CN110246566A - 基于卷积神经网络的品行障碍确定方法、系统和存储介质 - Google Patents

基于卷积神经网络的品行障碍确定方法、系统和存储介质 Download PDF

Info

Publication number
CN110246566A
CN110246566A CN201910332655.1A CN201910332655A CN110246566A CN 110246566 A CN110246566 A CN 110246566A CN 201910332655 A CN201910332655 A CN 201910332655A CN 110246566 A CN110246566 A CN 110246566A
Authority
CN
China
Prior art keywords
conduct disorder
neural networks
convolutional neural
conduct
magnetic resonance
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
Application number
CN201910332655.1A
Other languages
English (en)
Inventor
黄炳升
张家宁
李悦翔
王铭宇
曹万依
姚树桥
沈琳琳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen University
Second Xiangya Hospital of Central South University
Original Assignee
Shenzhen University
Second Xiangya Hospital of Central South University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen University, Second Xiangya Hospital of Central South University filed Critical Shenzhen University
Priority to CN201910332655.1A priority Critical patent/CN110246566A/zh
Publication of CN110246566A publication Critical patent/CN110246566A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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]
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30016—Brain

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Developmental Disabilities (AREA)
  • Artificial Intelligence (AREA)
  • Child & Adolescent Psychology (AREA)
  • Databases & Information Systems (AREA)
  • Hospice & Palliative Care (AREA)
  • Psychiatry (AREA)
  • Psychology (AREA)
  • Social Psychology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了基于卷积神经网络的品行障碍确定方法、系统和存储介质，该方法包括：获取待确定品行障碍的人的磁共振成像图像；采用深度卷积神经网络算法来对获取的磁共振成像图像进行品行障碍识别，从而获得品行障碍识别结果。本发明实施例通过采用深度卷积神经网络算法来对获取的磁共振成像图像进行品行障碍识别，使用深度卷积神经网络算法来自动进行品行障碍识别的方式大大提高了对品行障碍确定的准确度，并且不需要依赖于医生丰富的临床经验，减少了人力投入。本发明作为基于卷积神经网络的品行障碍确定方法、系统和存储介质可广泛应用于计算机辅助领域中。

