CN109816632B - 脑图像处理方法、装置、可读存储介质及电子设备 - Google Patents
脑图像处理方法、装置、可读存储介质及电子设备 Download PDFInfo
- Publication number
- CN109816632B CN109816632B CN201811594912.0A CN201811594912A CN109816632B CN 109816632 B CN109816632 B CN 109816632B CN 201811594912 A CN201811594912 A CN 201811594912A CN 109816632 B CN109816632 B CN 109816632B
- Authority
- CN
- China
- Prior art keywords
- image
- brain
- brain image
- target
- sparse
- 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.)
- Active
Links
- 210000004556 brain Anatomy 0.000 title claims abstract description 471
- 238000003672 processing method Methods 0.000 title abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 192
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 57
- 210000005013 brain tissue Anatomy 0.000 claims abstract description 50
- 230000008859 change Effects 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 36
- 238000000605 extraction Methods 0.000 claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000012360 testing method Methods 0.000 claims description 75
- 238000004422 calculation algorithm Methods 0.000 claims description 30
- 238000013145 classification model Methods 0.000 claims description 21
- 238000013507 mapping Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 230000003902 lesion Effects 0.000 abstract description 5
- 230000000694 effects Effects 0.000 description 11
- 208000024827 Alzheimer disease Diseases 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 206010003694 Atrophy Diseases 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 206010012289 Dementia Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000037444 atrophy Effects 0.000 description 1
- 210000003710 cerebral cortex Anatomy 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 210000001320 hippocampus Anatomy 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 210000003478 temporal lobe Anatomy 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Processing (AREA)
Abstract
本公开涉及一种脑图像处理方法、装置、可读存储介质及电子设备。所述方法包括：将目标脑图像输入到卷积神经网络，获得所述目标脑图像的图像特征，所述卷积神经网络是通过对脑图像训练样本集训练而生成的；利用目标字典模型对所述目标脑图像的图像特征进行稀疏特征提取，得到所述目标脑图像的稀疏特征；根据所述目标脑图像的稀疏特征，确定所述目标脑图像对应的图像等级，所述图像等级用于反映脑组织的变化程度。这样，可以智能识别脑图像中脑组织的变化程度，不再需要人为进行判断，从而可以减小因个人环境、经验等差异而导致的对于脑图像识别的差异，进而提升脑图像识别中对脑组织病变程度判定的准确性。
Description
技术领域
本公开涉及计算机技术领域，具体地，涉及一种脑图像处理方法、装置、可读存储介质及电子设备。
背景技术
在医学领域，常常需要拍摄脑结构CT、MRI、FGD PET等图像以展示出患者脑部的实际情况。在脑结构CT、MRI、FGD PET等拍摄完毕后，医生需要观察此类图像以获知患者当前的脑部情况，例如，通过已拍摄的图像确定患者脑组织的变化情况，其中脑组织的变化情况可表现为脑组织体积的变化等。目前，这类变化只能通过医生人为来进行确定，而由于个人所处环境不同、个人经验不同、个人视角差异等常常会导致观察结果也存在差异，从而对后续的检查结果也存在影响。因此，人为观察的方式不仅耗费人力，还存在准确率不足的问题。
发明内容
本公开的目的是提供一种脑图像处理方法、装置、可读存储介质及电子设备，以对脑图像中脑组织的变化程度进行准确识别。
为了实现上述目的，根据本公开的第一方面，提供一种脑图像处理方法，所述方法包括：
将目标脑图像输入到卷积神经网络，获得所述目标脑图像的图像特征，所述卷积神经网络是通过对脑图像训练样本集训练而生成的；
利用目标字典模型对所述目标脑图像的图像特征进行稀疏特征提取，得到所述目标脑图像的稀疏特征；
根据所述目标脑图像的稀疏特征，确定所述目标脑图像对应的图像等级，所述图像等级用于反映脑组织的变化程度。
可选地，所述根据所述目标脑图像的稀疏特征，确定所述目标脑图像对应的图像等级，包括：
根据所述目标脑图像的稀疏特征和脑图像分类模型，对所述目标脑图像进行分类，其中，脑图像的图像分类包括第一图像类和第二图像类；
若所述目标脑图像属于所述第一图像类，则根据所述目标脑图像的稀疏特征和预设的基准稀疏特征，确定所述目标脑图像对应的图像等级。
可选地，所述目标字典模型通过如下方式获得：
将所述脑图像训练样本集中属于所述第一图像类的脑图像训练样本输入到所述卷积神经网络，获得所述第一图像类的所述脑图像训练样本的图像特征；
根据所述第一图像类的所述脑图像训练样本的图像特征，利用字典学习算法构建第一字典模型；
