CN106096616A - 一种基于深度学习的磁共振影像特征提取及分类方法 - Google Patents

Abstract

本发明提供了一种基于深度学习的磁共振影像特征提取及分类方法，包括：S1纳入磁共振图像并对其进行预处理操作和特征映射操作；S2构建包括输入层、多个卷积层、至少一个池化层/下采样层以及全连接层的多层卷积神经网络，其中，卷积层和池化层/下采样层依次交替设于输入层和全连接层之间，且卷积层的数量比池化层/下采样层的数量多1；S3使用步骤S2构建的多层卷积神经网络对磁共振图像进行特征提取；S4将步骤S3输出的特征向量输入Softmax分类器中，对磁共振图像的疾病属性做出判断。其通过多层卷积神经网络的非线性映射，自动得到高度可分的特征/特征组合用于分类，并且可以不断优化网络结构得到更好的分类效果。

Description

一种基于深度学习的磁共振影像特征提取及分类方法

技术领域

本发明涉及医学数据处理技术领域，尤其涉及一种磁共振影像特征提取及分类方法。

背景技术

磁共振成像是一种高分辨率、无损伤、解剖结构显示清楚的医学成像技术，因此磁共振成像技术在医疗诊断过程中起了重要的作用，尤其在脑组织相关的疾病诊断和研究中得到了广泛的应用。近十年以来，对于非脑组织/结构损伤的神经、精神疾病的诊断，磁共振成像(MRI，Magnetic Resonance Imaging)作为神经影像中一种重要的脑成像方法，也已被广泛地用于认知神经科学和脑疾病的研究中。

多元模式分类分析(MVPA，Multi-voxel Pattern Analysis)等机器学习算法常被用于识别人脑磁共振图像中的空间模式，实现大脑状态的解码，或者对健康和患病脑的区分。常见的分类过程中，首先需要对不同模态磁共振图像进行特征映射(如，针对结构像T1的全脑灰质体积特征映射图、针对弥散张量图像的FA图、针对静息态磁共振图像的ALFF图等)，之后选取区分度较高的特征值(选取某个特征映射图的部分或者全部)组成特征向量作为分类器的输入，使用改进的分类器对其进行分类。通常来说，在特征向量数据优化和分类器参数寻优的条件下，可以取得不错的分类效果(文献报道的分类准确率范围集中在65％～85％)，但还达不到临床应用或接近于临床实用的水平。

传统使用MVPA等机器学习算法对磁共振图像分类的过程中，需要人工选择特征输入，而人工选定的输入特征跟人的经验有很大关系，致使分类效果一直未得到有效突破，与临床实际使用还有较大差距。

发明内容

针对上述问题，本发明旨在提供一种基于深度学习的磁共振影像特征提取及分类方法，有效解决了传统的磁共振图像分类过程中需要人工选择特征输入致使分类精度不高的问题，其通过多层卷积神经网络的非线性映射，自动得到高度可分的特征/特征组合用于分类，并且可以不断优化网络结构得到更好的分类效果。

本发明提供的技术方案如下：

一种基于深度学习的磁共振影像特征提取及分类方法，包括：

S1 纳入磁共振图像并对其进行预处理操作和特征映射操作；

S2 构建一个包括输入层、多个卷积层、至少一个池化层/下采样层以及全连接层的多层卷积神经网络，其中，所述卷积层和所述池化层/下采样层依次交替设于所述输入层和所述全连接层之间，且所述卷积层的数量比所述池化层/下采样层的数量多1；

S3 使用步骤S2构建的所述多层卷积神经网络对步骤S1中经预处理和特征映射后的磁共振图像进行特征提取；

S4 将步骤S3中所述多层卷积神经网络输出的特征向量输入Softmax分类器中，对纳入到的磁共振图像的疾病属性做出判断。

在本技术方案中，步骤S2中构建的多层卷积神经网络中卷积层和池化层/下采样层的数量根据实际情况进行确定，对多卷积神经网络中的层次进行适当的扩展或缩减。当训练样本数量较多时，可适当增加卷积层和池化层/下采样层的数量；当训练样本数量较少时，可适当减少卷积层和池化层/下采样层的数量。