Description

基于卷积神经网络的品行障碍确定方法、系统和存储介质
技术领域
本发明涉及计算机辅助领域，尤其涉及基于卷积神经网络的品行障碍确定方法、系统和存储介质。
背景技术
如今，CD(Conduct Disorder，品行障碍)在临床上的诊断方案包括美国精神病学协会(APA)的DSM-IV标准以及我国的CCMD-3标准等。精神科医生一般采用面谈以及家族史追溯的方法进行CD的诊断。CD的临床诊断特征主要包括四点：1、对人和动物造成攻击和严重的伤害；2、蓄意损坏或毁坏财物(例如放火、破坏公物等)；3、反复违反家庭或学校规章、法律或两者；4、持续撒谎以逃避后果或获得有形的商品与特权。DSM-IV标准强调至少有三种CD的临床诊断特征且持续6个月的才能被诊断为CD。然而CD的发病机制非常复杂，至今未探索清楚，可能是由很多因素所致，包括社会、环境、生物学、遗传和心理学等，且临床诊断方法主要依靠医生多年的诊断经验，尤其是在早期表现症状还不明显的阶段，医生难以做出准确的判断。
在过去的几十年中，CD和相关精神障碍的病因学的神经影像学研究得到了越来越多的关注。随着各种成像方式的应用，如磁共振成像(MRI)、计算机断层扫描(ComputedTomography，CT)和正电子发射断层扫描(Positron Emission Tomography，PET)等，非侵入式地研究人脑并开发神经影像标志物(Biomarker)成为可能。其中，结构MRI(StructuralMRI)具有提供各种脑结构信息和检测结构异常的优势。然而，大量的神经成像数据和人脑结构的复杂性表明，研究者和临床医生很难通过肉眼观察神经影像学数据的异常并完成准确的诊断，因此现有对品行障碍的确定方法具有依赖于医生的诊断经验和准确率较低的缺点。
发明内容
为了解决上述技术问题，本发明实施例的目的是提供基于卷积神经网络的品行障碍确定方法、系统和存储介质。
一方面，本发明实施例提供了基于卷积神经网络的品行障碍确定方法，包括以下步骤：
获取待确定品行障碍的人的磁共振成像图像；
采用深度卷积神经网络算法来对获取的磁共振成像图像进行品行障碍识别，从而获得品行障碍识别结果。
进一步，所述获取待确定品行障碍的人的磁共振成像图像这一步骤，其具体包括：
获取待确定品行障碍的人脑部的磁共振成像图像；
将获取的磁共振成像图像配准至预设模板上，从而得到配准后的磁共振成像图像；
对配准后的磁共振成像图像进行脑组织分割，从而得到灰质图像；
将得到的灰质图像进行平滑处理，获得灰质平滑图像。
进一步，所述采用深度卷积神经网络算法来对获取的磁共振成像图像进行品行障碍识别，从而获得品行障碍识别结果这一步骤，其具体为：
采用深度卷积神经网络算法来对品行障碍识别模型进行训练，得到训练完成的品行障碍识别模型；
将获取的磁共振成像图像输入得到的品行障碍识别模型中，从而获得品行障碍识别结果；所述品行障碍识别结果包括：品行障碍的患病概率、患病与否和品行障碍的患病程度。
进一步，所述采用深度卷积神经网络算法来对品行障碍识别模型进行训练，得到训练完成的品行障碍识别模型这一步骤，其具体包括：
将预设的样本分为训练样本和测试样本；所述预设的样本均带有标签；
将训练样本输入深度卷积神经网络模型进行训练，从而获得训练后的品行障碍识别模型；
使用测试样本对获得的品行障碍识别模型进行测试，获得测试结果；
根据测试结果对品行障碍识别模型的参数做调整，得到训练完成的品行障碍识别模型。
进一步，所述将训练样本输入深度卷积神经网络模型进行训练，从而获得训练后的品行障碍识别模型这一步骤，其具体包括：
将训练样本输入品行障碍识别模型中进行特征提取，从而获得特征图；
使用SOFTMAX分类器对获得的特征图进行计算，从而得到计算结果；
根据得到的计算结果和训练样本对应的标签对品行障碍识别模型的权重做调整，从而获得训练后的品行障碍识别模型。
