CN107346430A - 一种核磁共振图像自动筛选方法 - Google Patents
一种核磁共振图像自动筛选方法 Download PDFInfo
- Publication number
- CN107346430A CN107346430A CN201710514534.XA CN201710514534A CN107346430A CN 107346430 A CN107346430 A CN 107346430A CN 201710514534 A CN201710514534 A CN 201710514534A CN 107346430 A CN107346430 A CN 107346430A
- Authority
- CN
- China
- Prior art keywords
- magnetic resonance
- nuclear magnetic
- resonance image
- image
- screening method
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000005481 NMR spectroscopy Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000012216 screening Methods 0.000 title claims abstract description 22
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 19
- 230000006870 function Effects 0.000 claims abstract description 17
- 238000004458 analytical method Methods 0.000 claims abstract description 4
- 238000005457 optimization Methods 0.000 claims abstract description 4
- 238000013528 artificial neural network Methods 0.000 claims abstract description 3
- 238000012360 testing method Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 210000005013 brain tissue Anatomy 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 238000013135 deep learning Methods 0.000 abstract description 3
- 230000003287 optical effect Effects 0.000 abstract description 3
- 238000007873 sieving Methods 0.000 abstract description 3
- 208000024827 Alzheimer disease Diseases 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 208000000044 Amnesia Diseases 0.000 description 1
- 208000014644 Brain disease Diseases 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 208000026139 Memory disease Diseases 0.000 description 1
- 206010039966 Senile dementia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004958 brain cell Anatomy 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006984 memory degeneration Effects 0.000 description 1
- 208000023060 memory loss Diseases 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
Abstract
本发明特别涉及一种核磁共振图像自动筛选方法。该核磁共振图像自动筛选方法,利用卷积层、池层和全连接层搭建适应核磁共振图像分类问题的CNN模型,并设定目标函数和优化方法;CNN模型先将核磁共振图像进行预处理并标注是否为AD图像,经过预处理的所有核磁共振图像和标注信息组成样本集;使用样本集训练CNN模型自动学习分类筛选的特征,对权重参数进行调整,得到深度神经网络分类器;基于分类筛选的特征即可对核磁共振图像进行分析筛选。该核磁共振图像自动筛选方法,利用深度学习理论训练提高了CNN模型对头部核磁共振图像进行AD图像筛选的准确率。
Description
技术领域
本发明涉及核磁共振图像自动筛选技术领域,特别涉及一种核磁共振图像自动筛选方法。
背景技术
阿尔兹海默症(Alzheimer’s Disease,简称AD),俗称老年痴呆症,是一种神经系统相关的脑部疾病。该疾病会破坏脑细胞,从而导致患者记忆力衰退,智商下降,直至痴呆,完全丧失基本生存能力。研究显示,从患病到可察觉,平均需要八年时间,在早期发现并及时采取治疗能够延缓疾病发展,改善AD患者的生活质量。