进一步优选地，在步骤S1中具体包括：

S11 输入标准格式磁共振图像，并进行格式变换；

S12 对步骤S11中变换格式后的磁共振图像进行滤波处理、去噪处理、分割处理、时间校正处理、配准处理、重采样处理以及平滑处理等；

S13 将步骤S12中预处理操作之后的磁共振图像在标准空间内进行特征映射，得到标准空间内的特征映射图。

在本技术方案中，步骤S12中我们只是示例性的给出了7种对磁共振图像进行预处理的步骤，常规预处理步骤多达20～30项，这里我们不一一列举。

进一步优选地，在步骤S3中具体包括：

S31 输入训练样本集，采用无监督学习方法预训练所述多层卷积神经网络中各层的节点参数，实现训练样本集的特征提取；

S32 输入步骤S1中的磁共振图像数据集，采用有监督学习方法对步骤S22中多层卷积神经网络中各层的节点参数进行微调训练，实现步骤S22中提取的特征的微调。

在本技术方案中，在步骤S31中的无监督学习过程是多层卷积神经网络中各层节点参数从无到有的一个过程，故这里输入的训练样本集可以为标准数据集，也可以为纳入的特定磁共振图像数据集，我们对该过程中输入的训练样本集不做具体限定。

进一步优选地，在步骤S32中，所述多层卷积神经网络中各层神经元的连接权值ω_hj的微调过程为：

${\mathrm{\Δ\ω}}_{hj}=-\mathrm{\η}\frac{\∂E_k}{\∂{\mathrm{\ω}}_{hj}}$

其中，误差为当输入为(x_k,y_k)时的输出值，为第k个训练样本对应的第j个输出，η为给定学习率。

进一步优选地，在步骤S32中，所述多层卷积神经网络中第I层卷积层后接第I+1层池化层，则第I+1层卷积层的误差求取方法如下：

${\mathrm{\δ}}_j^i=upsample\left({\mathrm{\δ}}_j^{i+1}\right)\·h\left(a_j^i\right)$

其中，为第I+1层池化层的误差敏感项，为第I层卷积层的误差敏感项，为第I层卷积层对应的第j个神经元激发函数的导数，符号●为矩阵点乘操作。

进一步优选地，在步骤S32中，所述多层卷积神经网络中第I层池化层后接第I+1层卷积层，则第I+1层池化层的误差求取方法如下：

${\mathrm{\δ}}_j^i=\underset{j=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{\δ}}_j^{i+1}*K_{ij}$

其中，为第I层池化层的误差敏感项，为第I+1层卷积层的误差敏感项，M为第I+1层卷积层中特征数量，K_ij为卷积核，符号*为离散卷积操作。

进一步优选地，在步骤S4中具体包括：

S41 对步骤S3输出的特征进行局部归一化处理和过拟合处理；

S42 将经过局部归一化处理和过拟合处理输出的特征向量输入Softmax分类器中，对纳入到的磁共振图像的疾病属性做出判断。

进一步优选地，在步骤S41中，对步骤S3输出的特征进行局部归一化处理具体包括：

$b_{x,y}^i=a_{x,y}^i/{(k+\mathrm{\α}\underset{j=max(0,i-n/2)}{\overset{\min (N-1,i+n/2)}{\mathrm{\Σ}}}{\left(a_{x,y}^j\right)}^2)}^{\mathrm{\β}}$

其中，为核i在(x,y)处的神经元，N为某一层中核的总数。

进一步优选地，在步骤S3和步骤S4中，使用随机梯度下降算法优化参数：

$h\left(x\right)=h_{\mathrm{\θ}}\left(x\right)=\underset{i=0}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\θ}}_i{x}_i={\mathrm{\θ}}^{T}X$