进一步，所述将训练样本输入品行障碍识别模型中进行特征提取，从而获得特征图这一步骤，其具体包括：
将训练样本输入由L个第一处理块和N个第二处理块连接所组成的第一模块中，得到输出的特征图；其中每个第一处理块均包括1个卷积层、1个批标准化层、1个修正线性单元和1个随机失活层：每个第二处理块均包括1个卷积层、1个批标准化层、1个修正线性单元、1个随机失活层和1个最大池化层，所述L和N均为正整数；
将得到的特征图依次输入M个第二模块中，从而得到M个特征图；其中每个第二模块均包括1个全连接层、1个修正线性单元和1个随机失活层，所述M为正整数。
进一步，所述使用测试样本对获得的品行障碍识别模型进行测试，获得测试结果这一步骤，其具体包括：
将测试样本输入获得的品行障碍识别模型中，获得测试结果和显著性图；
将获得的显著性图映射到原始输入图像空间，从而获得特征可视化图；
输出所有的特征可视化图。
另一方面，本发明实施例还提供了基于卷积神经网络的品行障碍确定系统，包括：
图像获取模块，用于获取待确定品行障碍的人的磁共振成像图像；
模型预测模块，用于采用深度卷积神经网络算法来对获取的磁共振成像图像进行品行障碍识别，从而获得品行障碍识别结果。
另一方面，本发明实施例还提供了基于卷积神经网络的品行障碍确定系统，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现所述基于卷积神经网络的品行障碍确定方法。
另一方面，本发明实施例提供了一种存储介质，其中存储有处理器可执行的指令，所述处理器可执行的指令在由处理器执行时用于执行所述基于卷积神经网络的品行障碍确定方法。
本发明的有益效果是：本发明实施例通过采用深度卷积神经网络算法来对获取的磁共振成像图像进行品行障碍识别，使用深度卷积神经网络算法来自动进行品行障碍识别的方式大大提高了对品行障碍确定的准确度，并且不需要依赖于医生丰富的临床经验，减少了人力投入。
附图说明
图1是本发明实施例基于卷积神经网络的品行障碍确定方法的步骤流程图；
图2是本发明实施例的品行障碍识别模型与现有技术的效果对比图；
图3是本发明实施例的品行障碍识别模型的网络结构框图；
图4是本发明实施例的品行障碍识别模型输出的特征可视化图的具体示意图；
图5是本发明实施例基于卷积神经网络的品行障碍确定系统的结构框图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
如图1所示，本发明实施例提供了基于卷积神经网络的品行障碍确定方法，该方法包括以下步骤：
S101、获取待确定品行障碍的人的磁共振成像图像；
具体地，所述磁共振成像图像为结构磁共振成像图像，所述结构磁共振成像图像相较于其他磁共振成像图像具有的优点为：图像的分辨率更高和解剖结构成像更全面具体。
S102、采用深度卷积神经网络算法来对获取的磁共振成像图像进行品行障碍识别，从而获得品行障碍识别结果；
具体地，本实施例采用深度学习中的深度卷积神经网络算法来对MRI(磁共振成像)图像进行特征学习和识别，从而能够非常准确的判断出品行障碍患者的大脑MRI图像，使用深度卷积神经网络算法可以避免了依赖于经验丰富的临床医生来对病症进行诊断，降低了人力，同时深度学习还能够大大提高准确性，避免了因为医生的疲劳、疏忽等造成的误诊。
进一步作为本方法的优选实施例，所述获取待确定品行障碍的人的磁共振成像图像这一步骤S101，其具体包括：
S1011、获取待确定品行障碍的人脑部的磁共振成像图像；
具体地，对于每一位参与者，本实施例在飞利浦Achieva 3.0T扫描仪上采集高分辨率的结构T1加权图像作为原始数据，在采集过程中采用的序列是三维磁化预备梯度回波序列(Three-dimensional magnetization-prepared rapid gradient echo，3D-MPRAGE)。扫描参数如下：重复时间(Repetition time，TR)＝8.5ms，回波时间(Echo time，TE)＝3.7ms，层数＝180层，层厚＝1mm，采集矩阵＝256×256，视野＝256×256mm2，翻转角＝8°，图像像素大小＝1.0×1.0×1.0mm3。本实施例采用标准的头部线圈传输和接收射频信号。
