MRI图像的分类诊断系统、方法、电子设备及介质技术方案

本发明专利技术实施例公开了一种MRI图像的分类诊断系统、方法、电子设备及介质，MRI图像的分类诊断方法包括：获取原始脑肿瘤MRI图像数据集；对所述原始脑肿瘤MRI图像数据集中的原始脑肿瘤MRI图像进行特征提取得到特征数据；构建深度可分离卷积神经网络模型；基于所述特征数据训练所述深度可分离卷积神经网络模型，在训练过程中通过贝叶斯框架基于先验概率分布对后验概率分布进行迭代估计，得到优化后的所述深度可分离卷积神经网络模型，所述深度可分离卷积神经网络模型用于对脑肿瘤MRI图像进行分类诊断。该MRI图像的分类诊断方法改善了现有技术中对脑肿瘤MRI图像进行分类诊断的模型训练过程所需时间较多的问题。过程所需时间较多的问题。过程所需时间较多的问题。

【技术实现步骤摘要】
MRI图像的分类诊断系统、方法、电子设备及介质


[0001]本专利技术涉及计算机
，具体涉及一种MRI图像的分类诊断系统、方法、电子设备及介质。

技术介绍

[0002]脑肿瘤是由于在大脑内部或周围形成大量异常细胞引起的，如果不进行及时的检查和治疗，会严重影响患者的大脑处理功能和整体健康状态，相比于其他影像技术，核磁共振影像（magnetic resonance imaging,MRI）对软组织具有更好的分辨率，是识别和诊断脑肿瘤的最常用技术。随着人工智能技术在医学影像分析中的应用普及，目前已经开发出一些算法能够通过非侵入性影像检查手段来准确分类肿瘤类型和分级的。深度强化学习(Deep Reinforcement Learning, DRL)通过将强化学习与深度神经网络结合起来，使其适用于处理更复杂的问题，已应用于MRI图像重建等医学领域。
[0003]然而，DRL算法需要通过大量数据、大量计算进行学习，其样本效率较低，计算成本较高，且倾向于对所提供的信息进行精简，与其他深度学习算法相比，DRL算法的模型训练过程所需要花费的时间更多。
[0004]此外，其他强化学习模型和卷积神经网络（Convolutional Neural Network，CNN）模型存在的普遍性问题包括训练不稳定性、模型干扰、采样效率低、实时推断和延迟奖励函数等。

技术实现思路

[0005]本专利技术实施例的目的在于提供一种MRI图像的分类诊断系统、方法、电子设备及介质，用以解决现有技术中对脑肿瘤MRI图像进行分类诊断的模型训练过程所需时间较多的问题。
[0006]为实现上述目的，本专利技术实施例提供一种MRI图像的分类诊断方法，所述方法具体包括：获取原始脑肿瘤MRI图像数据集；对所述原始脑肿瘤MRI图像数据集中的原始脑肿瘤MRI图像进行特征提取得到特征数据；构建深度可分离卷积神经网络模型；基于所述特征数据训练所述深度可分离卷积神经网络模型，在训练过程中通过贝叶斯框架基于先验概率分布对后验概率分布进行迭代估计，得到优化后的所述深度可分离卷积神经网络模型，所述深度可分离卷积神经网络模型用于对脑肿瘤MRI图像进行分类诊断。
[0007]在上述技术方案的基础上，本专利技术还可以做如下改进：进一步地，所述获取原始脑肿瘤MRI图像数据集，包括：对所述原始脑肿瘤MRI图像数据集中的原始脑肿瘤MRI图像进行预处理得到预处
理图像；其中，所述预处理包括：将原始脑肿瘤MRI图像转换为所需输入格式，并对所述原始脑肿瘤MRI图像进行数据清理和数据增强；通过模糊C均值聚类算法对所述原始脑肿瘤MRI图像进行偏置场校正后，对所述原始脑肿瘤MRI图像进行图像配准。
[0008]进一步地，所述对所述原始脑肿瘤MRI图像数据集中的原始脑肿瘤MRI图像进行特征提取得到特征数据，包括：对所述预处理图像进行特征提取，其中，所述特征提取包括肿瘤区域提取和带有真实值的掩模肿瘤提取。
[0009]进一步地，所述构建深度可分离卷积神经网络模型，包括：所述深度可分离卷积神经网络模型包括若干个卷积层，基于所述卷积层结合逐点卷积和深度卷积，构成深度可分离卷积，使用深度可分离卷积来限制输出通道和内核之间的关系。
[0010]进一步地，所述基于所述特征数据训练所述深度可分离卷积神经网络模型,包括:基于所述原始脑肿瘤MRI图像数据集划分训练集和验证集；基于所述训练集训练所述深度可分离卷积神经网络模型；基于所述验证集对训练好的所述深度可分离卷积神经网络模型进行性能评估，得到满足性能条件的深度可分离卷积神经网络模型。
[0011]一种MRI图像的分类诊断系统，包括：获取模块，用于获取原始脑肿瘤MRI图像数据集；特征提取模块，用于对所述原始脑肿瘤MRI图像数据集中的原始脑肿瘤MRI图像进行特征提取得到特征数据；构建模块，用于构建深度可分离卷积神经网络模型；训练模块，用于基于所述特征数据训练所述深度可分离卷积神经网络模型，在训练过程中通过贝叶斯框架基于先验概率分布对后验概率分布进行迭代估计，得到优化后的所述深度可分离卷积神经网络模型；所述深度可分离卷积神经网络模型用于对脑肿瘤MRI图像进行分类诊断。
[0012]进一步地，所述MRI图像的分类诊断系统还包括预处理模块；所述预处理模块用于对所述原始脑肿瘤MRI图像数据集中的原始脑肿瘤MRI图像进行预处理得到预处理图像；其中，所述预处理包括：将原始脑肿瘤MRI图像转换为所需输入格式，并对所述原始脑肿瘤MRI图像进行数据清理和数据增强；通过模糊C均值聚类算法对所述原始脑肿瘤MRI图像进行偏置场校正后，对所述原始脑肿瘤MRI图像进行图像配准。
[0013]进一步地，所述特征提取模块还用于：对所述预处理图像进行特征提取，其中，所述特征提取包括肿瘤区域提取和带有真实值的掩模肿瘤提取。
[0014]一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如所述方法的步骤。
[0015]一种非暂态计算机可读介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述方法的步骤。
[0016]本专利技术实施例具有如下优点：本专利技术中的MRI图像的分类诊断方法，获取原始脑肿瘤MRI图像数据集；对所述原始脑肿瘤MRI图像数据集中的原始脑肿瘤MRI图像进行特征提取得到特征数据；构建深度可分离卷积神经网络模型；基于所述特征数据训练所述深度可分离卷积神经网络模型，在训练过程中通过贝叶斯框架基于先验概率分布对后验概率分布进行迭代估计，得到优化后的所述深度可分离卷积神经网络模型，所述深度可分离卷积神经网络模型用于对脑肿瘤MRI图像进行分类诊断；解决了现有技术中对脑肿瘤MRI图像进行分类诊断的模型训练过程所需时间较多的问题。
附图说明
[0017]为了更清楚地说明本专利技术的实施方式或现有技术中的技术方案，下面将对实施方式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示例性的，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，还可以根据提供的附图引伸获得其它的实施附图。
[0018]本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本专利技术可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本专利技术所能产生的功效及所能达成的目的下，均应仍落在本专利技术所揭示的
技术实现思路
得能涵盖的范围内。
[0019]图1为本专利技术MRI图像的分类诊断方法的流程图；图2为本专利技术MRI图像的分类诊断系统的第一架构图；图3为本专利技术MRI图像的分类诊断系统的第二架构图；图4为本专利技术深度可分离卷积神经网络结构示意图；图5为本专利技术提供的电子设备实体结构示意图。
[0020]其中附图标记为：获取模块10，特征提取模块20，构建模块30，训练模块40，预处理模块50，电子设备60，处理器601，存储器602，总线603。...