$J\left(\mathrm{\θ}\right)=\frac{1}{2}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\left(h_{\mathrm{\θ}}\right(x^{\left(i\right)})-y^{\left(i\right)})}^2$

${\mathrm{\θ}}_j^{\′}={\mathrm{\θ}}_j+\mathrm{\α}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}(y^{\left(i\right)}-h_{\mathrm{\θ}}(x^{\left(i\right)}\left)\right)x_j^{\left(i\right)}$

其中，h(x)为目标函数，J(θ)为损失函数，α为算法的学习速率，θ′_j为θ的最终更迭参数，j为参数的个数，m为训练样本集的记录条数。

本发明提供的基于深度学习的磁共振影像特征提取及分类方法，能够带来以下有益效果：

本发明提供的磁共振影像特征提取及分类方法中，在多层卷积神经网络对输入的磁共振图像进行了特征提取(即得到卷积和池化特征)之后，让多层卷积神经网络自己学习挑选输入的特征组合得到特征向量给分类器分类以得到最好的分类效果。相较于传统的人工选择输入特征、经过组合后得到一个输出特征向量后给分类器进行分类更智能化，实现更加精确地分类效果。且在该多层卷积神经网络中将特征提取部分和分类识别部分衔接在一起，其中特征学习部分隐式进行，大部分集中在该多层卷积神经网络的中间隐含层，即在训练训练样本集的同时，进行特征学习，免去了繁琐的手动提取特征和设计特征的过程，简化了流程，节约时间。

再有，在本发明中，在多层卷积网络中各层之间(前神经元和下一级输入神经元之间)进行特征映射时，为了提高并行训练的速度，给当前层神经元设置相同的权重，这样，产生的过程参数大大减小，增大了该多层卷积神经网络的灵活性和可扩展性。尤其对于输入的磁共振图像是多维向量的情况，减少了在特征提取以及分类过程中，数据重建带来的复杂度，对于大规模图像识别任务，这个特点很实用。

最后，在本发明中，采用使用随机梯度下降算法优化样本训练过程中的参数，且训练样本读取过程是随机的，读取一次训练样本，更新一次权值，而不是等所有训练样本m全部读完，大大降低了算法的复杂度。这样，当m很大时，如100万时，有可能在读取了几千条之后函数已收敛，随机梯度下降算法的使用是的使得J(θ)快速收敛，适合训练样本集较大的训练过程。

附图说明

下面将以明确易懂的方式，结合附图说明优选实施方式，对上述特性、技术特征、优点及其实现方式予以进一步说明。

图1为本发明中基于深度学习的磁共振影像特征提取及分类方法的流程示意图；

图2为本发明中多层卷积神经网络示意图；

图3为本发明具体实施例中偏头痛患者磁共振图像数据的分类流程图；

图4为本发明具体实施例中该多层卷积神经网络对提取出来的特征进行有监督学习过程示意图。

具体实施方式

图1为本发明提供的基于深度学习的磁共振影像特征提取及分类方法的流程示意图，从图中可以看出，在该磁共振影像特征提取及分类方法包括：S1纳入磁共振图像并对其进行预处理操作和特征映射操作；S2构建一个包括输入层、多个卷积层、至少一个池化层/下采样层以及全连接层的多层卷积神经网络，其中，卷积层和池化层/下采样层依次交替设于输入层和全连接层之间，且卷积层的数量比池化层/下采样层的数量多1；S3使用步骤S2构建的多层卷积神经网络对步骤S1中经预处理和特征映射后的磁共振图像进行特征提取；S4将步骤S3中多层卷积神经网络输出的特征向量输入Softmax分类器中，对纳入到的磁共振图像的疾病属性做出判断。

具体来说，在步骤S1中具体包括：S11输入标准格式磁共振图像，包括各模态/多模态磁共振图像数据，并进行格式变换，作为输入数据；S12对步骤S11中纳入到的磁共振图像进行滤波处理、去噪处理、分割处理、配准处理、重采样处理以及平滑处理等；S13将步骤S12中预处理操作之后的磁共振图像在标准空间内进行特征映射，以将原始磁共振图像转换成每个像素代表某一特征值的特征映射图。