S1012、将获取的磁共振成像图像配准至预设模板上，从而得到配准后的磁共振成像图像；
具体地，本实施例将获取的磁共振成像图像配准至预设模板上，使得所有磁共振成像图像的脑形状大致相同。在标准化的过程中，本实施例首先是用仿射变换将磁共振成像图像与模板大致对齐，然后对对齐后的图像做非线性变换，从而得到配准后的磁共振成像图像。
S1013、对配准后的磁共振成像图像进行脑组织分割，从而得到灰质图像；
具体地，所述脑组织分割具体为：将图像中脑组织分为灰质、白质、脑脊液三部分，本实施例采用贝叶斯分类的方法来进行脑组织分割，此方法将正常人脑组织的经验作为先验知识，在分割中用到混合高斯概率模型聚类，从而得到三种组织图像概率图，但由于组织图像概率图不能用来分析两组图像的灰质等脑组织的体积差异，于是本实施例通过步骤S1012的图像配准过程中所生成的变形场，得到每个体素的雅克比行列式的值，将组织图像概率图乘以雅克比行列式，最终得到反映灰质体积的图像。
S1014、将得到的灰质图像进行平滑处理，获得灰质平滑图像；
具体地，由于原始图像以及图像处理过程中不可避免的引入了噪声，因此为了减少噪声，提高图像信噪比；本实施例对灰质图像进行平滑处理，使得图像的数据分布更接近随机场模型，增加了模型预测的准确性。
进一步作为本方法的优选实施例，所述采用深度卷积神经网络算法来对获取的磁共振成像图像进行品行障碍识别，从而获得品行障碍识别结果这一步骤S102，其具体为：
S1021、采用深度卷积神经网络算法来对品行障碍识别模型进行训练，得到训练完成的品行障碍识别模型；
具体地，本实施例采用深度卷积神经网络算法来训练本方法提供的品行障碍识别模型，所述品行障碍识别模型主要用于对脑部磁共振成像图像进行智能识别，判断磁共振成像图像是否为品行障碍患者的磁共振成像图像。
S1022、将获取的磁共振成像图像输入得到的品行障碍识别模型中，从而获得品行障碍识别结果；所述品行障碍识别结果包括：品行障碍的患病概率、患病与否和品行障碍的患病程度；
具体地，所述品行障碍的患病概率的值为百分数(例如：30％、80％或100％)，所述患病与否包括：是和否，所述品行障碍的患病程度包括：不患病、轻度患病、中度患病、重度患病等等。使用本实施例提供的已经训练好的品行障碍识别模型来对品行障碍进行识别，可以直接对输入的图像进行预测，不需要再反复进行训练，提高了预测效率。
进一步作为本方法的优选实施例，所述采用深度卷积神经网络算法来对品行障碍识别模型进行训练，得到训练完成的品行障碍识别模型这一步骤S1021，其具体包括：
S10211、将预设的样本分为训练样本和测试样本；所述预设的样本均带有标签；
具体地，本实施例取经过标准化、分割、调制、平滑等步骤后的灰质平滑图像作为品行障碍识别模型的原始输入图像，并采用5折交叉验证方法训练和测试网络。首先我们把数据随机分为5折：其中4折用于训练，剩下的1折用于测试。因为训练数据有限，为了避免训练过程过拟合，本实施例通过人工生成样本(数据增强)来扩展训练数据。本方法中，经过图像预处理过后的每个样本的图像数据维度为121×145×121。本实施例采用翻转(Flip)和添加噪声(Noise)的组合来扩增训练数据，所述人工生成样本的过程为通过外循环和内循环来完成。在外循环中，原始图像从0度旋转到360度，步幅为12度；在内循环中，高斯噪声从0到1.5×10-5，步长为7.5×10-6。所述预设的样本包括不同患病程度的品行障碍患者的磁共振成像图像和正常人的磁共振成像图像，并且每一个样本都设置有标签，如：品行障碍患者的样本带有的标签是患病，正常人的样本带有的标签是正常；又如：轻度患病患者的样本带有的标签是轻度，中度患病患者的样本带有的标签是中度，正常人的样本带有的标签是正常。