根据所述第一字典模型，获得所述目标字典模型。
可选地，所述根据所述第一字典模型，获得所述目标字典模型，包括：
将脑图像测试样本集中的脑图像测试样本输入到所述卷积神经网络，获得所述脑图像测试样本的图像特征；
根据所述脑图像测试样本的图像特征，对所述脑图像测试样本集中的脑图像测试样本进行分类，并确定该分类对应的第一准确率；
利用所述第一字典模型对所述脑图像测试样本的图像特征进行稀疏特征提取，得到所述脑图像测试样本的稀疏特征；
根据所述脑图像测试样本的稀疏特征和所述脑图像分类模型，对所述脑图像测试样本集中的脑图像测试样本进行分类，并确定该分类对应的第二准确率；
若所述第一准确率大于或者等于所述第二准确率，更新所述字典学习算法的学习参数并返回所述根据所述第一图像类的所述脑图像训练样本的图像特征，利用字典学习算法构建第一字典模型的步骤，直到所述第一准确率小于所述第二准确率为止；
若所述第一准确率小于所述第二准确率，将当前第一字典模型确定为所述目标字典模型。
可选地，所述根据所述目标脑图像的稀疏特征和预设的基准稀疏特征，确定所述目标脑图像对应的图像等级，包括：
将所述目标脑图像的稀疏特征和所述基准稀疏特征映射至目标特征空间，并确定所述目标脑图像的稀疏特征和所述基准稀疏特征之间的空间距离；
根据所述空间距离、以及预设的空间距离范围与图像等级之间的对应关系，确定与所述空间距离所属的空间距离范围对应的图像等级为所述目标脑图像对应的图像等级。
可选地，所述基准稀疏特征通过如下方式获得：
将所述脑图像训练样本集中属于所述第二图像类的脑图像训练样本输入到所述卷积神经网络，获得所述第二图像类的所述脑图像训练样本的图像特征；
根据所述第二图像类的所述脑图像训练样本的图像特征，利用字典学习算法构建第二字典模型，并利用所述第二字典模型对所述第二图像类的所述脑图像训练样本的图像特征进行稀疏特征提取，得到所述第二图像类的所述脑图像训练样本的稀疏特征；
根据所述第二图像类的所述脑图像训练样本的稀疏特征，确定所述基准稀疏特征。
可选地，所述空间距离范围与图像等级之间的对应关系通过如下方式获得：
将所述脑图像训练样本集中属于所述第一图像类的脑图像训练样本输入到所述卷积神经网络，获得所述第一图像类的所述脑图像训练样本的图像特征，并利用所述目标字典模型对所述第一图像类的所述脑图像训练样本的图像特征进行稀疏特征提取，得到所述第一图像类的所述脑图像训练样本的稀疏特征；
将所述第一图像类的所述脑图像训练样本的稀疏特征和所述基准稀疏特征映射至所述目标特征空间，并分别计算每个所述第一图像类的所述脑图像训练样本的稀疏特征和所述基准稀疏特征之间的空间距离；
根据计算出的每个所述第一图像类的所述脑图像训练样本的稀疏特征和所述基准稀疏特征之间的空间距离，以及预设的图像等级数量，规划出若干个空间距离范围，所述空间距离范围的数量与所述预设的图像等级数量相同；
根据各个所述空间距离范围所表征的距离的大小，确定所述空间距离范围与图像等级之间的对应关系，其中，空间距离范围所表征的距离越大，该空间距离范围所对应的图像等级所反映的脑组织的变化程度越大。
根据本公开的第二方面，提供一种脑图像处理装置，所述装置包括：
第一处理模块，用于将目标脑图像输入到卷积神经网络，获得所述目标脑图像的图像特征，所述卷积神经网络是通过对脑图像训练样本集训练而生成的；
第二处理模块，用于利用目标字典模型对所述目标脑图像的图像特征进行稀疏特征提取，得到所述目标脑图像的稀疏特征；
确定模块，用于根据所述目标脑图像的稀疏特征，确定所述目标脑图像对应的图像等级，所述图像等级用于反映脑组织的变化程度。
可选地，所述确定模块包括：
分类子模块，用于根据所述目标脑图像的稀疏特征和脑图像分类模型，对所述目标脑图像进行分类，其中，脑图像的图像分类包括第一图像类和第二图像类；
确定子模块，用于若所述目标脑图像属于所述第一图像类，则根据所述目标脑图像的稀疏特征和预设的基准稀疏特征，确定所述目标脑图像对应的图像等级。
可选地，所述装置还包括：
第三处理模块，用于将所述脑图像训练样本集中属于所述第一图像类的脑图像训练样本输入到所述卷积神经网络，获得所述第一图像类的所述脑图像训练样本的图像特征；
第四处理模块，用于根据所述第一图像类的所述脑图像训练样本的图像特征，利用字典学习算法构建第一字典模型；
第五处理模块，用于根据所述第一字典模型，获得所述目标字典模型。
可选地，所述第五处理模块用于将脑图像测试样本集中的脑图像测试样本输入到所述卷积神经网络，获得所述脑图像测试样本的图像特征；根据所述脑图像测试样本的图像特征，对所述脑图像测试样本集中的脑图像测试样本进行分类，并确定该分类对应的第一准确率；利用所述第一字典模型对所述脑图像测试样本的图像特征进行稀疏特征提取，得到所述脑图像测试样本的稀疏特征；根据所述脑图像测试样本的稀疏特征和所述脑图像分类模型，对所述脑图像测试样本集中的脑图像测试样本进行分类，并确定该分类对应的第二准确率；若所述第一准确率大于或者等于所述第二准确率，更新所述字典学习算法的学习参数并返回所述根据所述第一图像类的所述脑图像训练样本的图像特征，利用字典学习算法构建第一字典模型的步骤，直到所述第一准确率小于所述第二准确率为止；若所述第一准确率小于所述第二准确率，将当前第一字典模型确定为所述目标字典模型。
可选地，所述确定子模块用于将所述目标脑图像的稀疏特征和所述基准稀疏特征映射至目标特征空间，并确定所述目标脑图像的稀疏特征和所述基准稀疏特征之间的空间距离；根据所述空间距离、以及预设的空间距离范围与图像等级之间的对应关系，确定与所述空间距离所属的空间距离范围对应的图像等级为所述目标脑图像对应的图像等级。
可选地，所述基准稀疏特征通过如下方式获得：
将所述脑图像训练样本集中属于所述第二图像类的脑图像训练样本输入到所述卷积神经网络，获得所述第二图像类的所述脑图像训练样本的图像特征；
根据所述第二图像类的所述脑图像训练样本的图像特征，利用字典学习算法构建第二字典模型，并利用所述第二字典模型对所述第二图像类的所述脑图像训练样本的图像特征进行稀疏特征提取，得到所述第二图像类的所述脑图像训练样本的稀疏特征；
根据所述第二图像类的所述脑图像训练样本的稀疏特征，确定所述基准稀疏特征。
可选地，所述空间距离范围与图像等级之间的对应关系通过如下方式获得：
将所述脑图像训练样本集中属于所述第一图像类的脑图像训练样本输入到所述卷积神经网络，获得所述第一图像类的所述脑图像训练样本的图像特征，并利用所述目标字典模型对所述第一图像类的所述脑图像训练样本的图像特征进行稀疏特征提取，得到所述第一图像类的所述脑图像训练样本的稀疏特征；
将所述第一图像类的所述脑图像训练样本的稀疏特征和所述基准稀疏特征映射至所述目标特征空间，并分别计算每个所述第一图像类的所述脑图像训练样本的稀疏特征和所述基准稀疏特征之间的空间距离；
根据计算出的每个所述第一图像类的所述脑图像训练样本的稀疏特征和所述基准稀疏特征之间的空间距离，以及预设的图像等级数量，规划出若干个空间距离范围，所述空间距离范围的数量与所述预设的图像等级数量相同；
根据各个所述空间距离范围所表征的距离的大小，确定所述空间距离范围与图像等级之间的对应关系，其中，空间距离范围所表征的距离越大，该空间距离范围所对应的图像等级所反映的脑组织的变化程度越大。
根据本公开的第三方面，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本公开第一方面所述方法的步骤。