在步骤S2中构建的多层卷积神经网络中卷积层和池化层/下采样层的数量根据训练样本的大小进行确定，在这里我们并不做具体限定。如，在一个具体实施例中，可以构建一个包括输入层I、卷积层C1、池化层/下采样层S1、卷积层C2、池化层/下采样层S2、卷积层C3以及全连接层的多层卷积神经网络。在另一各具体实施例中，可以构建一个包括输入层I、卷积层C1、池化层/下采样层S1、卷积层C2、池化层/下采样层S2、卷积层C3、池化层/下采样层S4、卷积层C4以及全连接层的多层卷积神经网络。在上述具体实施例中，我们构建的多层卷积神经网络分别包括了3个卷积层、2个池化层/下采样层和4个卷积层、3个池化层/下采样层，在其他实施例中，还可以包括5个卷积层、4个池化层/下采样层甚至更多，原则上来说，只要构建的多层卷积神经网络中，卷积层的数量比池化层/下采样层数量多1，且卷积层后接于输入层，同时卷积层和数量比池化层/下采样层交替设置，都包括在本发明的内容中。

可以看出，在构建的多层卷积神经网络中，隐含层的核心部分由卷积层和池化层交替迭代组成。在一个实施例中，如图2所示，假定静息态功能磁共振(Rs-fMRI)图像大小为I×I，卷积滤波器Filter尺寸大小为F1*F1，输出i个特征图(如图示中的M1、M2、……、Mi)，则其和原始I×I的Rs-fMRI图像进行二维图像卷积产生输出图像为g(x,y)＝f(x,y)*C(u,v)，其中Rs-fMRI图像的二维数字图像用f(x,y)表示，二维卷积函数用C(u,v)。以此得到i个M×M大小的卷积层Conv1，其中，i＝I-F1+1，具体得到的输出特征图为：

$X_j^l=f(\underset{i\∈M_j}{\mathrm{\Σ}}{X}_i^{l-1}*k_{ij}^l+b_j^l)$

其中，M_j表示被选择的输入的磁共振图像集，b表示每个输出特征图的额外偏置。

之后，在卷积层Conv1后接池化层Pool1，我们知道，池化层能够对一定邻域或范围内通过对邻域内特征值的最大值对不同特征进行特征维数的缩放。在该实施方式中，池化层Pool1的池化步进尺寸Pool Size大小为m，即将m×m的像素池化到一个像素，得到i个P×P大小的池化层输出特征图(如图示中的P1、P2、……、Pi)，其中，P＝M/m。经过池化层Pool1之后的统计特征，跟池化之前的特征相比，维度降低了很多，有效抑制了过拟合现象。

接着，池化层Pool1后继续接卷积层Conv2(得到N×N个卷积层，如图示中的N1、N2、……、Nj)，卷积层Conv2与卷积层Conv1相比，只是输出层个数和卷积核滤波器大小不同。同理，卷积层Conv2后接的池化层Pool2，与池化层Pool1相比，只是池化步进尺寸大小不同，以此卷积层和池化层相互交迭之后接全连接层FC，具体该全连接层FC的输入是卷积和池化层的输出，映射成n维向量，全连接层FC后再接Softmax分类层，输出的每一维都是图像属于该类别的概率，完成对输入的磁共振图像疾病属性的判断。

通过上述方法构建好了多层卷积神经网络之后，如步骤S31中所述，采用无监督学习方法确定多层卷积神经网络中各神经网络节点的参数。具体在该训练过程中，首先训练多层卷积神经网络中的第一层，再将第一层训练好的隐含结点作为第二层的输入结点，这样依次完成各层的预训练。预训练之后，为了更好的学习特征，再以监督学习的方式(与预训练过程的方向相反，通过带标签的数据训练，使得误差自向后传递)对该多层卷积神经网络进行微调，具体如步骤S32所述，对于训练例(x_k,y_k)，假定输出为那么误差为:

其中，为第k个训练样本对应的第j个输出。

基于此，该多层卷积神经网络在预训练的过程中，有超过允许范围的误差就要在有监督学习的过程中进行节点参数微调，我们以隐含层到输出层的连接权值ω_hj的推导为例进行说明。对误差E_k给定学习率η，则连接权值ω_hj的微调如下：

${\mathrm{\Δ\ω}}_{hj}=-\mathrm{\η}\frac{\∂E_k}{\∂{\mathrm{\ω}}_{hj}}.$

另外，在多层卷积神经网络中，如果第I层为卷积层，第I+1层为池化层，用表示第I+1层池化层的误差敏感项，用表示第I层卷积层的误差敏感项，则第I+1层卷积层的误差求取方法如下：

${\mathrm{\δ}}_j^i=upsample\left({\mathrm{\δ}}_j^{i+1}\right)\·h\left(a_j^i\right)$

其中，为第I层卷积层对应的第j个神经元激发函数的导数，符号●为矩阵点乘操作。

相应的，在多层卷积神经网络中，如果第I层为池化层，且该池化层中对应N个通道，N个特征值；第I+1层为卷积层，包含M个特征，则第I层每个通道的误差敏感项为第I+1层的所有特征核对应的贡献之和。当第I+1层中第j个特征核对应第I层中第i个通道，则第I+1层池化层的误差求取方法如下：

${\mathrm{\δ}}_j^i=\underset{j=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{\δ}}_j^{i+1}*K_{ij}$

其中，M为第I+1层卷积层中特征数量，K_ij为卷积核，符号*为离散卷积操作，在具体实施例中，在该多层卷积神经网络中，池化层默认为线性激发函数。具体，池化针对过拟合问题，对一定邻域或范围内的不同特征进行特征维数的缩放，特征维数缩放算法通常是取邻域内特征值的最大或者均值。如，A_j＝a(1,...,n)_j＝Pooling(X_j)；其中A_j是池化之后的输出，a1_j是输出后第1个特征向量的激活值。

我们知道，泛化对于多层卷积神经网络的训练来说较为关键，而局部归一化有助于泛化。因此，在步骤S4中，首先对步骤S3输出的特征进行局部归一化处理和过拟合处理(步骤S41)；随后再将经过局部归一化处理和过拟合处理输出的特征向量输入Softmax分类器中，对纳入到的磁共振图像的疾病属性做出判断(步骤S42)。

具体，在步骤S41中，对步骤S3输出的特征进行局部归一化处理包括：

$b_{x,y}^i=a_{x,y}^i/{(k+\mathrm{\α}\underset{j=\max (0,i-n/2)}{\overset{\min (N-1,i+n/2)}{\mathrm{\Σ}}}{\left(a_{x,y}^j\right)}^2)}^{\mathrm{\β}}$

其中，为核i在(x,y)处的神经元，N为某一层中核的总数。要说明的是，在该多层卷积神经网络中的任一层中，特征核的顺序是任意的，并在训练开始时就已被决定，上述局部归一化实现了一种单侧抑制的形式，这种单侧抑制来源于真实的神经元，并为神经元输出中的大型活动创造竞争条件，这些神经元的输出值是由不同核计算得到的。

另外，在整个网络训练过程中，为了防止参数的过拟合，每次给定输入训练样本之后，虽然多层卷积神经网络的训练样本呈现出不同的结构，但是所有结果都共享权重，这样就大大降低了神经元的复杂协同适应性，神经元之间不相互依赖，通过有用地结合其它许多不同神经元的随机子集，被迫学习更强大的功能。又，在整个网络训练过程中，为了防止网络参数陷入局部最优而非全局最优，我们使用随机梯度下降算法优化参数：

$h\left(x\right)=h_{\mathrm{\θ}}\left(x\right)=\underset{i=0}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\θ}}_i{x}_i={\mathrm{\θ}}^{T}X$