S10212、将训练样本输入深度卷积神经网络模型进行训练，从而获得训练后的品行障碍识别模型；
具体地，本实施例使用训练样本对深度卷积神经网络模型进行训练，并将训练完成的模型作为品行障碍识别模型。
S10213、使用测试样本对获得的品行障碍识别模型进行测试，获得测试结果；
具体地，本实施例使用测试样本对已经训练完成的品行障碍识别模型进行测试，验证模型的预测效果。
S10214、根据测试结果对品行障碍识别模型的参数做调整，得到训练完成的品行障碍识别模型；
具体地，本实施例将所有测试样本的测试的结果与标签做对比，并进行统计计算，计算受试者特性(Receiver Operating Characteristic，ROC)曲线及ROC曲线下面积(TheArea Under ROC Curve，AUC)，同时，从ROC曲线上得到最高准确率(Accuracy)，并计算得到特异度(Specificity)和灵敏度(Sensitivity)。其中准确率、敏感度和特异度的计算方法如下：Accuracy＝(TP+TN)/(TP+TN+FP+FN)；Sensitivity＝TP/(TP+FN)；Specificity＝TN/(TN+FP)，其中，TP为True Positive，模型预测结果为正样本，真实标签是正样本的样本总数；TN为True Negative，模型预测结果为负样本，真实标签是负样本的样本总数；FP为False Positive，模型预测结果为正样本，真实标签是负样本的样本总数；FN为FalseNegative，模型预测结果为负样本，真实标签是正样本的样本总数；最后，本实施例将测试结果与现有的SVM(Support Vector Machine，支持向量机)方法的AUC进行比较，以评估本实施例的品行障碍识别模型的识别准确度，比较结果如图2所示，本实施例大大提高了识别的准确度。
进一步作为本方法的优选实施例，所述将训练样本输入深度卷积神经网络模型进行训练，从而获得训练后的品行障碍识别模型这一步骤S10212，其具体包括：
S102121、将训练样本输入品行障碍识别模型中进行特征提取，从而获得特征图；
S102122、使用SOFTMAX分类器对获得的特征图进行计算，从而得到计算结果；
具体地，本实施例将获得的特征图通过Flatten拉伸为一维向量，再将一维向量输入到SOFTMAX分类器中，从而得到分类器输出的概率值。
S102123、根据得到的计算结果和训练样本对应的标签对品行障碍识别模型的权重做调整，从而获得训练后的品行障碍识别模型；
具体地，将步骤S102122获得的概率值与训练样本对应的标签进行比较，将比较产生的误差作为参数反向传播，从而优化整个网络的参数，并设置迭代次数来监督训练过程的结束。最终在训练结束后获得品行障碍识别模型，本实施例通过提取特征，将特征转化为概率值的方式，使得模型输出的结果可以直接用来计算评估，提高了效率。
进一步作为本方法的优选实施例，所述将训练样本输入品行障碍识别模型中进行特征提取，从而获得特征图这一步骤S102121，其具体包括：
S1021211、将训练样本输入由L个第一处理块和N个第二处理块连接所组成的第一模块中，得到输出的特征图；其中每个第一处理块均包括1个卷积层、1个批标准化层、1个修正线性单元和1个随机失活层：每个第二处理块均包括1个卷积层、1个批标准化层、1个修正线性单元、1个随机失活层和1个最大池化层，所述L和N均为正整数；
S1021212、将得到的特征图依次输入M个第二模块中，从而得到M个特征图；其中每个第二模块均包括1个全连接层、1个修正线性单元和1个随机失活层，所述M为正整数；
