【技术实现步骤摘要】
一种不完备多模态医学影像学习方法
[0001]本专利技术涉及面向不完备多模态影像数据的学习分类方法,具体涉及一种基于不完备多模态影像数据学习的网络模型
。
技术介绍
[0002]磁共振成像(
Magnetic Resonance Imaging
,
MRI
)是目前在神经退行性疾病研究及临床试验中应用最广泛的成像技术,包含多种模态的成像序列,能够呈现大脑解剖结构和功能代谢异常等多模态信息的变化
。
多模态医学影像可以相互补充,从不同角度反映大脑的结构
、
功能和代谢变化,可以进一步提升对疾病的预测准确率
。
但是,在临床数据采集中,由于不同
MRI
模态数据同时采集所需时间相对较长,对病人的耐受性要求较高,使得临床采集的
MRI
模态数据相对较少,不能获得多模态融合算法所需的完整模态数据
。
现有多模态学习方法采用的数据通常是模态齐全的数据,并没有考虑到模态缺失问题
。
如何在部分影像模态缺失情况下,充分有效挖掘已有多模态影像数据的有用信息,实现对多模态影像数据的合理利用,提高多模态影像数据分析的鲁棒性和准确性,是多模态数据分析中需要解决的重要问题
。
本专利技术主要涉及一种基于不完备多模态
MRI
影像数据学习的神经网络
。
[0003]在很多临床数据采集过程中,由于扫描成本
、
扫描时间有限和安全考虑
【技术保护点】
【技术特征摘要】
1.
一种不完备多模态医学影像学习方法,包括以下步骤:(
1.1
)对待处理的多模态核磁共振影像数据,采用通用医学影像预处理软件进行预处理操作,获得多模态影像数据的预处理结果和各种参数图;(
1.2
)在训练阶段,首先基于预处理后的多模态影像数据,构建有监督对比学习网络,对多模态数据进行共性特征和特性特征的提取;(
1.3
)在训练阶段,基于(
1.2
)已构建对比学习特征提取网络,构建跨模态表征模块,对于缺失的模态数据,通过跨模态表征补全缺失模态的特性特征;(
1.4
)在训练阶段,基于(
1.2
)和(
1.3
)已提取特征,构建多模态融合和分类模块,对已提取的共性特征
、
特性特征和补全特性特征进行多模态融合,得到最终的多模态表征,最后输入多层感知机网络中进行分类,完成模型训练;(
1.5
)在测试阶段,对测试集中每个样本数据分别进行预处理以及共性和特性特征提取后,输入到已训练网络模型中完成测试,获得最终的预测结果
。2.
根据权利要求1所述的一种不完备多模态医学影像学习方法,其特征在于,所述步骤(
1.2
)的构建有监督对比学习网络,对多模态数据进行共性特征和特性特征的提取,其中共性特征能够反映不同模态所具备待分析问题相关的共性特征,特性特征能够反映存在于单个模态中的特有信息,具体方法如下:(
2.1
)对多模态三维影像数据,沿三维影像的冠状位
、
矢状位
、
横断位三个方向,将每个方向的所有切片进行累加,转换成人脑三个方向的二维图像,将其作为特征提取网络的三通道输入;(
2.2
)数据增强:对于每个样本的
N
个模态数据,在每个批次,用颜色抖动
、
高斯模糊两种数据增强方法为每个模态样本生成两个变换视图,
N
个模态数据共可获得
2N
个视图;(
2.3
)构建有监督对比学习网络:有监督对比学习网络包括两个分支网络,即一条在线网络和一条目标网络,正负样本分别作为在线网络和目标网络的输入,两条网络均包含特征提取网络和投影模块两部分,其中,对于不同模态共性特征的提取,同疾病类别的所有模态样本之间为正样本,不同患病状态之间互为正负样本;对于不同模态特性特征的提取,同疾病类别同模态内的样本为正样本,其他情况为负样本;特征提取网络的编码器:该编码器是采用添加注意力模块的多尺度
ResNet
‑
34
网络,其包含三个输入通道
、32
个卷积层和2个全连接层,将原始
ResNet
‑
34
网络的3×3卷积核替换为1×
1、3
×
3、5
×5卷积核和3×3的池化层构成多尺度残差模块,在网络中嵌入注意力机制模块,通过对所有输入注意力模块的特征进行3×3卷积对特征重新加权,提高网络对关键特征的关注;投影模块:该投影模块是由两个全连接层组成的神经网络,其中第一个全连接层的输出维度为
256
,第二个全连接层的输出维度为
128
;在投影后的表示空间中,将相似样本的距离尽可能地靠近,不相似样本的距离尽可能地远离;对比学习损失:在构建对比学习网络损失函数时,基于共性特征和特性特征的定义,分别训练两个不同的对比学习网络,两个网络的结构相同,对于共性特征,通过标签设定同疾病类别之间为正样本,其余为负样本;而对于特性特征,通过标签设定同疾病类别同模态之间为正样本,其余为负样本;通过不同的标签,使得对比学习损失函数优化不同的特征学习;经过投影模块和
L2
正则化之后,得到两个向量 和,使用余弦相似度来衡量这两个
特征向量的相似性,基于标签信息和交叉熵函数来计算有监督学习对比损失,其函数如下: (1)其中,
N
是每个
batch
中的样本数, 是每个
batch
中标签同...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。