随着医疗图像技术的进步,CT、核磁共振等成像技术已经在医院得到普及。针对AD的诊断,除了基本能力测试之外,最常见的筛选手段就是利用核磁共振成像技术扫描大脑,形成大脑的结构像和功能像。医生可以通过脑部图像辨识是否发生AD病变。
根据脑部核磁共振图像判断是否发生AD病变本质是对图像进行分类。传统自动筛选方法的难点是借助医生的专业知识和经验,对和AD相关的核磁共振图像特征进行建模,模型效果严重依赖于特征。
近年来卷积神经网络在很多图像分类问题上取得了突破性进展,例如手写数字识别、车辆行人识别等。对比传统计算机自动分类方法,利用神经网络对图像进行分类的优势是省去了人工挑选分类特征的过程。深度学习的最大优势是自动学习特征,尤其是卷积神经网络对图像等高维数据的空间特征学习的能力。
基于上述情况,本发明提出了一种核磁共振图像自动筛选方法。旨在利用深度学习理论训练提高深度卷积神经网络(Convolutional Neural Network)模型,简称CNN模型,对头部核磁共振图像进行AD图像筛选的准确率。
发明内容
本发明为了弥补现有技术的缺陷,提供了一种简单高效的核磁共振图像自动筛选方法。
本发明是通过如下技术方案实现的:
一种核磁共振图像自动筛选方法,其特征在于:利用卷积层、池层和全连接层搭建适应核磁共振图像分类问题的CNN模型,并设定目标函数和优化方法;CNN模型先将核磁共振图像进行预处理并标注是否为AD图像,经过预处理的所有核磁共振图像和标注信息组成样本集;使用样本集训练CNN模型自动学习分类筛选的特征,对权重参数进行调整,得到深度神经网络分类器;基于分类筛选的特征即可对核磁共振图像进行分析筛选。
核磁共振图像的预处理过程,包括以下步骤:
(1)使用高通滤波器进行过滤原始核磁共振图像的低频噪音;
(2)对结构像剔除非脑组织部位图像,对功能像进行头动校正、头盖骨剔除,然后进行高斯光滑;
(3)如果图像格式非JPEG编码,使用转码工具进行图像格式转换,得到JPEG格式的灰度图,最后更改图像尺寸到448mm * 448mm大小,同时标注是否为AD图像;
核磁共振图像的预处理过程中,输入的核磁共振图像尺寸为448mm * 448mm的灰度图像时,首先由32个3mm * 3mm大小的卷积核学习输入图像的浅层特征,然后由maxpool层进行降采样,增加网络泛化性能,之后重复类似的结构,达到对高层抽象特征的学习。
所述CNN模型的目标函数为交叉熵损失函数,使用随机梯度下降法进行训练;初始学习率设定为0.01,对样本集进行7:3划分,分别得到训练集和测试集;每回合从训练集中循环随机抽取64张图像迭代训练,遍历一次训练集为一回合,每回合结束计算在测试集上的正确率;每经过100回合降低学习率为原来的十分之一继续训练,直到达到99%以上的正确率或1000回合结束。
所述CNN模型是一个卷积层+全连接层共九层的卷积神经网络AlzNet-9模型,其最后三层为全连接层,输出层输入到softmax函数,得到AD概率分布,即AD图像概率y和非AD图像概率1-y;若y>0.5,则结果为AD图像,否则为非AD图像。
本发明的有益效果是:该核磁共振图像自动筛选方法,利用深度学习理论训练提高了CNN模型对头部核磁共振图像进行AD图像筛选的准确率。
附图说明
附图1为本发明AlzNet-9模型示意图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白,以下结合附图和实施例,对本发明进行详细的说明。应当说明的是,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
该核磁共振图像自动筛选方法,利用卷积层、池层和全连接层搭建适应核磁共振图像分类问题的CNN模型,并设定目标函数和优化方法;CNN模型先将核磁共振图像进行预处理并标注是否为AD图像,经过预处理的所有核磁共振图像和标注信息组成样本集;使用样本集训练CNN模型自动学习分类筛选的特征,对权重参数进行调整,得到深度神经网络分类器;基于分类筛选的特征即可对核磁共振图像进行分析筛选。
核磁共振图像的预处理过程,包括以下步骤:
(1)使用高通滤波器进行过滤原始核磁共振图像的低频噪音;
(2)对结构像剔除非脑组织部位图像,对功能像进行头动校正、头盖骨剔除,然后进行高斯光滑;
(3)如果图像格式非JPEG编码,使用转码工具进行图像格式转换,得到JPEG格式的灰度图,最后更改图像尺寸到448mm * 448mm大小,同时标注是否为AD图像。
核磁共振图像的预处理过程中,输入的核磁共振图像尺寸为448mm * 448mm的灰度图像时,首先由32个3mm * 3mm大小的卷积核学习输入图像的浅层特征,然后由maxpool层进行降采样,增加网络泛化性能,之后重复类似的结构,达到对高层抽象特征的学习。
所述CNN模型的目标函数为交叉熵损失函数,使用随机梯度下降法进行训练;初始学习率设定为0.01,对样本集进行7:3划分,分别得到训练集和测试集;每回合从训练集中循环随机抽取64张图像迭代训练,遍历一次训练集为一回合,每回合结束计算在测试集上的正确率;每经过100回合降低学习率为原来的十分之一继续训练,直到达到99%以上的正确率或1000回合结束。
所述CNN模型是一个卷积层+全连接层共九层的卷积神经网络AlzNet-9模型,所述AlzNet-9模型详细设计如表1所示。其最后三层为全连接层,输出层输入到softmax函数,得到AD概率分布,即AD图像概率y和非AD图像概率1-y;若y>0.5,则结果为AD图像,否则为非AD图像。
表1 AlzNet-9模型详细设计
表中conv<n>-m,n和m分别表示卷积核大小和个数。
Claims (5)