具体地，如图3所示，本实施例提供的品行障碍识别模型的网络结构由1个输入层、5个卷积层和3个全连接层组成，输入图像是尺寸为121×145×121的平滑灰质图像。首先，5个卷积层中：第一个卷积层具有48个大小为7×7的滤波器，第二个卷积层具有128个大小为5×5的滤波器，第三个卷积层具有192个大小为3×3×3的滤波器，第四个卷积层具有192个大小为3×3×3的滤波器，第五个卷积层具有128个大小为3×3×3的滤波器。其次，分别在第1、第2和第4个卷积层之后设置了2×2×2、2×2×2和3×3×3的最大池化层，所述最大池化层的步长为1，并且在每个池化层之后分别设置了1个批量标准化层，所述批量标准化层主要用于规范化网络层的输入，从而固定每层输入信号的均值与方差，防止因神经网络层数加深而导致难以训练的情况发生，所述3个全连接层分别应用了500,250和2个神经元节点，图中的Conv即卷积层(Convolutional layer)，Fc即全连接层(Fully-connectedlayer)；所述卷积层的卷积核为3D卷积核，用于更好地提取磁共振成像图像，由于卷积和全连接层的运算都属于线性运算，通过加入非线性的激活函数，可增强网络的非线性映射能力和加快神经网络的收敛速度，而采用RELU(修正线性单元)相对于反正切等其它激活函数，训练速度大约有6倍的提升，同时，采用的随机失活层在训练时随机使得一部分神经元失活，不贡献连接权重而减少过拟合的风险。
进一步作为本方法的优选实施例，所述使用测试样本对获得的品行障碍识别模型进行测试，获得测试结果这一步骤，其具体包括：
S10212111、将测试样本输入获得的品行障碍识别模型中，获得测试结果和显著性图；
具体地，本实施例在将测试样本输入品行障碍识别模型后，获得测试结果，同时还计算出每一个卷积层特征图中每个像素对最终正确分类损失(loss)的贡献，将所述贡献的梯度可视化为显著性图，所述显著性图为测试样本在深度学习过程中特征分布的直观图。
S10212112、将获得的显著性图映射到原始输入图像空间，从而获得特征可视化图；
具体地，本实施例使用三次多项式插值方法将不同大小的显著性图映射到原始输入图像空间，接着使用原始输入图像作为掩模，只保留了在大脑区域内的显著图作为特征可视化图，特征可视化图可以更好地了解提取出的特征在大脑中的分布。
S10212113、输出所有的特征可视化图；
具体地，如图4所示，特征可视化图有利于更直观地理解在输入图像时，网络模型如何学习sMRI图像特征，图中(a)～(e)是使用原始输入图像作为掩模时，品行障碍识别模型的第一层卷积层到第五层卷积层的显著性图，图中的颜色表示输入图像的不同区域在分类过程中贡献的分数。
如图5所示，本发明实施例还提供了基于卷积神经网络的品行障碍确定系统，包括：
图像获取模块201，用于获取待确定品行障碍的人的磁共振成像图像；
模型预测模块202，用于采用深度卷积神经网络算法来对获取的磁共振成像图像进行品行障碍识别，从而获得品行障碍识别结果。
上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
本发明实施例还提供了—种基于卷积神经网络的品行障碍确定系统，该系统包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现上述基于卷积神经网络的品行障碍确定方法。
上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
此外，本发明实施例还提供了一种存储介质，其中存储有处理器可执行的指令，所述处理器可执行的指令在由处理器执行时用于执行所述基于卷积神经网络的品行障碍确定方法。
以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (10)

