基于LBP提取和TCNN神经网络的脑部纹理分析方法技术

本发明专利技术公开了基于LBP提取和TCNN神经网络的脑部纹理分析方法，将MRI影像使用MIPAV软件进行预处理，将预处理后的影像配准到标准脑模板空间MNI上，使用Min

【技术实现步骤摘要】
基于LBP提取和TCNN神经网络的脑部纹理分析方法


[0001]本专利技术涉及图像处理领域，具体涉及一种基于LBP提取和TCNN神经网络的脑部纹理分析方法。

技术介绍

[0002]纹理是物体表面固有的一种特性，图像中的区域常体现出纹理性质。近年来，随着神经影像学技术的不断发展和脑科学的深入研究，脑部纹理分析成为了一个备受关注的热门领域。脑部纹理是指脑组织内部的纹理特征，包括了皮层表面形态、灰质
‑
白质交界面等方面的特征。脑部纹理分析的研究旨在探索不同脑部结构的纹理特征之间差异性，从而为生物学研究、神经科学研究提供基础性支持。
[0003]然而，传统的脑部纹理分析方法存在一些问题，如处理效率低下、计算复杂度高、提取特征不全面等。近年来基于深度学习的方法逐渐成为了研究热点。卷积神经网络(CNN)作为深度学习中的一种重要方法，在图像识别、分类等方面已经取得了显著的成功，并逐渐应用到了脑部纹理分析领域，但CNN的池化层会丢失大量有价值信息，忽略局部与整体之间关联性，从而降低了检测的准确率。而Transformer的多头注意力特本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于LBP提取和TCNN神经网络的脑部纹理分析方法，其特征在于，包括如下步骤S1
‑
步骤S5，完成脑部结构磁共振影像中的纹理提取和分类：步骤S1：采集脑部结构磁共振影像，使用MIPAV软件进行预处理，分别将预处理后的脑部结构磁共振影像配准到标准脑模板空间MNI上，统一各脑部结构磁共振影像的坐标空间，使用Min
‑
Max进行标准化处理；步骤S2：构建脑部纹理特征提取模型，针对步骤S1所获得的脑部结构磁共振影像，采用圆形LBP方法进行纹理特征提取，由于采样点是在圆上分布的，所以不能保证每一个采样点的坐标都是整数，对于坐标为整数的采样点，直接代入公式计算，对于非整数坐标的采样点，将坐标上下取整，用双线性插值法计算其灰度值；步骤S3：基于TCNN神经网络构建脑部纹理分类模型，以经过纹理特征提取的脑部结构磁共振影像为输入，以脑部结构磁共振影像中的纹理对应的纹理类型为输出，完成纹理分类；步骤S4：对脑部纹理分类模型进行训练，根据原始脑部结构磁共振影像和纹理特征特征提取后的图像计算脑部纹理分类模型的损失函数，并采用反向传播算法更新权重参数；步骤S5：重复步骤S4，直至达到预设的训练次数，完成脑部纹理分类模型的训练，应用训练好的脑部纹理分类模型，完成脑部结构磁共振影像中的纹理提取和分类。2.根据权利要求1所述的基于LBP提取和TCNN神经网络的脑部纹理分析方法，其特征在于，步骤S1具体过程包括：对所采集的脑部结构磁共振影像进行预处理，包括去除头盖骨、矫正、过滤和图像增强，完成预处理后，将脑部结构磁共振影像配准到标准脑模版空间MNI上，并进行调整和优化，选择对应的配准算法、调整配准参数、增加配准约束，完成配准后，对配准后的脑部结构磁共振影像中的各采样点的像素值进行Min
‑
Max标准化处理，Min
‑
Max标准化是指对原始数据进行线性变换，将值映射到[0，1]之间。3.根据权利要求1所述的基于LBP提取和TCNN神经网络的脑部纹理分析方法，其特征在于，步骤S2的具体步骤如下：步骤S2.1：分别针对步骤S1所获得的脑部结构磁共振影像中的每个采样点，以该采样点为中心采样点，以R为半径划分圆形邻域，圆形邻域内选取P个等分点，以中心采样点到各等分点的连线作为二值编码的轨迹，轨迹上各采样点的公式如下式：等分点的连线作为二值编码的轨迹，轨迹上各采样点的公式如下式：其中，p表示第p个采样点，x
p
,y
p
分别为第p个采样点的横坐标和纵坐标，x
c
,y
c
分别为中心采样点c的横坐标和纵坐标；步骤S2.2：对于非整数坐标的采样点，选取采样点p所在轨迹...

【专利技术属性】
技术研发人员：张小瑞，卢培森，孙伟，张小娜，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：