根据本公开的第四方面，提供一种电子设备，包括：
存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的所述计算机程序，以实现本公开第一方面所述方法的步骤。
通过上述技术方案，将目标脑图像输入到卷积神经网络以获得目标脑图像的图像特征，而后利用目标字典模型对脑图像的图像特征进行稀疏特征提取得到目标脑图像的稀疏特征，最后根据目标脑图像的稀疏特征确定目标脑图像对应的图像等级。这样，结合机器学习的方法提取相应的特征从而确定目标脑图像对应的图像等级，以智能识别脑图像中脑组织的变化程度，不再需要人为进行判断，从而可以减小因个人环境、经验等差异而导致的对于脑图像识别的差异，进而提升脑图像识别中对脑组织病变程度判定的准确性。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：
图1是根据本公开的一种实施方式提供的脑图像处理方法的流程图；
图2是根据本公开提供的脑图像处理方法中，目标字典模型的获得方式的一种示例性实现方式的流程图；
图3是根据本公开提供的脑图像处理方法中，根据目标脑图像的稀疏特征，确定目标脑图像对应的图像等级的步骤的一种示例性实现方式的流程图；
图4是根据本公开的一种实施方式提供的脑图像处理装置的框图；
图5是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。
图1是根据本公开的一种实施方式提供的脑图像处理方法的流程图。如图1所示，该方法可以包括以下步骤。
在步骤11中，将目标脑图像输入到卷积神经网络，获得目标脑图像的图像特征。
其中，卷积神经网络可以是通过对脑图像训练样本集训练而生成的。脑图像训练样本集可以取自脑结构CT(薄层扫描)图像、MRI(冠状位)检查图像等。由于脑组织变化通常表现为在三维空间中的变化，因此脑图像训练样本集中的脑图像训练样本可以为立体图像。在获得脑图像后，可以首先对获取到的脑图像进行预处理，从而得到脑图像训练样本集，以便对卷积神经网络进行训练。示例地，预处理可以包括对获得的脑图像进行统一尺寸处理、将各个脑图像缩放至卷积神经网络便于处理的尺寸、对各个脑图像进行标准归一化处理等。
脑图像训练样本集中可以包括两种图像分类的脑图像训练样本。脑图像的图像分类可以包括第一图像类和第二图像类，其中，第二图像类可以为脑组织正常的脑图像所属的分类，第一图像类则可以为脑组织非正常的脑图像所属的分类，在这里，脑组织的正常与否与脑组织的变化程度有关，并且，脑组织的变化程度表现为无变化或者变化较小对应于脑组织的正常状态，而脑组织的变化程度表现为变化较大则对应于脑组织的非正常状态。将脑图像训练样本集中的脑图像训练样本输入卷积神经网络后，利用脑图像训练样本以及脑图像训练样本各自对应的分类标签，经过层层训练，可以提取出样本的图像特征，该图像特征来自卷积神经网络的最后一层(后称“特征层”)，可以较为全面地反映卷积神经网络针对脑图像训练样本集提取出的特征，由卷积神经网络的特质可知，该图像特征对于区分第一图像类和第二图像类的脑图像存在十分优秀的效果。其中，图像特征可以是一维特征向量，在从卷积神经网络的最后一层获取到特征后，为了后续的计算方便，可以将该特征转化成一维特征向量。例如，从卷积神经网络的最后一层获取的特征可以为[a，b]，其中，若a＝[a1，a2]T，并且b＝[b1，b2]T，那么，转化后所得到的图像特征则为[a1，b1，a2，b2]。
需要说明的是，上文所述的卷积神经网络的训练、以及预处理中的标准归一化处理等均为本领域技术人员公知，在此不进行赘述。
将目标脑图像输入到预先训练好的卷积神经网络，可以得到目标脑图像的图像特征。
在步骤12中，利用目标字典模型对目标脑图像的图像特征进行稀疏特征提取，得到目标脑图像的稀疏特征。
在得到目标脑图像的图像特征后，可以利用目标字典模型对目标脑图像的图像特征进行稀疏特征提取，以得到目标脑图像的稀疏特征。这一步骤其实是对卷积神经网络提取出来的图像特征进行“降维”，提取出更有代表性且更加稀疏的稀疏特征，便于后续处理，避免上述图像特征维度过大而造成的数据处理困难。其中，目标字典模型可以是预先对脑图像训练样本集进行训练而得到的。关于获得目标字典模型的详细步骤将在后文中叙述，此处暂不说明。
在步骤13中，根据目标脑图像的稀疏特征，确定目标脑图像对应的图像等级。
根据目标脑图像的稀疏特征，可以确定目标脑图像对应的图像等级。其中，图像等级可以用于反映脑组织的变化程度。这里所述的脑组织的变化程度可以是相比于无病变的脑组织的变化，并且，脑组织的变化程度越大，可以认为该脑组织的病变程度越严重。示例地，图像等级越高，可以表示脑组织的变化程度越大；图像等级越低，可以表示脑组织的变化程度越小。可选地，最低的图像等级可以对应于无病变的脑组织的变化程度，这个变化程度可以接近于无变化。
在一种可能的实施方式中，可以预先获取脑图像训练样本集中各个脑图像训练样本的稀疏特征，并对稀疏特征与图像等级的对应关系进行标注，而后利用上述稀疏特征、标注关系以及机器学习分类器(例如，向量机、贝叶斯)构建分级模型。这样，在获得目标脑图像的稀疏特征后，将其输入预先构建的分级模型，即可得到目标脑图像对应的图像等级。
通过上述方式，将目标脑图像输入到卷积神经网络以获得目标脑图像的图像特征，而后利用目标字典模型对脑图像的图像特征进行稀疏特征提取得到目标脑图像的稀疏特征，最后根据目标脑图像的稀疏特征确定目标脑图像对应的图像等级。这样，结合机器学习的方法提取相应的特征从而确定目标脑图像对应的图像等级，以智能识别脑图像中脑组织的变化程度，不再需要人为进行判断，从而可以减小因个人环境、经验等差异而导致的对于脑图像识别的差异，进而提升脑图像识别中对脑组织病变程度判定的准确性。
在临床医学领域，阿尔兹海默病是导致痴呆的主要病因，在脑部图像中显示为脑皮质萎缩明显，及海马及内侧颞叶的变化。因此，在一种可能的场景中，可以利用本公开提供的方法实现针对阿尔兹海默病的分级，图像等级所反映的脑组织的变化程度越大，对应的阿尔兹海默病越严重。这样，可以辅助医生实现对阿尔兹海默病的分级诊断。
为了使本领域技术人员更加理解本发明实施例提供的技术方案，下面对上文中的相应步骤进行详细的说明。
首先，针对目标字典模型的获得方式进行详细说明。在一种可能的实施方式中，目标字典模型可以通过如下方式获得：
将脑图像训练样本集中属于第一图像类的脑图像训练样本输入到卷积神经网络，获得第一图像类的脑图像训练样本的图像特征；
根据第一图像类的脑图像训练样本的图像特征，利用字典学习算法构建第一字典模型；
根据第一字典模型，获得目标字典模型。
将脑图像训练样本集中属于第一图像类的脑图像训练样本输入到卷积神经网络，可获得第一图像类的脑图像训练样本的图像特征。根据第一图像类的脑图像训练样本的图像特征，可以利用字典学习算法构建第一字典模型。字典学习算法可以通过图像特征、学习参数构建字典模型，其中，学习参数可以例如包括稀疏特征维度、最大循环数、回归误差等。示例地，可以利用scikit-learn字典学习模块、结合设置的学习参数进行字典模型训练，采用最小角回归求解稀疏问题，利用门限方法进行稀疏特征变换求解。而后根据第一字典模型可以获得目标字典模型。
在一种可能的实施例中，可以直接将构建的第一字典模型确定为目标字典模型。
