改进GoogLeNet神经网络下多模态医学图像分类方法技术

本发明专利技术提供了一种改进GoogLeNet神经网络下多模态医学图像分类方法，对基于双模态影像MRI、PET生物特征进行训练提取特征并分类，在GoogLeNet模型的基础上进行修改，保持模型深度和宽度的前提下，提高网络特征提取性能，也更充分适应医学影像固有高维属性；由于双模态医学影像数据量的局限性，发明专利技术采用数据扩增方法，扩大数据样本数量，有效防止由于样本量的局限所带来的过拟合问题。最后通过双模态影像的分类结果，结合皮尔逊积矩相关系数PPMCC，以及临床评估数据MMSE表和CDR表来对NC、MCI、SMCI、PMCI以及AD阶段进行综合分类评估并分析出ROC曲线。本发明专利技术提高了分类效率和精度。本发明专利技术提高了分类效率和精度。本发明专利技术提高了分类效率和精度。

【技术实现步骤摘要】
改进GoogLeNet神经网络下多模态医学图像分类方法


[0001]本专利技术属于医学影像特征的深度学习领域，尤其涉及到一种改进GoogLeNet神经网络下多模态医学图像分类方法。

技术介绍

[0002]随着医学影像技术的不断发展，核磁共振图像(Magnetic Resonance Imaging，MRI)、正电子发射型计算机断层显像(Positron Emission Computed Tomography，PET)、计算机断层扫描(Computed Tomography,CT)等各种影像清晰度和分辨率不断得到提升，这些手段的运用，对于阿尔兹海默病的诊断带来重要作用。
[0003]深度学习起源于神经网络，深度学习属于机器学习的一个分支，近些年来得到非常广泛的发展和应用。网络由多个单层而非线性的网络叠加而成，模型依赖于层与层的关系，卷积层和池化层交替出现，下一层被视为上一层的更高级的抽象。深度学习的模型深度和大量的模型参数，具备训练海量数据的优秀特性。采用深层次模型训练数据，实现复杂函数的逼近，最终实现对应影像分类并输出。
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种改进GoogLeNet神经网络下多模态医学图像分类方法，其特征在于，包括以下步骤：步骤1：获取不同类别的多模态三维影像；步骤2：构建改进的GoogLeNet卷积神经网络作为神经网络分类模型；步骤3：将获取的影像数据随机打乱顺序，生成批次；步骤4：将具有标签标注的样本数据进行预处理操作，准备好样本数据和测试数据样本，统一样本尺寸；步骤5：对神经网络分类模型进行参数优化，获取优化的网络模型参数，保存网络模型；步骤6：以获得的两种模态影像生物标记物作为步骤5生产的网络模型之输入，以不同类别作为分类结果输出；步骤7：将预处理后的数据送入训练优化好的神经网络分类模型中，通过神经网络分类模型的分类器做出分类并输出分类结果；步骤8：对经最后全连接层和SoftMax层，输出双模态分类结果后，结合MMSE表和CDR表生物学标记做出最终分类情况；所述步骤2中构建改进的GoogLeNet卷积神经网络作为分类模型，以GoogLeNet模型为基础，对网络进行调整，将原有的22层的网络深度缩减为19层，包含了18个卷积层和1个全连接层，去除了2个Inception模块，仅保留了7个Inception模块，同时保留了一层SoftMax层，其中通过卷积层对影像特征进行提取，网络模型中卷积运算求解式为：其中，是l层输入的特征图，M
j
是输入特征图的集合，表示与输入特征图对应的卷积核，表示的是第j个特征图的偏置。*为卷积计算，f(.)为激活函数。2.根据权利要求1所述的改进GoogLeNet神经网络下多模态医学图像分类方法，其特征在于，所述步骤1中的三维影像为多模态医学影像数据，包含核磁共振图像、正电子发射型计算机断层显像两种模态的图像，输出五种类别，分别是正常对照组、第一异常组、第二异常组、第三异常组和第四异常组。3.根据权利要求1所述的改进GoogLeNet...

【专利技术属性】
技术研发人员：徐文龙，楚阳，李霞，
申请(专利权)人：中国计量大学，
类型：发明
国别省市：