基于通道注意力深度学习的医学图像分类系统技术方案

本发明专利技术公开了基于通道注意力深度学习的医学图像分类系统，包括：获取模块，其被配置为：获取待分类的大脑结构磁共振成像，对获取图像进行图像分割得到待分类灰质图像；判断模块，其被配置为：对待分类灰质图像与已知健康对照组图像进行检验操作，判断出两组图像之间是否存在显著性差异，统计出具有显著性差异的体素坐标；特征表示模块，其被配置为：基于具有显著性差异的体素坐标，构建图像的特征表示；图像分类模块，其被配置为：对图像的特征表示，采用训练后的分类器进行分类，得到图像分类结果。基于对原始sMRI图像预处理提取特征结合深度卷积神经网络提高预测分类的性能。度卷积神经网络提高预测分类的性能。度卷积神经网络提高预测分类的性能。

【技术实现步骤摘要】
基于通道注意力深度学习的医学图像分类系统


[0001]本专利技术涉及医学图像分类
，特别是涉及基于通道注意力深度学习的医学图像分类系统。

技术介绍

[0002]本部分的陈述仅仅是提到了与本专利技术相关的
技术介绍
，并不必然构成现有技术。
[0003]结构磁共振成像(sMRI，Structural Magnetic Resonance Imaging)已被用于无创检测脑萎缩过程中大脑结构的改变。现有基于结构磁共振成像的计算机辅助诊断任务方法通常包含三个基本步骤:(1)确定感兴趣区域(ROI)，(2)提取特征，(3)构建分类模型。在分类模型构建领域，机器学习技术旨在识别诊断阿尔茨海默病的神经影像学生物标志物，如支持向量机、logistic回归等。然而，这些方法普遍存在一些缺点，制约了诊断性能的提高。深度卷积神经网络(DCNN Deep convolutional neural networks)方法在提取最合适的鉴别特征的过程中可以减少人工专业知识的限制，已经被用于解决复杂的医学诊断问题。卷积神经网络(CNN，Convolutional本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于通道注意力深度学习的医学图像分类系统，其特征是，包括：获取模块，其被配置为：获取待分类的大脑结构磁共振成像，对获取图像进行图像分割得到待分类灰质图像；判断模块，其被配置为：对待分类灰质图像与已知健康对照组图像进行检验操作，判断出两组图像之间是否存在显著性差异，统计出具有显著性差异的体素坐标；特征表示模块，其被配置为：基于具有显著性差异的体素坐标，构建图像的特征表示；图像分类模块，其被配置为：对图像的特征表示，采用训练后的分类器进行分类，得到图像分类结果。2.如权利要求1所述的基于通道注意力深度学习的医学图像分类系统，其特征是，所述对获取图像进行图像分割得到待分类灰质图像；具体包括：对获取图像，进行AC
‑
PC校正；对AC
‑
PC校正后的图像进行去噪处理；对去噪处理后的图像进行偏差校正；对偏差校正后的图像进行组织分割；对组织分割后的图像进行空间标准化处理；对空间标准化处理后的图像进行调制处理。3.如权利要求2所述的基于通道注意力深度学习的医学图像分类系统，其特征是，AC
‑
PC:为前连合后缘中点至后连合前缘中点的连线，又称AC
‑
PC线；偏差校正，是指消除由于扫描仪磁场强度的不均导致MR图像上的亮度差异；组织分割，是指将校正后的图像分割出灰质和白质两种脑组织的图像；空间标准化处理，是指，将图像标准化到大小为121
×
145
×
121的MNI空间，空间标准化是将所有图像与标准模板进行维度，原点，体素大小进行对齐。4.如权利要求1所述的基于通道注意力深度学习的医学图像分类系统，其特征是，所述对待分类灰质图像与已知健康对照组图像进行检验操作，判断出两组图像之间是否存在显著性差异，统计出具有显著性差异的体素坐标；具体包括：对待分类灰质图像与已知健康对照组图像进行双样本t检验操作，通过t分布理论预测差异发生的概率，从而判断出两组图像之间是否存在显著性差异，统计出具有显著性差异的体素坐标。5.如权利要求1所述的基于通道注意力深度学习的医学图像分类系统，其特征是，所述基于具有显著性差异的体素坐标，构建图像的特征表示；具体包括：从灰质图像中具有显著性差异的体素坐标处提取出X
×
Y
×
Z的3D图像，并且将所有图像块拼接作为图像的特征表示；其中，X表示3D图像的长，Y表示3D图像的宽，Z表示3D图像的高；X,Y和Z的取值均为20体素。6.如权利要求1所述的基于通道注意力深度学习的医学图像分类系统，其特征是，所述对图...

【专利技术属性】
技术研发人员：乔建苹，张默文，齐慧超，
申请(专利权)人：山东师范大学，
类型：发明
国别省市：