其中，h(x)为目标函数，x₀＝1，由上式子可知，求h(x)实则演变为求参数θ^T。为了确定θ^T效果好坏，使用损失函数J(θ)评估h(x)函数的性能好坏，该错误函数如下式所示：

$J\left(\mathrm{\θ}\right)=\frac{1}{2}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\left(h_{\mathrm{\θ}}\right(x^{\left(i\right)})-y^{\left(i\right)})}^2$

则θ最终更迭参数θ′_j为：

${\mathrm{\θ}}_j^{\′}={\mathrm{\θ}}_j+\mathrm{\α}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}(y^{\left(i\right)}-h_{\mathrm{\θ}}(x^{\left(i\right)}\left)\right)x_j^{\left(i\right)}$

其中，α为算法的学习速率，j为参数的个数，m为训练样本集的记录条数。

在一个具体实施例中：我们以某医院偏头痛患者和健康对照组的磁共振图像为例，其中，健康对照组用HC表示，共21人；偏头痛患者用MIG表示，共47人(其中，有CA症状的用MCA表示，共20人；无CA症状的用MNCA表示，共27人)。

数据预处理用SPM8软件，基于上述对多卷积神经网络的描述，在处理过程中，先将原始的DICOM类型数据进行格式转换；去除前10个时间点；时间层校正；头动校正且校正误差控制在2mm内；空间标准化；平滑处理。

预处理完成之后，如图3所示，将纳入到的磁共振图像Rs-fMRI在构建好的多层卷积神经网络模型(CNN网络模型)中进行特征提取，以无监督学习的方式对其进行预训练；之后，为了更好的学习特征，再以监督学习的方式(带有标签数据)，进行微调，以提高对Rs-fMRI图像的识别准确率，如图4所示为该多层卷积神经网络对提取出来的特征进行有监督学习过程的示意图，其向下生成底层，同时修改在无监督训练时，底层向高层传递的层间权重，使得高级特征更能表征Rs-fMRI图像本身。特征学习完成后，再进入强分类器SoftMax模型，完成疾病的诊断和分类。HC和MIG的识别结果如表1所示，HC、MCA及MNCA三分类的识别结果如表2所示：

表1：HC和MIG的识别结果

表2：HC、MCA及MNCA三分类的识别结果

由以上结果可以看出，本发明提供的基于深度学习的磁共振影像特征提取及分类方法达到了磁共振图像准确分类的结果，其中HC和MIG二分类准确率高达0.9787，HC、MCA及MNCA的三分类识别率达0.8687。

应当说明的是，上述实施例均可根据需要自由组合。以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (9)

1.一种基于深度学习的磁共振影像特征提取及分类方法，其特征在于，所述磁共振影像特征提取及分类方法包括：

S1纳入磁共振图像并对其进行预处理操作和特征映射操作；

S2构建一个包括输入层、多个卷积层、至少一个池化层/下采样层以及全连接层的多层卷积神经网络，其中，所述卷积层和所述池化层/下采样层依次交替设于所述输入层和所述全连接层之间，且所述卷积层的数量比所述池化层/下采样层的数量多1；