【技术保护点】

【技术特征摘要】
1.一种MRI图像的分类诊断方法，其特征在于，所述方法具体包括：获取原始脑肿瘤MRI图像数据集；对所述原始脑肿瘤MRI图像数据集中的原始脑肿瘤MRI图像进行特征提取得到特征数据；构建深度可分离卷积神经网络模型；基于所述特征数据训练所述深度可分离卷积神经网络模型，在训练过程中通过贝叶斯框架基于先验概率分布对后验概率分布进行迭代估计，得到优化后的所述深度可分离卷积神经网络模型，所述深度可分离卷积神经网络模型用于对脑肿瘤MRI图像进行分类诊断。2.根据权利要求1所述的MRI图像的分类诊断方法，其特征在于，所述获取原始脑肿瘤MRI图像数据集，包括：对所述原始脑肿瘤MRI图像数据集中的原始脑肿瘤MRI图像进行预处理得到预处理图像；其中，所述预处理包括：将原始脑肿瘤MRI图像转换为所需输入格式，并对所述原始脑肿瘤MRI图像进行数据清理和数据增强；通过模糊C均值聚类算法对所述原始脑肿瘤MRI图像进行偏置场校正后，对所述原始脑肿瘤MRI图像进行图像配准。3.根据权利要求2所述的MRI图像的分类诊断方法，其特征在于，所述对所述原始脑肿瘤MRI图像数据集中的原始脑肿瘤MRI图像进行特征提取得到特征数据，包括：对所述预处理图像进行特征提取，其中，所述特征提取包括肿瘤区域提取和带有真实值的掩模肿瘤提取。4.根据权利要求1所述的MRI图像的分类诊断方法，其特征在于，所述构建深度可分离卷积神经网络模型，包括：所述深度可分离卷积神经网络模型包括若干个卷积层，基于所述卷积层结合逐点卷积和深度卷积，构成深度可分离卷积，使用深度可分离卷积来限制输出通道和内核之间的关系。5.根据权利要求1所述的MRI图像的分类诊断方法，其特征在于，所述基于所述特征数据训练所述深度可分离卷积神经网络模型,包括:基于所述原始脑肿瘤MRI图像数据集划分训练集和验证集；基于所述训练集训练所述深度可分离卷积...

【专利技术属性】
技术研发人员：刘伟奇，马学升，陈金钢，赵友源，陈韵如，
申请(专利权)人：同心智医科技北京有限公司，
类型：发明
国别省市：