在另一种可能的实施例中，可以对构建的第一字典模型的有效性(例如，是否能够准确地代表图像特征)进行判断，以确定是否可以将该第一字典模型确定为目标字典模型。在这一实施例中，如图2所示，目标字典模型可以通过如下方式获得。
在步骤21中，将脑图像训练样本集中属于第一图像类的脑图像训练样本输入到卷积神经网络，获得第一图像类的脑图像训练样本的图像特征。
将脑图像训练样本集中属于第一图像类的脑图像训练样本输入到卷积神经网络，可获得第一图像类的脑图像训练样本的图像特征。
在步骤22中，根据第一图像类的脑图像训练样本的图像特征，利用字典学习算法构建第一字典模型。
根据第一图像类的脑图像训练样本的图像特征，可以利用字典学习算法构建第一字典模型。字典学习算法可以通过图像特征、学习参数构建字典模型，其中，学习参数可以例如包括稀疏特征维度、最大循环数、回归误差。示例地，可以利用scikit-learn字典学习模块、结合设置的学习参数进行字典模型训练，采用最小角回归求解稀疏问题，利用门限方法进行稀疏特征变换求解。
需要说明的是，上述利用图像特征构建字典模型的方法及流程对本领域技术人员是已知的，在此不做赘述。
在步骤23中，将脑图像测试样本集中的脑图像测试样本输入到卷积神经网络，获得脑图像测试样本的图像特征。
在步骤24中，根据脑图像测试样本的图像特征，对脑图像测试样本集中的脑图像测试样本进行分类，并确定该分类对应的第一准确率。
脑图像测试样本集的获取方式可以与脑图像训练样本集相同，另外，还可以按照上文描述的获取脑图像训练样本集的方式预先得到多个脑图像，并根据预先得到的多个脑图像，将其划分为两个部分，也就是上面提到的脑图像训练样本集和脑图像测试样本集。示例地，卷积神经网络的特征层可以接入一层全连通前馈网络层，并接入softmax激活函数实现分类。因此，可以将脑图像测试样本集中的脑图像测试样本输入到卷积神经网络结合上述方式实现分类，并确定分类所对应的第一准确率。这里的分类即为对第一图像类和第二图像类的区分。第一准确率可以反映直接利用图像特征进行分类的效果，这一分类方式是目前较为常用的分类方式。
需要说明的是，上述利用卷积神经网络进行分类的方法对本领域技术人员是公知的，因此未做详细描述。
在步骤25中，利用第一字典模型对脑图像测试样本的图像特征进行稀疏特征提取，得到脑图像测试样本的稀疏特征。
在步骤26中，根据脑图像测试样本的稀疏特征和脑图像分类模型，对脑图像测试样本集中的脑图像测试样本进行分类，并确定该分类对应的第二准确率。
在得到脑图像测试样本的稀疏特征后，可以利用脑图像分类模型对脑图像测试样本集中的脑图像测试样本进行分类。其中，脑图像分类模型可以是对脑图像训练样本集结合统计分类模型训练而得到的。示例地，在获得第一字典模型后，可以利用脑图像训练样本集中第一图像类的脑图像训练样本的图像特征得到脑图像训练样本集中第一图像类的脑图像训练样本的稀疏特征，并利用脑图像训练样本集中第一图像类的脑图像训练样本的稀疏特征以及统计分类模型(例如，贝叶斯统计学习模型)得到脑图像分类模型。分类即为对第一图像类和第二图像类的区分，在对脑图像测试样本集中的脑图像测试样本进行分类后，可以确定这一分类方式所对应的第二准确率。第二准确率可以反映利用上述稀疏特征进行分类的效果。
在步骤27中，判断第一准确率是否大于或者等于第二准确率。若确定第一准确率大于或者等于第二准确率，执行步骤28；若确定第一准确率小于第二准确率，执行步骤29。
在步骤28中，更新字典学习算法的学习参数，之后返回步骤22。
在步骤29中，将当前第一字典模型确定为目标字典模型。
若第一准确率大于或者等于第二准确率，则说明直接利用图像特征对脑图像分类的效果优于利用稀疏特征分类的效果，也就是说，第一字典模型的稀疏特征提取效果并不理想，因此有必要重新训练字典模型。因此，可以执行步骤28，更新字典学习算法的学习参数，例如更新学习参数中的稀疏特征维度、最大循环数、回归误差中的一者或几者，并返回步骤22，重新利用字典学习算法构建新的第一字典模型。
若第一准确率小于第二准确率，则说明利用稀疏特征分类的效果优于直接利用图像特征分类的效果，也就是说当前第一字典模型已经达到理想效果，即稀疏特征可以较为准确地代表脑图像的特征，因此可以执行步骤29，将当前第一字典模型确定为目标字典模型，并结束目标字典模型的构建。
采用上述方式，在构建目标字典模型时，利用分类准确率对比的方式对利用字典模型提取出的稀疏特征进行有效性评估，使得最终确定的目标字典模型效果良好。
下面针对步骤13中的根据目标脑图像的稀疏特征，确定目标脑图像对应的图像等级进行详细说明。
由前文所述，在一种可能的实施方式中，可以利用脑图像训练样本的稀疏特征、预先标注的稀疏特征和图像等级的对应关系构建分级模型。通过这种方式对图像等级进行确定，脑图像训练样本集中的脑图像训练样本数量越多，效果越优异。
在另一种可能的实施方式中，如图3所示，步骤13可以包括以下步骤。
在步骤31中，根据目标脑图像的稀疏特征和脑图像分类模型，对目标脑图像进行分类。
如上所述，脑图像的图像分类可以包括第一图像类和第二图像类。并且，对于脑图像分类模型的说明在上文中已经给出，在此不进行重复叙述。需要说明的是，上文所述脑图像分类模型是以第一字典模型为基础而训练出的，这里的第一字典模型就是最终的目标字典模型，也就是说，在训练脑图像分类模型时所依据的稀疏特征，是脑图像训练样本集中第一图像类的脑图像训练样本的图像特征经目标字典模型进行稀疏特征提取后而得到的。根据目标脑图像的稀疏特征和脑图像分类模型对目标脑图像进行分类，以确定目标脑图像属于第一图像类还是第二图像类。
在步骤32中，若目标脑图像属于第一图像类，则根据目标脑图像的稀疏特征和预设的基准稀疏特征，确定目标脑图像对应的图像等级。
若目标脑图像属于第一图像类，说明目标脑图像的脑组织处于非正常状态，需要进一步确定该目标脑图像中脑组织的变化与正常脑组织之间的差异程度，以便相关人士参考。而这个差异程度可以通过图像等级表征出来。
因此，可以根据目标脑图像的稀疏特征和预设的基准稀疏特征，确定目标脑图像对应的图像等级。其中，基准稀疏特征可以是根据脑图像训练样本集中第二图像类的脑图像训练样本的稀疏特征得到的。
在一种可能的实施方式中，步骤32可以包括以下步骤：
将目标脑图像的稀疏特征和基准稀疏特征映射至目标特征空间，并确定目标脑图像的稀疏特征和基准稀疏特征之间的空间距离；
根据空间距离、以及预设的空间距离范围与图像等级之间的对应关系，确定与空间距离所属的空间距离范围对应的图像等级为目标脑图像对应的图像等级。
将目标脑图像的稀疏特征和基准稀疏特征映射至目标特征空间。举例来说，如果基准稀疏特征为{x1，x2，…，xn}，并且，目标脑图像的稀疏特征为{y1，y2，…，yn}，则目标特征空间为n维空间。确定目标脑图像的稀疏特征和基准稀疏特征之间的空间距离，示例地，两稀疏特征在目标特征空间之间的空间距离可通过欧氏距离计算得到。以基准稀疏特征为{x1，x2，…，xn}，且目标脑图像的稀疏特征为{y1，y2，…，yn}为例，二者的空间距离d可以通过如下公式计算得到：
在得到目标脑图像的稀疏特征和基准稀疏特征之间的空间距离后，根据该空间距离，以及预设的空间距离范围与图像等级之间的对应关系，可以确定与空间距离所属的空间距离范围对应的图像等级为目标脑图像对应的图像等级。示例地，若共有三种图像等级，且空间距离范围与图像等级之间的对应关系为：空间距离范围[1，5]对应第一图像等级，空间距离范围(5，10]对应第二图像等级，空间距离范围(10，20]对应第三图像等级。那么若计算得到目标脑图像的稀疏特征和基准稀疏特征之间的空间距离为8，那么可以确定目标脑图像对应的图像等级为第二图像等级。
