，而阿尔茨海默病数据集规模小，容易出现过拟合现象。
技术实现思路
根据现有技术存在的问题，本专利技术公开了一种基于MDCLSTM-LDenseNet网络的核磁共振图像自动分类方法，包括以下步骤:S1:获取不同类别受试者的核磁共振图像；S2:对核磁共振图像进行预处理，得到训练数据集、验证数据集和测试数据集；S3:以DenseNet-121网络为基础，结合空洞卷积和ConvLSTM模型构建的MDCLSTM-LDenseNet网络模型；S4:将训练数据集输入MDCLSTM-LDenseNet网络模型进行训练，利用验证数据集对MDCLSTM-LDenseNet网络模型的超参数进行调整，得到训练完成后的MDCLSTM-LDenseNet网络模型；S5:将测试数据集输入到训练完成后的MDCLSTM-LDenseNet网络模型进行测试；得到核磁共振图像对应的受试者的分类结果和MDCLSTM-LDenseNet网络模型的分类准确率。进一步地:所述对核磁共振图像进行预处理的过程如下：S2-1:将核磁共振图像进行头部校正、配准和分割操作，得到脑灰质、脑白质和脑脊液三种图像；S2-2:对脑灰质图像进行空间标准化和高斯平滑操作，得到处理后脑灰质图像；S2-3:对处理后脑灰质图像进行划分，得到训练数据集、验证数据集和测试数据集；S2-4:分别对训练数据集、验证数据集和测试数据集进行数据扩充，得到数据扩充后的训练数据集、验证数据集和测试数据集。进一步地:所述构建的MDCLSTM-LDenseNet网络模型的过程如下：S3-1:以DenseNet-121网络为基础，将DenseNet-121网络扩展至3D-DenseNet-121网络，减少所述3D-DenseNet-121网络的密集块数量，减少剩余的密集块中的卷积层数量，将第三个密集块的输出连接到全局池化层，将全局池化层的输出连接到输出层，得到3D轻型密集卷积网络；S3-2:在所述3D轻型密集卷积网络的相邻密集块之间加入空洞卷积和卷积长短时记忆网络，组成MDCLSTM-LDenseNet网络模型。进一步地：包括图像获取单元、图像预处理单元、网络搭建单元和图像分类单元；所述图像获取单元获取不同类别受试者的脑部核磁共振图像；所述图像预处理单元将所述图像获取单元获取不同类别受试者的脑部核磁共振图像进行预处理，得到训练数据集、验证数据集和测试数据集；所述网络搭建单元将所述图像预处理单元得到的训练数据集输入构建的MDCLSTM-LDenseNet网络模型进行训练，利用所述图像预处理单元得到的验证数据集对MDCLSTM-LDenseNet网络模型的超参数进行调整，得到训练完成后的MDCLSTM-LDenseNet网络模型；所述图像分类单元将所述预处理单元得到的测试数据集输入到所述网络搭建单元中得到的MDCLSTM-LDenseNet网络模型进行测试；得到核磁共振图像对应的受试者的分类结果和MDCLSTM-LDenseNet网络模型的分类准确率。由于采用了上述技术方案，本专利技术提供的一种基于MDCLSTM-LDenseNet网络的核磁共振图像自动分类方法及装置，该方法将特征提取和分类统一整合，组成一个端到端的深度神经网络进行训练，通过将DenseNet-121网络扩展至3D-DenseNet-121网络，在得到3D轻型密集卷积网络的相邻密集块之间加入空洞卷积和卷积长短时记忆网络，组成MDCLSTM-LDenseNet网络模型；不但增强了多尺度空间特征的提取，也增强了对于切片间连续变化信息的学习，并将两种信息进行融合，增强了网络对于病灶区域的学习能力；本方法在对所用数据集进行严格划分，避免出现数据泄露的情况，即训练数据集、验证数据集和测试数据集之间不存在交集，保证了认知正常、轻度认知障碍和阿尔茨海默病分类结果的可靠性，本方法得到的分类准确率更高，漏诊率和误诊率都更低，可以更有效可靠的辅助医生对阿尔茨海默病进行诊断。附图说明为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为方法流程图；图2为MDCLSTM-LDenseNet网络模型图；图3为MDCLSTM-LDenseNet网络模型中的密集块结构图；图4为MDCLSTM-LDenseNet网络模型中的MDCLSTM结构图。具体实施方式为使本专利技术的技术方案和优点更加清楚，下面结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚完整的描述：图1为方法流程图，一种基于MDCLSTM-LDenseNet网络的核磁共振图像自动分类方法:包括以下步骤:S1:获取认知正常、轻度认知障碍和阿尔茨海默病三类本文档来自技高网...

【技术保护点】
1.一种基于MDCLSTM-LDenseNet网络的核磁共振图像自动分类方法，其特征在于:包括以下步骤:/nS1:获取不同类别受试者的核磁共振图像；/nS2:对核磁共振图像进行预处理，得到训练数据集、验证数据集和测试数据集；/nS3:以DenseNet-121网络为基础，结合空洞卷积和ConvLSTM模型构建的MDCLSTM-LDenseNet网络模型；/nS4:将训练数据集输入MDCLSTM-LDenseNet网络模型进行训练，利用验证数据集对MDCLSTM-LDenseNet网络模型的超参数进行调整，得到训练完成后的MDCLSTM-LDenseNet网络模型；/nS5:将测试数据集输入到训练完成后的MDCLSTM-LDenseNet网络模型进行测试；得到核磁共振图像的分类结果和MDCLSTM-LDenseNet网络模型的分类准确率。/n

【技术特征摘要】
1.一种基于MDCLSTM-LDenseNet网络的核磁共振图像自动分类方法，其特征在于:包括以下步骤:
S1:获取不同类别受试者的核磁共振图像；
S2:对核磁共振图像进行预处理，得到训练数据集、验证数据集和测试数据集；
S3:以DenseNet-121网络为基础，结合空洞卷积和ConvLSTM模型构建的MDCLSTM-LDenseNet网络模型；
S4:将训练数据集输入MDCLSTM-LDenseNet网络模型进行训练，利用验证数据集对MDCLSTM-LDenseNet网络模型的超参数进行调整，得到训练完成后的MDCLSTM-LDenseNet网络模型；
S5:将测试数据集输入到训练完成后的MDCLSTM-LDenseNet网络模型进行测试；得到核磁共振图像的分类结果和MDCLSTM-LDenseNet网络模型的分类准确率。


2.根据权利要求所述的一种基于MDCLSTM-LDenseNet网络的核磁共振图像自动分类方法,其特征还在于:所述对核磁共振图像进行预处理的过程如下：
S2-1:将核磁共振图像进行头部校正、配准和分割操作，得到脑灰质、脑白质和脑脊液三种图像；
S2-2:对脑灰质图像进行空间标准化和高斯平滑操作，得到处理后脑灰质图像；
S2-3:对处理后脑灰质图像进行划分，得到训练数据集、验证数据集和测试数据集；
S2-4:分别对训练数据集、验证数据集和测试数据集进行数据扩充，得到数据扩充后的训练数据集、验证数据集和测试数据集。


3.根据权利要求所述的一种基于MDCLSTM-LDenseNet网络的核磁...

【专利技术属性】
技术研发人员：王琳，韩森，
申请(专利权)人：大连海事大学，
类型：发明
国别省市：辽宁;21