S3使用步骤S2构建的所述多层卷积神经网络对步骤S1中经预处理和特征映射后的磁共振图像进行特征提取；

S4将步骤S3中所述多层卷积神经网络输出的特征向量输入Softmax分类器中，对纳入到的磁共振图像的疾病属性做出判断。

2.如权利要求1所述的磁共振影像特征提取及分类方法，其特征在于，

在步骤S1中具体包括：

S11输入标准格式磁共振图像，并进行格式变换；

S12对步骤S11中变换格式后的磁共振图像进行滤波处理、去噪处理、分割处理、时间校正处理、配准处理、重采样处理以及平滑处理；

S13将步骤S12中预处理操作之后的磁共振图像在标准空间内进行特征映射，得到标准空间内的特征映射图。

3.如权利要求1或2所述的磁共振影像特征提取及分类方法，其特征在于，在步骤S3中具体包括：

S31输入训练样本集，采用无监督学习方法预训练所述多层卷积神经网络中各层的节点参数，实现训练样本集的特征提取；

S32输入步骤S1中的磁共振图像数据集，采用有监督学习方法对步骤S22中多层卷积神经网络中各层的节点参数进行微调训练，实现步骤S22中提取的特征的微调。

4.如权利要求3所述的磁共振影像特征提取及分类方法，其特征在于，在步骤S32中，所述多层卷积神经网络中各层神经元的连接权值ω_hj的微调过程为：

${\mathrm{\Δ\ω}}_{hj}=-\mathrm{\η}\frac{\∂E_k}{\∂{\mathrm{\ω}}_{hj}}$

其中，误差为当输入为(x_k,y_k)时的输出值，为第k个训练样本对应的第j个输出，η为给定学习率。

5.如权利要求3所述的磁共振影像特征提取及分类方法，其特征在于，在步骤S32中，所述多层卷积神经网络中第I层卷积层后接第I+1层池化层，则第I+1层卷积层的误差求取方法如下：

${\mathrm{\δ}}_j^i=upsample\left({\mathrm{\δ}}_j^{i+1}\right)\·h\left(a_j^i\right)$

其中，为第I+1层池化层的误差敏感项，为第I层卷积层的误差敏感项，为第I层卷积层对应的第j个神经元激发函数的导数，符号●为矩阵点乘操作。

6.如权利要求3所述的磁共振影像特征提取及分类方法，其特征在于，在步骤S32中，所述多层卷积神经网络中第I层池化层后接第I+1层卷积层，则第I+1层池化层的误差求取方法如下：

${\mathrm{\δ}}_j^i=\underset{j=1}{\overset{M}{\Σ}}{\mathrm{\δ}}_j^{i+1}*K_{ij}$

其中，为第I层池化层的误差敏感项，为第I+1层卷积层的误差敏感项，M为第I+1层卷积层中特征数量，K_ij为卷积核，符号*为离散卷积操作。

7.如权利要求1或2或4或5或6所述的磁共振影像特征提取及分类方法，其特征在于，在步骤S4中具体包括：

S41对步骤S3输出的特征进行局部归一化处理和过拟合处理；

S42将经过局部归一化处理和过拟合处理输出的特征向量输入Softmax分类器中，对纳入到的磁共振图像的疾病属性做出判断。

8.如权利要求7所述的磁共振影像特征提取及分类方法，其特征在于，在步骤S41中，对步骤S3输出的特征进行局部归一化处理具体包括：

$b_{x,y}^i=a_{x,y}^i/{(k+\mathrm{\α}\underset{j=max(0,i-n/2)}{\overset{min(N-1,i+n/2)}{\Σ}}{\left(a_{x,y}^j\right)}^2)}^{\mathrm{\β}}$

其中，为核i在(x,y)处的神经元，N为某一层中核的总数。

9.如权利要求4或5或6或8所述的磁共振影像特征提取及分类方法，其特征在于，在步骤S3和步骤S4中，使用随机梯度下降算法优化参数：

$h\left(x\right)=h_{\mathrm{\θ}}\left(x\right)=\underset{i=0}{\overset{n}{\Σ}}{\mathrm{\θ}}_i{x}_i={\mathrm{\θ}}^{T}X$

$J\left(\mathrm{\θ}\right)=\frac{1}{2}\underset{i=1}{\overset{m}{\Σ}}{\left(h_{\mathrm{\θ}}\right(x^{\left(i\right)})-y^{\left(i\right)})}^2$

${\mathrm{\θ}}_j^{\′}={\mathrm{\θ}}_j+\mathrm{\α}\underset{i=1}{\overset{m}{\Σ}}(y^{\left(i\right)}-h_{\mathrm{\θ}}(x^{\left(i\right)}\left)\right)x_j^{\left(i\right)}$

其中，h(x)为目标函数，J(θ)为损失函数，α为算法的学习速率，θ′_j为θ的最终更迭参数，j为参数的个数，m为训练样本集的记录条数。