在一种可能的实施例中，基准稀疏特征可以通过如下方式获得：
将脑图像训练样本集中属于第二图像类的脑图像训练样本输入到卷积神经网络，获得第二图像类的脑图像训练样本的图像特征；
根据第二图像类的脑图像训练样本的图像特征，利用字典学习算法构建第二字典模型，并利用第二字典模型对第二图像类的脑图像训练样本的图像特征进行稀疏特征提取，得到第二图像类的脑图像训练样本的稀疏特征；
根据第二图像类的脑图像训练样本的稀疏特征，确定基准稀疏特征。
示例地，根据第二图像类的脑图像训练样本的稀疏特征确定基准稀疏特征，可以通过对第二图像类的脑图像训练样本的稀疏特征中各个特征值取平均值的方式来确定基准稀疏特征。例如，若脑图像训练样本集中第二图像类的脑图像训练样本有三个，并且，每一个脑图像训练样本的稀疏特征依次为：{r1，r2，r3}、{s1，s2，s3}、{t1，t2，t3}，则基准稀疏特征可以按照如下方式得到：将{(r1+s1+t1)/3，(r2+s2+t2)/3，(r3+s3+t3)/3}作为基准稀疏特征。
在一种可能的实施例中，空间距离范围与图像等级之间的对应关系可以通过如下几个步骤获得：
在第一步骤中，将脑图像训练样本集中属于第一图像类的脑图像训练样本输入到卷积神经网络，获得第一图像类的脑图像训练样本的图像特征，并利用目标字典模型对第一图像类的脑图像训练样本的图像特征进行稀疏特征提取，得到第一图像类的脑图像训练样本的稀疏特征；
在第二步骤中，将第一图像类的脑图像训练样本的稀疏特征和基准稀疏特征映射至目标特征空间，并分别计算每个第一图像类的脑图像训练样本的稀疏特征和基准稀疏特征之间的空间距离；
在第三步骤中，根据计算出的每个第一图像类的脑图像训练样本的稀疏特征和基准稀疏特征之间的空间距离，以及预设的图像等级数量，规划出若干个空间距离范围，空间距离范围的数量与预设的图像等级数量相同；
在第四步骤中，根据各个空间距离范围所表征的距离的大小，确定空间距离范围与图像等级之间的对应关系，其中，空间距离范围所表征的距离越大，该空间距离范围所对应的图像等级所反映的脑组织的变化程度越大。
在经过第二步骤计算出每个第一图像类的脑图像训练样本的稀疏特征和基准稀疏特征之间的空间距离后，可以结合预设的图像等级数量，规划出若干个空间距离范围。其中，空间距离范围的数量与预设的图像等级数量相同。预设的图像等级数量可以人为进行设置。示例地，可以从计算出的各个空间距离中选择一些空间距离作为划分阈值而划分出若干个空间距离范围。举例来说，若预设的图像等级数量为4个，且第一图像类的脑图像训练样本的稀疏特征和基准稀疏特征之间的空间距离依次为3、4、5、10，那么可以从中选择三个数值作为划分阈值，若选择3、5和10，则划分得到的空间距离范围可以是以3、5、10为间隔的四个空间距离范围，也就是[0，3]、(3，5]、(5，10]、(10，+∞]这四个空间距离范围，其中，区间的开闭性仅作为举例，实际应用时可以不必严格按照示例所示。
由第四步骤所述，根据各个空间距离范围所表征的距离的大小，确定空间距离范围与图像等级之间的对应关系。并且，空间距离范围所表征的距离越大，该空间距离范围所对应的图像等级所反映的脑组织的变化程度越大。空间距离范围所表征的距离越大，表示相应的稀疏特征与基准稀疏特征之间的距离越远，也就是说，相应的稀疏特征与脑组织正常情况下的脑组织之间的差距越大，也就是稀疏特征所对应的脑组织的变化程度越大。示例地，图像等级越高，可以表示脑组织的变化程度越大；图像等级越低，可以表示脑组织的变化程度越小。以上述示例中[0，3]、(3，5]、(5，10]、(10，+∞]这四个空间距离范围为例，若图像等级为1～4，那么，空间距离范围与图像等级之间的对应关系可以为：[0，3]对应于图像等级1、(3，5]对应于图像等级2、(5，10]对应于图像等级3、(10，+∞]对应于图像等级4。而若判定目标脑图像的图像等级为图像等级4，则可以确定该目标脑图像中脑组织的变化程度很大，属于最高等级。
采用上述方式，利用脑图像训练样本集中各第一图像类的脑图像训练样本对应的稀疏特征与基准稀疏特征之间的距离划分空间距离范围与图像等级之间的对应关系，即便在样本数量不足的情况下，也能够确定出图像等级的划分规则，便于后续的图像等级确定。
通过上述方式，通过计算确定目标脑图像的稀疏特征与基准稀疏特征之间的空间距离，就可以确定出图像等级。
图4是根据本公开的一种实施方式提供的脑图像处理装置的流程图。如图4所示，该装置40可以包括：
第一处理模块41，用于将目标脑图像输入到卷积神经网络，获得所述目标脑图像的图像特征，所述卷积神经网络是通过对脑图像训练样本集训练而生成的；
第二处理模块42，用于利用目标字典模型对所述目标脑图像的图像特征进行稀疏特征提取，得到所述目标脑图像的稀疏特征；
确定模块43，用于根据所述目标脑图像的稀疏特征，确定所述目标脑图像对应的图像等级，所述图像等级用于反映脑组织的变化程度。
可选地，所述确定模块43包括：
分类子模块，用于根据所述目标脑图像的稀疏特征和脑图像分类模型，对所述目标脑图像进行分类，其中，脑图像的图像分类包括第一图像类和第二图像类；
确定子模块，用于若所述目标脑图像属于所述第一图像类，则根据所述目标脑图像的稀疏特征和预设的基准稀疏特征，确定所述目标脑图像对应的图像等级。
可选地，所述装置40还可以包括：
第三处理模块，用于将所述脑图像训练样本集中属于所述第一图像类的脑图像训练样本输入到所述卷积神经网络，获得所述第一图像类的所述脑图像训练样本的图像特征；
第四处理模块，用于根据所述第一图像类的所述脑图像训练样本的图像特征，利用字典学习算法构建第一字典模型；
第五处理模块，用于根据所述第一字典模型，获得所述目标字典模型。
可选地，所述第五处理模块用于将脑图像测试样本集中的脑图像测试样本输入到所述卷积神经网络，获得所述脑图像测试样本的图像特征；根据所述脑图像测试样本的图像特征，对所述脑图像测试样本集中的脑图像测试样本进行分类，并确定该分类对应的第一准确率；利用所述第一字典模型对所述脑图像测试样本的图像特征进行稀疏特征提取，得到所述脑图像测试样本的稀疏特征；根据所述脑图像测试样本的稀疏特征和所述脑图像分类模型，对所述脑图像测试样本集中的脑图像测试样本进行分类，并确定该分类对应的第二准确率；若所述第一准确率大于或者等于所述第二准确率，更新所述字典学习算法的学习参数并返回所述根据所述第一图像类的所述脑图像训练样本的图像特征，利用字典学习算法构建第一字典模型的步骤，直到所述第一准确率小于所述第二准确率为止；若所述第一准确率小于所述第二准确率，将当前第一字典模型确定为所述目标字典模型。
可选地，所述确定子模块用于将所述目标脑图像的稀疏特征和所述基准稀疏特征映射至目标特征空间，并确定所述目标脑图像的稀疏特征和所述基准稀疏特征之间的空间距离；根据所述空间距离、以及预设的空间距离范围与图像等级之间的对应关系，确定与所述空间距离所属的空间距离范围对应的图像等级为所述目标脑图像对应的图像等级。
可选地，所述基准稀疏特征通过如下方式获得：