1.一种核磁共振图像自动筛选方法,其特征在于:利用卷积层、池层和全连接层搭建适应核磁共振图像分类问题的CNN模型,并设定目标函数和优化方法;CNN模型先将核磁共振图像进行预处理并标注是否为AD图像,经过预处理的所有核磁共振图像和标注信息组成样本集;使用样本集训练CNN模型自动学习分类筛选的特征,对权重参数进行调整,得到深度神经网络分类器;基于分类筛选的特征即可对核磁共振图像进行分析筛选。
2.根据权利要求1所述的核磁共振图像自动筛选方法,其特征在于,核磁共振图像的预处理过程,包括以下步骤:
(1)使用高通滤波器进行过滤原始核磁共振图像的低频噪音;
(2)对结构像剔除非脑组织部位图像,对功能像进行头动校正、头盖骨剔除,然后进行高斯光滑;
(3)如果图像格式非JPEG编码,使用转码工具进行图像格式转换,得到JPEG格式的灰度图,最后更改图像尺寸到448mm * 448mm大小,同时标注是否为AD图像。
3.根据权利要求1或2所述的核磁共振图像自动筛选方法,其特征在于:核磁共振图像的预处理过程中,输入的核磁共振图像尺寸为448mm * 448mm的灰度图像时,首先由32个3mm * 3mm大小的卷积核学习输入图像的浅层特征,然后由maxpool层进行降采样,增加网络泛化性能,之后重复类似的结构,达到对高层抽象特征的学习。
4.根据权利要求1所述的核磁共振图像自动筛选方法,其特征在于:所述CNN模型的目标函数为交叉熵损失函数,使用随机梯度下降法进行训练;初始学习率设定为0.01,对样本集进行7:3划分,分别得到训练集和测试集;每回合从训练集中循环随机抽取64张图像迭代训练,遍历一次训练集为一回合,每回合结束计算在测试集上的正确率;每经过100回合降低学习率为原来的十分之一继续训练,直到达到99%以上的正确率或1000回合结束。
5.根据权利要求1所述的核磁共振图像自动筛选方法,其特征在于:所述CNN模型是一个卷积层+全连接层共九层的卷积神经网络AlzNet-9模型,其最后三层为全连接层,输出层输入到softmax函数,得到AD概率分布,即AD图像概率y和非AD图像概率1-y;若y>0.5,则结果为AD图像,否则为非AD图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710514534.XA CN107346430A (zh) | 2017-06-29 | 2017-06-29 | 一种核磁共振图像自动筛选方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710514534.XA CN107346430A (zh) | 2017-06-29 | 2017-06-29 | 一种核磁共振图像自动筛选方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107346430A true CN107346430A (zh) | 2017-11-14 |
Family
ID=60256643
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710514534.XA Pending CN107346430A (zh) | 2017-06-29 | 2017-06-29 | 一种核磁共振图像自动筛选方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107346430A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110689112A (zh) * | 2019-09-02 | 2020-01-14 | 杭州深睿博联科技有限公司 | 数据处理的方法及装置 |
CN110956617A (zh) * | 2019-11-18 | 2020-04-03 | 湖北工业大学 | 基于循环注意力模型的大脑核磁共振异常图像可视化方法 |
CN112434732A (zh) * | 2020-11-17 | 2021-03-02 | 西安交通大学 | 一种基于特征筛选的深度学习分类方法 |
CN113077390A (zh) * | 2021-06-04 | 2021-07-06 | 中建电子商务有限责任公司 | 一种基于深度学习的图像摆正算法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160180541A1 (en) * | 2014-12-19 | 2016-06-23 | Apical Limited | Sensor noise profile |
CN105844627A (zh) * | 2016-03-21 | 2016-08-10 | 华中科技大学 | 一种基于卷积神经网络的海面目标图像背景抑制方法 |
US20160292856A1 (en) * | 2015-04-06 | 2016-10-06 | IDx, LLC | Systems and methods for feature detection in retinal images |
CN106096616A (zh) * | 2016-06-08 | 2016-11-09 | 四川大学华西医院 | 一种基于深度学习的磁共振影像特征提取及分类方法 |
CN106651750A (zh) * | 2015-07-22 | 2017-05-10 | 美国西门子医疗解决公司 | 用于基于卷积神经网络回归的2d/3d图像配准的方法和系统 |
CN106709997A (zh) * | 2016-04-29 | 2017-05-24 | 电子科技大学 | 基于深度神经网络和稀疏自编码器的三维关键点检测方法 |
-
2017
- 2017-06-29 CN CN201710514534.XA patent/CN107346430A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160180541A1 (en) * | 2014-12-19 | 2016-06-23 | Apical Limited | Sensor noise profile |
US20160292856A1 (en) * | 2015-04-06 | 2016-10-06 | IDx, LLC | Systems and methods for feature detection in retinal images |
CN106651750A (zh) * | 2015-07-22 | 2017-05-10 | 美国西门子医疗解决公司 | 用于基于卷积神经网络回归的2d/3d图像配准的方法和系统 |
CN105844627A (zh) * | 2016-03-21 | 2016-08-10 | 华中科技大学 | 一种基于卷积神经网络的海面目标图像背景抑制方法 |
CN106709997A (zh) * | 2016-04-29 | 2017-05-24 | 电子科技大学 | 基于深度神经网络和稀疏自编码器的三维关键点检测方法 |
CN106096616A (zh) * | 2016-06-08 | 2016-11-09 | 四川大学华西医院 | 一种基于深度学习的磁共振影像特征提取及分类方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110689112A (zh) * | 2019-09-02 | 2020-01-14 | 杭州深睿博联科技有限公司 | 数据处理的方法及装置 |
CN110956617A (zh) * | 2019-11-18 | 2020-04-03 | 湖北工业大学 | 基于循环注意力模型的大脑核磁共振异常图像可视化方法 |
CN112434732A (zh) * | 2020-11-17 | 2021-03-02 | 西安交通大学 | 一种基于特征筛选的深度学习分类方法 |
CN113077390A (zh) * | 2021-06-04 | 2021-07-06 | 中建电子商务有限责任公司 | 一种基于深度学习的图像摆正算法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106202997B (zh) | 一种基于深度学习的细胞分裂检测方法 | |
CN110675411B (zh) | 基于深度学习的宫颈鳞状上皮内病变识别算法 | |
CN107346430A (zh) | 一种核磁共振图像自动筛选方法 | |
CN107871318B (zh) | 一种基于模型迁移的冠状动脉钙化斑块检测方法 | |
Lau et al. | Automatically early detection of skin cancer: Study based on nueral netwok classification | |
CN108765319A (zh) | 一种基于生成对抗网络的图像去噪方法 | |
CN109785300A (zh) | 一种癌症医学图像数据处理方法、系统、装置和存储介质 | |
CN110889853A (zh) | 基于残差-注意力深度神经网络的肿瘤分割方法 | |
CN106504232A (zh) | 一种基于3d卷积神经网络的肺部结节自动检测方法 | |
CN112488234B (zh) | 一种基于注意力池化的端到端组织病理图像分类方法 | |
CN109584251A (zh) | 一种基于单目标区域分割的舌体图像分割方法 | |
CN106780466A (zh) | 一种基于卷积神经网络的宫颈细胞图像识别方法 | |
CN106446942A (zh) | 基于增量学习的农作物病害识别方法 | |
CN106097335A (zh) | 消化道病灶图像识别系统及识别方法 | |
CN104794708A (zh) | 一种基于多特征学习的动脉粥样硬化斑块成分分割方法 | |
Deligiannidis et al. | Emerging trends in image processing, computer vision and pattern recognition | |
CN107563434A (zh) | 一种基于三维卷积神经网络的脑部mri图像分类方法、装置 | |
CN107424145A (zh) | 基于三维全卷积神经网络的核磁共振图像的分割方法 | |
CN110110808A (zh) | 一种对图像进行目标标注的方法、装置及计算机记录介质 | |
CN108596247A (zh) | 一种融合放射组学和深度卷积特征进行图像分类的方法 | |
CN107330883A (zh) | 一种医学图像病变区域定位和分类方法 | |
CN107909588A (zh) | 基于三维全卷积神经网络的mri皮质下分区系统 | |
CN110047075A (zh) | 一种基于对抗网络的ct图像分割方法 | |
CN108399355A (zh) | 一种空间信息自适应融合的高光谱图像分类方法 | |
CN108460337A (zh) | 基于自适应云模型的大雾场景空中图像融合识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171114 |