1.基于卷积神经网络的品行障碍确定方法，其特征在于：包括以下步骤：
获取待确定品行障碍的人的磁共振成像图像；
采用深度卷积神经网络算法来对获取的磁共振成像图像进行品行障碍识别，从而获得品行障碍识别结果。
2.根据权利要求1所述的基于卷积神经网络的品行障碍确定方法，其特征在于：所述获取待确定品行障碍的人的磁共振成像图像这一步骤，其具体包括：
获取待确定品行障碍的人脑部的磁共振成像图像；
将获取的磁共振成像图像配准至预设模板上，从而得到配准后的磁共振成像图像；
对配准后的磁共振成像图像进行脑组织分割，从而得到灰质图像；
将得到的灰质图像进行平滑处理，获得灰质平滑图像。
3.根据权利要求1所述的基于卷积神经网络的品行障碍确定方法，其特征在于：所述采用深度卷积神经网络算法来对获取的磁共振成像图像进行品行障碍识别，从而获得品行障碍识别结果这一步骤，其具体为：
采用深度卷积神经网络算法来对品行障碍识别模型进行训练，得到训练完成的品行障碍识别模型；
将获取的磁共振成像图像输入得到的品行障碍识别模型中，从而获得品行障碍识别结果；所述品行障碍识别结果包括：品行障碍的患病概率、患病与否和品行障碍的患病程度。
4.根据权利要求3所述的基于卷积神经网络的品行障碍确定方法，其特征在于：所述采用深度卷积神经网络算法来对品行障碍识别模型进行训练，得到训练完成的品行障碍识别模型这一步骤，其具体包括：
将预设的样本分为训练样本和测试样本；所述预设的样本均带有标签；
将训练样本输入深度卷积神经网络模型进行训练，从而获得训练后的品行障碍识别模型；
使用测试样本对获得的品行障碍识别模型进行测试，获得测试结果；
根据测试结果对品行障碍识别模型的参数做调整，得到训练完成的品行障碍识别模型。
5.根据权利要求4所述的基于卷积神经网络的品行障碍确定方法，其特征在于：所述将训练样本输入深度卷积神经网络模型进行训练，从而获得训练后的品行障碍识别模型这一步骤，其具体包括：
将训练样本输入品行障碍识别模型中进行特征提取，从而获得特征图；
使用SOFTMAX分类器对获得的特征图进行计算，从而得到计算结果；
根据得到的计算结果和训练样本对应的标签对品行障碍识别模型的权重做调整，从而获得训练后的品行障碍识别模型。
6.根据权利要求5所述的基于卷积神经网络的品行障碍确定方法，其特征在于：所述将训练样本输入品行障碍识别模型中进行特征提取，从而获得特征图这一步骤，其具体包括：
将训练样本输入由L个第一处理块和N个第二处理块连接所组成的第一模块中，得到输出的特征图；其中每个第一处理块均包括1个卷积层、1个批标准化层、1个修正线性单元和1个随机失活层：每个第二处理块均包括1个卷积层、1个批标准化层、1个修正线性单元、1个随机失活层和1个最大池化层，所述L和N均为正整数；
将得到的特征图依次输入M个第二模块中，从而得到M个特征图；其中每个第二模块均包括1个全连接层、1个修正线性单元和1个随机失活层，所述M为正整数。
7.根据权利要求4所述的基于卷积神经网络的品行障碍确定方法，其特征在于：所述使用测试样本对获得的品行障碍识别模型进行测试，获得测试结果这一步骤，其具体包括：
将测试样本输入获得的品行障碍识别模型中，获得测试结果和显著性图；
将获得的显著性图映射到原始输入图像空间，从而获得特征可视化图；
输出所有的特征可视化图。
8.基于卷积神经网络的品行障碍确定系统，其特征在于：包括：
图像获取模块，用于获取待确定品行障碍的人的磁共振成像图像；
模型预测模块，用于采用深度卷积神经网络算法来对获取的磁共振成像图像进行品行障碍识别，从而获得品行障碍识别结果。
9.基于卷积神经网络的品行障碍确定系统，其特征在于：包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如权利要求1-7任一项所述的基于卷积神经网络的品行障碍确定方法。
10.一种存储介质，其中存储有处理器可执行的指令，其特征在于，所述处理器可执行的指令在由处理器执行时用于执行如权利要求1-7任一项所述的基于卷积神经网络的品行障碍确定方法。
CN201910332655.1A 2019-04-24 2019-04-24 基于卷积神经网络的品行障碍确定方法、系统和存储介质 Pending CN110246566A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910332655.1A CN110246566A (zh) 2019-04-24 2019-04-24 基于卷积神经网络的品行障碍确定方法、系统和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910332655.1A CN110246566A (zh) 2019-04-24 2019-04-24 基于卷积神经网络的品行障碍确定方法、系统和存储介质