将所述脑图像训练样本集中属于所述第二图像类的脑图像训练样本输入到所述卷积神经网络，获得所述第二图像类的所述脑图像训练样本的图像特征；
根据所述第二图像类的所述脑图像训练样本的图像特征，利用字典学习算法构建第二字典模型，并利用所述第二字典模型对所述第二图像类的所述脑图像训练样本的图像特征进行稀疏特征提取，得到所述第二图像类的所述脑图像训练样本的稀疏特征；
根据所述第二图像类的所述脑图像训练样本的稀疏特征，确定所述基准稀疏特征。
可选地，所述空间距离范围与图像等级之间的对应关系通过如下方式获得：
将所述脑图像训练样本集中属于所述第一图像类的脑图像训练样本输入到所述卷积神经网络，获得所述第一图像类的所述脑图像训练样本的图像特征，并利用所述目标字典模型对所述第一图像类的所述脑图像训练样本的图像特征进行稀疏特征提取，得到所述第一图像类的所述脑图像训练样本的稀疏特征；
将所述第一图像类的所述脑图像训练样本的稀疏特征和所述基准稀疏特征映射至所述目标特征空间，并分别计算每个所述第一图像类的所述脑图像训练样本的稀疏特征和所述基准稀疏特征之间的空间距离；
根据计算出的每个所述第一图像类的所述脑图像训练样本的稀疏特征和所述基准稀疏特征之间的空间距离，以及预设的图像等级数量，规划出若干个空间距离范围，所述空间距离范围的数量与所述预设的图像等级数量相同；
根据各个所述空间距离范围所表征的距离的大小，确定所述空间距离范围与图像等级之间的对应关系，其中，空间距离范围所表征的距离越大，该空间距离范围所对应的图像等级所反映的脑组织的变化程度越大。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
图5是根据一示例性实施例示出的一种电子设备的框图。例如，电子设备1900可以被提供为一服务器。参照图5，电子设备1900包括处理器1922，其数量可以为一个或多个，以及存储器1932，用于存储可由处理器1922执行的计算机程序。存储器1932中存储的计算机程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理器1922可以被配置为执行该计算机程序，以执行上述的脑图像处理方法。
另外，电子设备1900还可以包括电源组件1926和通信组件1950，该电源组件1926可以被配置为执行电子设备1900的电源管理，该通信组件1950可以被配置为实现电子设备1900的通信，例如，有线或无线通信。此外，该电子设备1900还可以包括输入/输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如WindowsServerTM，Mac OS XTM，UnixTM,LinuxTM等等。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的脑图像处理方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器1932，上述程序指令可由电子设备1900的处理器1922执行以完成上述的脑图像处理方法。
以上结合附图详细描述了本公开的优选实施方式，但是，本公开并不限于上述实施方式中的具体细节，在本公开的技术构思范围内，可以对本公开的技术方案进行多种简单变型，这些简单变型均属于本公开的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本公开对各种可能的组合方式不再另行说明。
此外，本公开的各种不同的实施方式之间也可以进行任意组合，只要其不违背本公开的思想，其同样应当视为本公开所公开的内容。
Claims (10)
1.一种脑图像处理方法，其特征在于，所述方法包括：
将目标脑图像输入到卷积神经网络，获得所述目标脑图像的图像特征，所述卷积神经网络是通过对脑图像训练样本集训练而生成的；
利用目标字典模型对所述目标脑图像的图像特征进行稀疏特征提取，得到所述目标脑图像的稀疏特征；
根据所述目标脑图像的稀疏特征，确定所述目标脑图像对应的图像等级，所述图像等级用于反映脑组织的变化程度；
所述根据所述目标脑图像的稀疏特征，确定所述目标脑图像对应的图像等级，包括：
根据所述目标脑图像的稀疏特征和脑图像分类模型，对所述目标脑图像进行分类，其中，脑图像的图像分类包括第一图像类和第二图像类；
若所述目标脑图像属于所述第一图像类，则根据所述目标脑图像的稀疏特征和预设的基准稀疏特征，确定所述目标脑图像对应的图像等级；
所述根据所述目标脑图像的稀疏特征和预设的基准稀疏特征，确定所述目标脑图像对应的图像等级，包括：
将所述目标脑图像的稀疏特征和所述基准稀疏特征映射至目标特征空间，并确定所述目标脑图像的稀疏特征和所述基准稀疏特征之间的空间距离；
根据所述空间距离、以及预设的空间距离范围与图像等级之间的对应关系，确定与所述空间距离所属的空间距离范围对应的图像等级为所述目标脑图像对应的图像等级；
其中，所述基准稀疏特征通过如下方式获得：
将所述脑图像训练样本集中属于所述第二图像类的脑图像训练样本输入到所述卷积神经网络，获得所述第二图像类的所述脑图像训练样本的图像特征；
根据所述第二图像类的所述脑图像训练样本的图像特征，利用字典学习算法构建第二字典模型，并利用所述第二字典模型对所述第二图像类的所述脑图像训练样本的图像特征进行稀疏特征提取，得到所述第二图像类的所述脑图像训练样本的稀疏特征；
根据所述第二图像类的所述脑图像训练样本的稀疏特征，确定所述基准稀疏特征。
2.根据权利要求1所述的方法，其特征在于，所述目标字典模型通过如下方式获得：
将所述脑图像训练样本集中属于所述第一图像类的脑图像训练样本输入到所述卷积神经网络，获得所述第一图像类的所述脑图像训练样本的图像特征；
根据所述第一图像类的所述脑图像训练样本的图像特征，利用字典学习算法构建第一字典模型；
根据所述第一字典模型，获得所述目标字典模型。
3.根据权利要求2所述的方法，其特征在于，所述根据所述第一字典模型，获得所述目标字典模型，包括：
将脑图像测试样本集中的脑图像测试样本输入到所述卷积神经网络，获得所述脑图像测试样本的图像特征；
根据所述脑图像测试样本的图像特征，对所述脑图像测试样本集中的脑图像测试样本进行分类，并确定该分类对应的第一准确率；
利用所述第一字典模型对所述脑图像测试样本的图像特征进行稀疏特征提取，得到所述脑图像测试样本的稀疏特征；
根据所述脑图像测试样本的稀疏特征和所述脑图像分类模型，对所述脑图像测试样本集中的脑图像测试样本进行分类，并确定该分类对应的第二准确率；
若所述第一准确率大于或者等于所述第二准确率，更新所述字典学习算法的学习参数并返回所述根据所述第一图像类的所述脑图像训练样本的图像特征，利用字典学习算法构建第一字典模型的步骤，直到所述第一准确率小于所述第二准确率为止；
若所述第一准确率小于所述第二准确率，将当前第一字典模型确定为所述目标字典模型。
4.根据权利要求1所述的方法，其特征在于，所述空间距离范围与图像等级之间的对应关系通过如下方式获得：
将所述脑图像训练样本集中属于所述第一图像类的脑图像训练样本输入到所述卷积神经网络，获得所述第一图像类的所述脑图像训练样本的图像特征，并利用所述目标字典模型对所述第一图像类的所述脑图像训练样本的图像特征进行稀疏特征提取，得到所述第一图像类的所述脑图像训练样本的稀疏特征；
将所述第一图像类的所述脑图像训练样本的稀疏特征和所述基准稀疏特征映射至所述目标特征空间，并分别计算每个所述第一图像类的所述脑图像训练样本的稀疏特征和所述基准稀疏特征之间的空间距离；
