基于残差神经网络的医学图像分类系统技术方案

本发明专利技术提供一种基于残差神经网络的医学图像分类系统，涉及医学图像处理技术领域，包括：图像获取模块，被配置为获取待分类的大脑磁共振图像；预处理模块，被配置为对大脑磁共振图像进行图像预处理，得到多个感兴趣区域图像块；概率提取模块，被配置为利用预先构建的患病概率提取网络分别确定出多个感兴趣区域图像块对应的患病概率，根据各感兴趣区域图像块中感兴趣区域对应的区域权重和患病概率，确定个体患病概率；分类模块，被配置为根据个体患病概率，确定大脑磁共振图像所属的类别。该系统适用于对临床工作中获取的低维医学图像的分类，提高低维医学图像分类的准确性。提高低维医学图像分类的准确性。提高低维医学图像分类的准确性。

【技术实现步骤摘要】
基于残差神经网络的医学图像分类系统


[0001]本专利技术涉及医学图像处理
，尤其涉及一种基于残差神经网络的医学图像分类系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成已经成为本领域一般技术人员所公知的现有技术。
[0003]在医学图像处理领域中，计算机辅助分析筛查人群的磁共振成像(Magnetic Resonance Imaging，MRI)能够为医护人员对疾病的预测和分型提供重要参考，例如通过计算机对MRI进行分类，是阿尔兹海默症（Alzheimer s disease，AD）诊断和分型的常用手段。MRI的测量有许多优点，如它不使用电离辐射，无创，且更便宜，在大多数医疗环境中更广泛的传播。现阶段，对AD患者分类的方法中，通常将机器学习方法应用于MRI结构，包括支持向量机(support vector machines，SVM)是目前最常用的机器学习方法，支持向量机从MRI中提取高维信息特征，建立医学图像的分类模型。
[0004]与传统的机器学习方法相比，深度学习算法具有明显的优势，例如，可以从原始图像中自动得到数据的最优表示，而不需要预先进行特征选择。但是，深度学习算法适用于处理大规模且高维的医学影像数据，而对于临床工作中获取的低维的医学图像，很难保证分类结果的准确性。

技术实现思路

[0005]为了解决上述问题，本专利技术提供一种基于残差神经网络的医学图像分类系统，通过将待分类的大脑磁共振图像分成多个感兴趣区域图像块，并针对每个感兴趣区域图像块分别进行处理，得到最终的分类结果，以适用于对临床工作中获取的低维医学图像的分类，确保分类结果的准确性。
[0006]本专利技术主要包括以下技术方案：本专利技术实施例提供一种基于残差神经网络的医学图像分类系统，其特征在于，包括：图像获取模块，被配置为获取待分类的大脑磁共振图像；预处理模块，被配置为对所述大脑磁共振图像进行图像预处理，得到多个感兴趣区域图像块；概率提取模块，被配置为利用预先构建的患病概率提取网络分别确定出多个所述感兴趣区域图像块对应的患病概率，根据各感兴趣区域图像块中感兴趣区域对应的区域权重和患病概率，确定个体患病概率；其中，所述患病概率提取网络是基于残差神经网络构建的；分类模块，被配置为根据所述个体患病概率，确定所述大脑磁共振图像所属的类别。
[0007]在一种可能的实施方式中，对所述大脑磁共振图像进行图像预处理，得到多个感兴趣区域图像块，包括：对所述大脑磁共振图像进行前连合
‑
后连合校正，然后进行去颅骨和组织分割，得到灰质图像；将分割出的灰质图像进行双样本t检验，得到多个差异点坐标；以多个所述差异点坐标为中心提取特定大小的感兴趣区域图像块。
[0008]在一种可能的实施方式中，所述患病概率提取网络包括依次连接的输入模块、残差特征提取模块和判断模块；所述输入模块用于对感兴趣区域图像块进行下采样，输出得到预设维度的特征图；所述残差特征提取模块用于提取所述特征图的深层结构特征；所述判断模块用于根据所述深层结构特征确定感兴趣模块对应的患病概率。
[0009]在一种可能的实施方式中，所述残差特征提取模块由多个残差结构连接而成，用于提取特征图的深层结构特征。
[0010]在一种可能的实施方式中，每个残差结构包括两条通路，其中一条通路为依次连接的第一卷积层、第一归一化层、激活函数层、第二卷积层和第二归一化层；另一条通路为依次连接的第三卷积层和第三归一化层，最后通过相加层将两条通路取和；特征图经过两条通路分别提取出不同尺度的结构特征，并通过相加得到深层结构特征。
[0011]在一种可能的实施方式中，所述深层结构特征包括体素灰度值和边缘形态。
[0012]在一种可能的实施方式中，在所述输入模块中，感兴趣区域图像块依次经过数据输入层、卷积层、归一化层和激活函数层进行下采样，得到预设维度的特征图。
[0013]在一种可能的实施方式中，在所述判断模块中，所述深层结构特征经过池化操作，并经过全连接层处理，得到感兴趣模块对应的患病概率。
[0014]在一种可能的实施方式中，所述个体患病概率的确定方式包括：将每个感兴趣区域的患病概率分别与其区域权重相乘得到加权概率，并将多个加权概率的和值作为最终的个体患病概率。
[0015]在一种可能的实施方式中，所述分类模块被配置为根据个体患病概率与预设阈值的比较结果，确定大脑磁共振图像所属的类别。
[0016]以上技术方案存在以下有益效果：本专利技术提供一种基于残差神经网络的医学图像分类系统，包括图像获取模块、预处理模块、概率提取模块和分类模块，通过获取大脑磁共振图像的多个感兴趣区域图像块，并根据单个感兴趣区域图像块确定患病概率，结合其感兴趣区域对应的区域权重，确定个体患病概率，根据个体患病概率确定大脑磁共振图像所属的类别，该方法适用于对临床工作中获取的低维医学图像的分类，提高低维医学图像分类的准确性；并且，在患病概率提取过程中，感兴趣区域图像块分别经过输入模块使输入数据拟合网络，经过残差模块的三重残差结构可以充分地提取出感兴趣区域图像的深度特征，并且经过判断模块增加特征的线性表达能力以及得到该感兴趣区域的患病概率，从而有利于更加准确地对医学图像进行分类。
附图说明
[0017]构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示
意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。
[0018]图1是本专利技术实施例一所提供的基于残差神经网络的医学图像分类系统的结构示意图；图2是本专利技术实施例一所提供的基于残差网络TR
‑
Net与集成分类的医学图像分类方法的流程示意图；图3是本专利技术实施例一所提供的TR
‑
Net网络的结构示意图。
具体实施方式
[0019]下面结合附图与实施例对本专利技术作进一步说明。
[0020]应该指出，以下详细说明都是示例性的，旨在对本专利技术提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本专利技术所属
的普通技术人员通常理解的相同含义。
[0021]需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本专利技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0022]请参阅图1，本专利技术实施例提供基于残差神经网络的医学图像分类系统，所述医学图像分类系统100包括：图像获取模块110，被配置为获取待分类的大脑磁共振图像；预处理模块120，被配置为对所述大脑磁共振图像进行图像预处理，得到多个感兴趣区域图像块；概率提取模块130，被配置为利用预先构建的患病概率提取网络分别确定出多个所述感兴趣区域图像块对应的患病概率，根据各感兴趣区域图像块中感兴趣区域对应的区域权重和患病本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于残差神经网络的医学图像分类系统，其特征在于，包括：图像获取模块，被配置为获取待分类的大脑磁共振图像；预处理模块，被配置为对所述大脑磁共振图像进行图像预处理，得到多个感兴趣区域图像块；概率提取模块，被配置为利用预先构建的患病概率提取网络分别确定出多个所述感兴趣区域图像块对应的患病概率，根据各感兴趣区域图像块中感兴趣区域对应的区域权重和患病概率，确定个体患病概率；其中，所述患病概率提取网络是基于残差神经网络构建的；分类模块，被配置为根据所述个体患病概率，确定所述大脑磁共振图像所属的类别。2.如权利要求1所述的基于残差神经网络的医学图像分类系统，其特征在于，对所述大脑磁共振图像进行图像预处理，得到多个感兴趣区域图像块，包括：对所述大脑磁共振图像进行前连合
‑
后连合校正，然后进行去颅骨和组织分割，得到灰质图像；将分割出的灰质图像进行双样本t检验，得到多个差异点坐标；以多个所述差异点坐标为中心提取特定大小的感兴趣区域图像块。3.如权利要求1所述的基于残差神经网络的医学图像分类系统，其特征在于，所述患病概率提取网络包括依次连接的输入模块、残差特征提取模块和判断模块；所述输入模块用于对感兴趣区域图像块进行下采样，输出得到预设维度的特征图；所述残差特征提取模块用于提取所述特征图的深层结构特征；所述判断模块用于根据所述深层结构特征确定感兴趣模块对应的患病概率。4.如权利要求3所述的基于残差神经网络的医学图像分类系统，其特征在...

【专利技术属性】
技术研发人员：李安宁，张默文，乔建苹，王胜军，赵梦，王宁宁，王会君，
申请(专利权)人：山东大学齐鲁医院，
类型：发明
国别省市：