Publications (1)

Publication Number Publication Date
CN110246566A true CN110246566A (zh) 2019-09-17

Family

ID=67883269

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910332655.1A Pending CN110246566A (zh) 2019-04-24 2019-04-24 基于卷积神经网络的品行障碍确定方法、系统和存储介质

Country Status (1)

Country Link
CN (1) CN110246566A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110647993A (zh) * 2019-09-23 2020-01-03 南方科技大学 一种红外传感器掩膜制造方法、装置、系统及存储介质
CN113221709A (zh) * 2021-04-30 2021-08-06 芜湖美的厨卫电器制造有限公司 用于识别用户运动的方法、装置及热水器

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060120584A1 (en) * 2000-11-14 2006-06-08 Yitzchak Hillman Method and system for automatic diagnosis of possible brain disease
WO2006102370A2 (en) * 2005-03-22 2006-09-28 University Of Massachusetts Functional brain mri mapping as a marker in cns diseases and disorders
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
WO2017210690A1 (en) * 2016-06-03 2017-12-07 Lu Le Spatial aggregation of holistically-nested convolutional neural networks for automated organ localization and segmentation in 3d medical scans
CN108629816A (zh) * 2018-05-09 2018-10-09 复旦大学 基于深度学习进行薄层磁共振图像重建的方法
CN108682009A (zh) * 2018-05-08 2018-10-19 深圳市铱硙医疗科技有限公司 一种阿尔茨海默症预测方法、装置、设备及介质
CN109165667A (zh) * 2018-07-06 2019-01-08 中国科学院自动化研究所 基于自注意力机制的脑疾病分类系统
CN109222972A (zh) * 2018-09-11 2019-01-18 华南理工大学 一种基于深度学习的fMRI全脑数据分类方法
CN109300531A (zh) * 2018-08-24 2019-02-01 深圳大学 一种脑疾病早期诊断方法和装置
CN109350061A (zh) * 2018-11-21 2019-02-19 成都信息工程大学 基于深度卷积神经网络的磁共振成像方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060120584A1 (en) * 2000-11-14 2006-06-08 Yitzchak Hillman Method and system for automatic diagnosis of possible brain disease
WO2006102370A2 (en) * 2005-03-22 2006-09-28 University Of Massachusetts Functional brain mri mapping as a marker in cns diseases and disorders
WO2017210690A1 (en) * 2016-06-03 2017-12-07 Lu Le Spatial aggregation of holistically-nested convolutional neural networks for automated organ localization and segmentation in 3d medical scans
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
CN108682009A (zh) * 2018-05-08 2018-10-19 深圳市铱硙医疗科技有限公司 一种阿尔茨海默症预测方法、装置、设备及介质
CN108629816A (zh) * 2018-05-09 2018-10-09 复旦大学 基于深度学习进行薄层磁共振图像重建的方法
CN109165667A (zh) * 2018-07-06 2019-01-08 中国科学院自动化研究所 基于自注意力机制的脑疾病分类系统
CN109300531A (zh) * 2018-08-24 2019-02-01 深圳大学 一种脑疾病早期诊断方法和装置
CN109222972A (zh) * 2018-09-11 2019-01-18 华南理工大学 一种基于深度学习的fMRI全脑数据分类方法
CN109350061A (zh) * 2018-11-21 2019-02-19 成都信息工程大学 基于深度卷积神经网络的磁共振成像方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
DOU Q, CHEN H, YU L, ZHAO L, QIN J: "Automatic Detection of Cerebral Microbleeds From MR Images via 3D Convolutional Neural Networks", 《IEEE TRANSACTIONS ON MEDICAL IMAGING 2016》 *
SHEN D, ET AL: "Deep Learning in Medical Image Analysis", 《ANNUAL REVIEW OF BIOMEDICAL ENGINEERING》 *
张静等: "品行障碍脑功能结构成像研究进展", 《中国医学影像技术》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110647993A (zh) * 2019-09-23 2020-01-03 南方科技大学 一种红外传感器掩膜制造方法、装置、系统及存储介质
CN113221709A (zh) * 2021-04-30 2021-08-06 芜湖美的厨卫电器制造有限公司 用于识别用户运动的方法、装置及热水器
CN113221709B (zh) * 2021-04-30 2022-11-25 芜湖美的厨卫电器制造有限公司 用于识别用户运动的方法、装置及热水器

Similar Documents

Publication Publication Date Title
Su et al. Lung nodule detection based on faster R-CNN framework
Wang et al. A hybrid CNN feature model for pulmonary nodule malignancy risk differentiation
Al-Masni et al. Automated detection of cerebral microbleeds in MR images: A two-stage deep learning approach
CN109544534A (zh) 一种病灶图像检测装置、方法和计算机可读存储介质
Li et al. When medical images meet generative adversarial network: recent development and research opportunities
Nigri et al. Explainable deep CNNs for MRI-based diagnosis of Alzheimer’s disease
CN110415234A (zh) 基于多参数磁共振成像的脑部肿瘤分割方法
Li et al. Explainable multi-instance and multi-task learning for COVID-19 diagnosis and lesion segmentation in CT images
Vakli et al. Predicting body mass index from structural MRI brain images using a deep convolutional neural network
Dong et al. Identifying carotid plaque composition in MRI with convolutional neural networks
Largent et al. Image quality assessment of fetal brain MRI using multi‐instance deep learning methods
CN116664931A (zh) 基于量子向经典迁移学习的膝骨关节炎分级方法
Pandimurugan et al. Detecting and extracting brain hemorrhages from CT images using generative convolutional imaging scheme
Han et al. Fundus retinal vessels image segmentation method based on improved U-Net
Osadebey et al. Three-stage segmentation of lung region from CT images using deep neural networks
CN110246566A (zh) 基于卷积神经网络的品行障碍确定方法、系统和存储介质
Wang et al. A two-step automated quality assessment for liver MR images based on convolutional neural network
Tang et al. Brain tumor detection from mri images based on resnet18
Rahman et al. Detection of intracranial hemorrhage on CT scan images using convolutional neural network
Jucevičius et al. Investigation of MRI prostate localization using different MRI modality scans
Zhou et al. Learning stochastic object models from medical imaging measurements using Progressively-Growing AmbientGANs
CN114581459A (zh) 一种基于改进性3D U-Net模型的学前儿童肺部影像感兴趣区域分割方法
KR102267219B1 (ko) 혈관 세그멘테이션 방법
Mani Deep learning models for semantic multi-modal medical image segmentation
Zhou et al. Learning stochastic object models from medical imaging measurements by use of advanced ambientgans

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: 20190917