根据计算出的每个所述第一图像类的所述脑图像训练样本的稀疏特征和所述基准稀疏特征之间的空间距离，以及预设的图像等级数量，规划出若干个空间距离范围，所述空间距离范围的数量与所述预设的图像等级数量相同；
根据各个所述空间距离范围所表征的距离的大小，确定所述空间距离范围与图像等级之间的对应关系，其中，空间距离范围所表征的距离越大，该空间距离范围所对应的图像等级所反映的脑组织的变化程度越大。
5.一种脑图像处理装置，其特征在于，所述装置包括：
第一处理模块，用于将目标脑图像输入到卷积神经网络，获得所述目标脑图像的图像特征，所述卷积神经网络是通过对脑图像训练样本集训练而生成的；
第二处理模块，用于利用目标字典模型对所述目标脑图像的图像特征进行稀疏特征提取，得到所述目标脑图像的稀疏特征；
确定模块，用于根据所述目标脑图像的稀疏特征，确定所述目标脑图像对应的图像等级，所述图像等级用于反映脑组织的变化程度；
所述确定模块包括：
分类子模块，用于根据所述目标脑图像的稀疏特征和脑图像分类模型，对所述目标脑图像进行分类，其中，脑图像的图像分类包括第一图像类和第二图像类；
确定子模块，用于若所述目标脑图像属于所述第一图像类，则根据所述目标脑图像的稀疏特征和预设的基准稀疏特征，确定所述目标脑图像对应的图像等级；
所述确定子模块用于将所述目标脑图像的稀疏特征和所述基准稀疏特征映射至目标特征空间，并确定所述目标脑图像的稀疏特征和所述基准稀疏特征之间的空间距离；根据所述空间距离、以及预设的空间距离范围与图像等级之间的对应关系，确定与所述空间距离所属的空间距离范围对应的图像等级为所述目标脑图像对应的图像等级；
其中，所述基准稀疏特征通过如下方式获得：
将所述脑图像训练样本集中属于所述第二图像类的脑图像训练样本输入到所述卷积神经网络，获得所述第二图像类的所述脑图像训练样本的图像特征；
根据所述第二图像类的所述脑图像训练样本的图像特征，利用字典学习算法构建第二字典模型，并利用所述第二字典模型对所述第二图像类的所述脑图像训练样本的图像特征进行稀疏特征提取，得到所述第二图像类的所述脑图像训练样本的稀疏特征；
根据所述第二图像类的所述脑图像训练样本的稀疏特征，确定所述基准稀疏特征。
6.根据权利要求5所述的装置，其特征在于，所述装置还包括：
第三处理模块，用于将所述脑图像训练样本集中属于所述第一图像类的脑图像训练样本输入到所述卷积神经网络，获得所述第一图像类的所述脑图像训练样本的图像特征；
第四处理模块，用于根据所述第一图像类的所述脑图像训练样本的图像特征，利用字典学习算法构建第一字典模型；
第五处理模块，用于根据所述第一字典模型，获得所述目标字典模型。
7.根据权利要求6所述的装置，其特征在于，所述第五处理模块用于将脑图像测试样本集中的脑图像测试样本输入到所述卷积神经网络，获得所述脑图像测试样本的图像特征；根据所述脑图像测试样本的图像特征，对所述脑图像测试样本集中的脑图像测试样本进行分类，并确定该分类对应的第一准确率；利用所述第一字典模型对所述脑图像测试样本的图像特征进行稀疏特征提取，得到所述脑图像测试样本的稀疏特征；根据所述脑图像测试样本的稀疏特征和所述脑图像分类模型，对所述脑图像测试样本集中的脑图像测试样本进行分类，并确定该分类对应的第二准确率；若所述第一准确率大于或者等于所述第二准确率，更新所述字典学习算法的学习参数并返回所述根据所述第一图像类的所述脑图像训练样本的图像特征，利用字典学习算法构建第一字典模型的步骤，直到所述第一准确率小于所述第二准确率为止；若所述第一准确率小于所述第二准确率，将当前第一字典模型确定为所述目标字典模型。
8.根据权利要求5所述的装置，其特征在于，所述空间距离范围与图像等级之间的对应关系通过如下方式获得：
将所述脑图像训练样本集中属于所述第一图像类的脑图像训练样本输入到所述卷积神经网络，获得所述第一图像类的所述脑图像训练样本的图像特征，并利用所述目标字典模型对所述第一图像类的所述脑图像训练样本的图像特征进行稀疏特征提取，得到所述第一图像类的所述脑图像训练样本的稀疏特征；
将所述第一图像类的所述脑图像训练样本的稀疏特征和所述基准稀疏特征映射至所述目标特征空间，并分别计算每个所述第一图像类的所述脑图像训练样本的稀疏特征和所述基准稀疏特征之间的空间距离；
根据计算出的每个所述第一图像类的所述脑图像训练样本的稀疏特征和所述基准稀疏特征之间的空间距离，以及预设的图像等级数量，规划出若干个空间距离范围，所述空间距离范围的数量与所述预设的图像等级数量相同；
根据各个所述空间距离范围所表征的距离的大小，确定所述空间距离范围与图像等级之间的对应关系，其中，空间距离范围所表征的距离越大，该空间距离范围所对应的图像等级所反映的脑组织的变化程度越大。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-4中任一项所述方法的步骤。
10.一种电子设备，其特征在于，包括：
存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的所述计算机程序，以实现权利要求1-4中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811594912.0A CN109816632B (zh) | 2018-12-25 | 2018-12-25 | 脑图像处理方法、装置、可读存储介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811594912.0A CN109816632B (zh) | 2018-12-25 | 2018-12-25 | 脑图像处理方法、装置、可读存储介质及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109816632A CN109816632A (zh) | 2019-05-28 |
| CN109816632B true CN109816632B (zh) | 2020-12-25 |
Family
ID=66602393
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811594912.0A Active CN109816632B (zh) | 2018-12-25 | 2018-12-25 | 脑图像处理方法、装置、可读存储介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109816632B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110874614B (zh) * | 2019-11-13 | 2023-04-28 | 上海联影智能医疗科技有限公司 | 脑图像分类方法、计算机设备和可读存储介质 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9858502B2 (en) * | 2014-03-31 | 2018-01-02 | Los Alamos National Security, Llc | Classification of multispectral or hyperspectral satellite imagery using clustering of sparse approximations on sparse representations in learned dictionaries obtained using efficient convolutional sparse coding |
| CN105893971A (zh) * | 2016-04-01 | 2016-08-24 | 上海理工大学 | 一种基于Gabor和稀疏表示的交通信号灯识别方法 |
| CN107016395B (zh) * | 2017-03-18 | 2021-02-26 | 复旦大学 | 稀疏表示的原发性脑部淋巴瘤和胶质母细胞瘤的鉴别系统 |
| CN107403618B (zh) * | 2017-07-21 | 2020-05-05 | 山东师范大学 | 基于堆叠基稀疏表示的音频事件分类方法及计算机设备 |
| CN107563123A (zh) * | 2017-09-27 | 2018-01-09 | 百度在线网络技术（北京）有限公司 | 用于标注医学图像的方法和装置 |
| CN108319969B (zh) * | 2018-01-12 | 2021-06-22 | 复旦大学 | 基于稀疏表示框架的脑胶质瘤生存期预测方法和系统 |
| CN108898160B (zh) * | 2018-06-01 | 2022-04-08 | 中国人民解放军战略支援部队信息工程大学 | 基于cnn和影像组学特征融合的乳腺癌组织病理学分级方法 |
| CN108960289B (zh) * | 2018-06-08 | 2021-03-16 | 清华大学 | 医用图像分类装置及方法 |
| CN108898105A (zh) * | 2018-06-29 | 2018-11-27 | 成都大学 | 一种基于深度特征和稀疏压缩分类的人脸识别方法 |
-
2018
- 2018-12-25 CN CN201811594912.0A patent/CN109816632B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN109816632A (zh) | 2019-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20220383495A1 (en) | Systems and methods for probablistic segmentation in anatomical image processing | |
| US11288550B2 (en) | Data processing apparatus and method, recognition apparatus, learning data storage apparatus, machine learning apparatus, and program | |
| JP6885517B1 (ja) | 診断支援装置及びモデル生成装置 | |
| US9265441B2 (en) | Assessment of traumatic brain injury | |
| US10249042B2 (en) | Method and apparatus for providing medical information service on basis of disease model | |
| US9510756B2 (en) | Method and system for diagnosis of attention deficit hyperactivity disorder from magnetic resonance images | |
| CN111225614B (zh) | 诊断辅助装置及信息处理方法 | |
| CN109102490A (zh) | 自动图像注册质量评估 | |
| CN112435341B (zh) | 三维重建网络的训练方法及装置、三维重建方法及装置 | |
| JP2019528511A (ja) | ニューロンネットワークをトレーニングする方法及び能動学習システム | |
| KR20190105452A (ko) | 딥러닝 기반 뇌 질환 진단 방법 | |
| EP3973508A1 (en) | Sampling latent variables to generate multiple segmentations of an image | |
| CN111862020B (zh) | 一种眼前节生理年龄预测方法、装置、服务器及存储介质 | |
| JP2016531709A (ja) | 疾患を診断するための画像解析技術 | |
| US20140270447A1 (en) | Systems, methods and computer readable storage media storing instructions for automatically segmenting images of a region of interest | |
| CN113164142B (zh) | 相似度确定装置、方法及程序 | |
| CN114332132A (zh) | 图像分割方法、装置和计算机设备 | |
| da Cruz et al. | Enabling autonomous medical image data annotation: A human-in-the-loop reinforcement learning approach | |
| CN118968186A (zh) | 医疗图像数据集的自适应图像分类方法、系统及存储介质 | |
| Khosravi et al. | Novel classification scheme for early Alzheimer's disease (AD) severity diagnosis using deep features of the hybrid cascade attention architecture: early detection of AD on MRI Scans | |
| Arora et al. | Deep Learning Approaches for Enhanced Kidney Segmentation: Evaluating U-Net and Attention U-Net with Cross-Entropy and Focal Loss Functions | |
| CN116740042A (zh) | 一种基于多阶段模型的感染检测方法、装置、设备及介质 | |
| CN109816632B (zh) | 脑图像处理方法、装置、可读存储介质及电子设备 | |
| JP7387457B2 (ja) | 医用画像処理装置、プログラム、および医用画像処理システム | |
| CN119673433A (zh) | 面向抑郁-焦虑合并症的病症映射脑区定位方法和设备 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |