CN113705670A - 基于磁共振成像和深度学习的脑部图像分类方法及设备 - Google Patents
基于磁共振成像和深度学习的脑部图像分类方法及设备 Download PDFInfo
- Publication number
- CN113705670A CN113705670A CN202110995093.6A CN202110995093A CN113705670A CN 113705670 A CN113705670 A CN 113705670A CN 202110995093 A CN202110995093 A CN 202110995093A CN 113705670 A CN113705670 A CN 113705670A
- Authority
- CN
- China
- Prior art keywords
- classification
- deep learning
- magnetic resonance
- resonance imaging
- branch
- 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
- 238000002595 magnetic resonance imaging Methods 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 45
- 210000004556 brain Anatomy 0.000 title claims abstract description 31
- 238000013135 deep learning Methods 0.000 title claims abstract description 25
- 230000004927 fusion Effects 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000006243 chemical reaction Methods 0.000 claims abstract description 5
- 230000010354 integration Effects 0.000 claims abstract description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 14
- 238000010606 normalization Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000007246 mechanism Effects 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 3
- 210000003625 skull Anatomy 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 2
- 238000012549 training Methods 0.000 description 12
- 208000018737 Parkinson disease Diseases 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 238000012795 verification Methods 0.000 description 7
- 238000000605 extraction Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000013145 classification model Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 206010051290 Central nervous system lesion Diseases 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 208000012639 Balance disease Diseases 0.000 description 1
- 206010006100 Bradykinesia Diseases 0.000 description 1
- 208000014644 Brain disease Diseases 0.000 description 1
- 241001573498 Compacta Species 0.000 description 1
- 208000012661 Dyskinesia Diseases 0.000 description 1
- 206010017577 Gait disturbance Diseases 0.000 description 1
- 208000006083 Hypokinesia Diseases 0.000 description 1
- 206010052904 Musculoskeletal stiffness Diseases 0.000 description 1
- 208000012902 Nervous system disease Diseases 0.000 description 1
- 206010044565 Tremor Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- HGBLNBBNRORJKI-WCABBAIRSA-N cyclacillin Chemical compound N([C@H]1[C@H]2SC([C@@H](N2C1=O)C(O)=O)(C)C)C(=O)C1(N)CCCCC1 HGBLNBBNRORJKI-WCABBAIRSA-N 0.000 description 1
- 230000034994 death Effects 0.000 description 1
- 231100000517 death Toxicity 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 210000005064 dopaminergic neuron Anatomy 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 210000001259 mesencephalon Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001144 postural effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000002739 subcortical effect Effects 0.000 description 1
- 210000003523 substantia nigra Anatomy 0.000 description 1
Images
Classifications
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G06T5/70—
-
- G06T5/94—
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
Abstract
本发明涉及一种基于磁共振成像和深度学习的脑部图像分类方法及设备，所述方法包括以下步骤：获取待分类的原始MRI扫描图像数据，进行预处理，获得三维MRI图像；将所述三维MRI图像作为一经训练的分类网络模型的输入，获得最终分类结果；其中，所述分类网络模型对所述三维MRI图像分别沿轴状面、矢状面和冠状面进行3D到2D的特征维度转换，分别通过轴状位基分类器、矢状位基分类器和冠状位基分类器获得对应的初始分类结果，再对多个所述初始分类结果进行集成融合，获得所述最终分类结果。与现有技术相比，本发明具有分类精度高、模型复杂度低等优点。
Description
技术领域
本发明涉及计算机辅助信息处理技术领域，尤其是涉及一种基于磁共振成像和深度学习的脑部图像分类方法及设备。
背景技术
帕金森病是世界上老年人口中第二常见的神经系统疾病，是由中脑黑质致密部(SNc)多巴胺能神经元的进行性丢失引起的。其临床表现主要包括颤抖、僵硬、行动迟缓、行走困难、体位和平衡障碍等活动障碍等。2015年，全球有620万人感染帕金森病，导致约11.74万人死亡。此外，随着全球老龄化人口激增，给各国政府带来了巨大的经济负担。因此，早期发现和监测该疾病具有重要意义。
大脑的磁共振成像扫描提供了大脑皮层下结构的解剖细节。而不同区域的纹理和形态分析，也为患病的局部病变和异质性提供了客观的影像依据。然而，MRI是一种三维结构成像，根据放射科医生对MRI图像的阅读来诊断疾病往往容易出错。近年来，机器学习方法成为早期诊断大脑疾病的常用工具。从MRI数据中提取人工特征，以预测帕金森病。但由于其复杂的特征工程和随后的分类或回归模型之间高度相关性，往往会导致模型的学习性能差。因此，研究人员更加关注数据驱动的特征表示，而不需要特定领域知识的手工特征工程。
随着计算机应用和智能系统领域的进步，利用深度学习进行端到端的医学图像分析已展现出先进的结果。深度学习体系结构和更具体的卷积神经网络能够从高维成像模式中自动提取有效的不同层次的信息。此外，将特征提取和模型学习集成到一个框架中能够进一步提高模型处理性能。目前，已有部分研究致力于建立基于MRI的深度学习模型进行PD信息的处理，但仍存在以下问题：(1)使用整个三维MRI作为输入构建3D CNN模型，由于较高的内存占用和计算成本，增加了模型的优化难度；(2)使用二维MRI作为输入构建2D CNN模型，由于在第三维空间上不存在核共享，不能提供足够的信息；(3)早期PD患者的脑区病变仅发生在局部区域，目标区域小，噪声信息大，深度卷积网络模型极易过拟合。因此，构建基于脑MRI成像的深度学习网络结构进行脑区病变的分类仍是一项具有挑战性的任务。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于磁共振成像和深度学习的脑部图像分类方法及设备，对脑MRI图像进行多尺度、深层次的特征提取，从而提高分类精度，并有效降低模型的复杂度。
本发明的目的可以通过以下技术方案来实现：
一种基于磁共振成像和深度学习的脑部图像分类方法，包括以下步骤：
获取待分类的原始MRI扫描图像数据，进行预处理，获得三维MRI图像；
将所述三维MRI图像作为一经训练的分类网络模型的输入，获得最终分类结果；
其中，所述分类网络模型对所述三维MRI图像分别沿轴状面、矢状面和冠状面进行3D到2D的特征维度转换，分别通过轴状位基分类器、矢状位基分类器和冠状位基分类器获得对应的初始分类结果，再对多个所述初始分类结果进行集成融合，获得所述最终分类结果。
进一步地，所述轴状位基分类器、矢状位基分类器和冠状位基分类器均为结构相同的级联3D_2D卷积神经网络模型。
进一步地，所述级联3D_2D卷积神经网络模型包括3D MRI输入层、3D卷积模块以及分别连接于3D卷积模块后的3D分支和2D分支，所述3D分支和2D分支的输出汇合后依次连接特征融合层和最终分类层，其中，所述3D卷积模块用于提取低层特征，所述3D分支和2D分支用于提取高层特征。
进一步地，所述3D卷积模块均由若干3D卷积层、批归一化层和激活层组成，用于提取低层次特征以及三维上下文信息。
进一步地，所述3D分支包括3D卷积块、3D残差通道注意力机制层和3D全局平均池化层。
进一步地，所述2D分支采用深度可分离卷积沿通道方向进行特征计算，引入通道注意力机制对不同通道特征进行权重计算，并通过基于像素点的2D卷积进行通道间的信息融合。
进一步地，所述原始MRI扫描图像数据的模态为T1加权MRI。
进一步地，所述预处理包括原点校正、N4偏置场校正、空间归一化、颅骨剥离、滤波降噪和/或强度归一化。
进一步地，所述空间归一化过程采用对称归一化配准方法将所有被试的MRI扫描配准至MNI空间。
进一步地，所述滤波降噪过程采用空间自适应非局部均值滤波器。
进一步地，所述强度归一化过程对图像进行去均值的中心化处理，其数学表达式如下：
其中，μ表示图像均值，σ表示图像标准方差，N表示图像像素数。
进一步地，所述分类网络模型训练时采用的交叉熵损失函数数学表达式为：
其中，qi表示神经网络预测样本属于每个类别的概率，pi表示真实样本标签，ε是超参数。
进一步地，采用多数投票方法对所述初始分类结果进行集成融合。
本发明还提供一种计算机可读存储介质，其特征在于，包括供电子设备的一个或多个处理器执行的一个或多个程序，所述一个或多个程序包括用于执行如上所述基于磁共振成像和深度学习的脑部图像分类方法的指令。
本发明还提供一种电子设备，包括：
一个或多个处理器；
存储器；和
被存储在存储器中的一个或多个程序，所述一个或多个程序包括用于执行如上所述基于磁共振成像和深度学习的脑部图像分类方法的指令。
进一步地，所述电子设备可为移动终端或嵌入式设备。
与现有技术相比，本发明具有以下有益效果：
1、本发明基于MRI影像和深度学习进行信息分类处理，通过端到端的卷积神经网络，对脑MRI图像进行多视图、深层次的特征提取、特征融合，从而提高分类模型的自动化及分类准确性。
2、本发明针对MRI影像进行N4偏置场校正、对称归一化配准方法、空间自适应非局部均值滤波及强度归一化等预处理，减少图像噪声，加强局部细节信息，以提高原始MRI图像质量。
3、在网络模型结构中，本发明设计了一种级联3D_2D的卷积神经网络模型，能够在较少模型参数量下，增强特征学习。其中，低层的3D卷积能够捕捉到丰富的3D上下文信息，高层特征提取由两个分支组成，3D分支保证了像素点的空间特征不被丢失，2D分支则充分利用了像素点的平面信息。通过多尺度特征融合，使得模型具有更好的分类准确率和鲁棒性。
4、本发明在网络模型结构中，引入残差通道注意力机制来增强特征学习。此外，采用深度可分离卷积操作可以有效地降低整个模型的计算复杂度和参数量，避免了因网络模型过大导致内存溢出和较长的训练时间，提高了模型计算效率。
5、本发明提供了一种由端到端的基于T1加权MRI成像的分类模型，具有较高的分类准确率和稳定性，同时模型具有更小体积，更少的计算量，轻量化等优点，有利于模型在移动终端、嵌入式设备中运行。
附图说明
图1为本发明的流程示意图；
图2为实施例中的一种级联3D_2D卷积神经网络模型示意图；
图3为实施例中的一种3D卷积块结构示意图；
图4为实施例中的一种3D残差通道注意力机制块结构示意图；
图5为实施例中的一种2D卷积块的结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例1
如图1所示，本实施例提供一种基于磁共振成像和深度学习的脑部图像分类方法，包括以下步骤：获取待分类的原始MRI扫描图像数据，进行预处理，获得三维MRI图像；将三维MRI图像作为一经训练的分类网络模型的输入，获得最终分类结果。其中，分类网络模型对三维MRI图像分别沿轴状面、矢状面和冠状面进行3D到2D的特征维度转换，分别通过轴状位基分类器、矢状位基分类器和冠状位基分类器获得对应的初始分类结果，再对多个初始分类结果进行集成融合，获得最终分类结果，轴状位基分类器、矢状位基分类器和冠状位基分类器均为结构相同的级联3D_2D卷积神经网络模型。
本实施例中，将上述脑部病变分类方法应用于早期帕金森病的脑部图像和健康人的脑部图像分类中。本实施例的分类网络模型的构建及训练过程包括如下步骤：
步骤一、数据准备及预处理
1.MRI影像数据：获取被试原始T1加权MRI图像数据430例，包括帕金森病患者229例及年龄、性别比例相匹配的健康人组201例。
2.预处理：对MRI图像依此进行如下预处理：
(1)AC-PC前置联合点校正；
(2)采用N4偏置场校正方法以平衡MRI扫描中的不均匀性；
(3)采用对称归一化配准方法将所有被试的MRI扫描配准至MNI空间；
(4)利用二值化MNI空间脑模板进行颅骨剥离；
(5)采用空间自适应非局部均值滤波器，在保持边缘的同时去除图像中的噪声；
(6)采用图像去均值的中心化处理进行强度归一化，将体素值重新缩放到零均值和单位标准差，更容易获得训练之后的泛化效果。其数学表达式如下：
其中，μ表示图像均值，σ表示图像标准方差，N表示图像像素数。
3.数据划分：将预处理后的所有被试的MRI图像按照类别划分训练集、验证集和测试集。采用五折交叉验证方法划分训练集、验证集和测试集。
4.数据增强：采用在线数据增强方法对训练集数据进行随机加噪的数据增强处理，验证集和测试集不做任何数据增强处理。
步骤二、网络模型设计及训练
本实施例的分类网络模型包括轴状位基分类器、矢状位基分类器和冠状位基分类器以及集成融合单元。轴状位基分类器、矢状位基分类器和冠状位基分类器为基于不同单轴视图的基分类器模型，均采用结构相同的级联3D_2D卷积神经网络模型。
如图2所示，本实施例的级联3D_2D卷积神经网络模型包括3D MRI输入层，两个3D卷积模块，而后分别划分为3D分支和2D分支共两个分支进行深层提取特征，最后通过特征融合层将各分支所得深层特征进行融合，输入至最终分类层。其中，3D卷积模块部分由若干3D卷积层，批归一化层和激活层组成，用于提取低层次特征，以及三维上下文信息，如图3所示。其次，3D分支由3D卷积块，3D残差通道注意力机制层及3D全局平均池化层组成，以提取高层次特征并保证了像素点的空间信息不被丢失，如图4所示。2D分支中采用核尺寸大小为3×3的深度可分离卷积进行基于通道的特征图提取，继而引入通道注意力机制对不同通道特征进行权重计算，增强对分类结果有益的通道特征表达能力，最后通过核尺寸大小为1×1的基于像素点的2D卷积进行通道间的信息融合，如图5所示。
在卷积层中加入l2核权重正则化，正则化系数设置为l2，批处理样本数为16，初始学习率设置为lr，训练迭代次数为300，使用动量随机梯度下降优化器进行模型参数优化，通过梯度反向传播进行网络连接权重训练，以最小化损失函数。所使用的损失函数为改进的二值交叉熵损失函数，其数学表达式为：
其中，qi表示神经网络预测样本属于每个类别的概率，pi表示真实样本标签，ε是一个较小的超参数。
模型训练过程中采用贝叶斯优化算法进行超参数寻优。分别设置超参数正则化系数l2初始寻优范围为{1e-6,1e-2}，初始学习率lr寻优范围为{1e-8,1e-2}。通过观察模型在验证集上的分类表现，进而进一步缩小超参数寻优范围，直至在验证集上达到较低损失和最高分类精度，则选取当下超参数值为模型的最优超参数。
将三个基于单轴视图的基分类器预测结果进行集成融合，得到最终的分类结果。此处，采用多数投票方法将三个基于单轴视图的预测进行集成，最终得到由三个轴视图的基分类器集成的预测标签。模型融合过程如下所示：
(1)基于三个单轴视图的预测结果分别记为：{p1,p2,p3}；
(2)对基于三个单轴视图的预测结果进行累加求和：p＝p1+p2+p3；
(3)根据p值大小确定最终模型的预测标签：
步骤三、模型评估
本实验中，对测试结果的评估指标包括：准确率(Accuracy,ACC)、敏感度(Sensitivity,Sen)、特异度(Specificity,Spe)、F1得分以及受试者工作特性曲线下面积(Area Under the Curve,AUC)值。计算公式如下：
其中，TP表示患者被正确分类的样本数；FP表示患者被错误分类的样本数；TN表示健康对照组被正确分类的样本数；FN表示健康对照组被错误分类的样本数。
本实验首先训练各基于单轴视图的基分类器模型，并根据验证集表现进行模型参数调优；其次，将训练好的三个轴视图的基分类器模型进行多数投票机制操作，得到最终模型在测试集上的预测结果；最后，根据五折交叉验证，计算模型的平均分类性能。实验结果如表1所示。
表1 在测试集上的平均分类结果
本发明设计实验对基于T1加权的MRI影像进行早期帕金森病分类研究，构建基于深度学习的端到端帕金森病计算机辅助诊断模型。提出的早期帕金森病分类模型由基于三个单轴视图的基分类模型集成所得，所述轴状位基分类器、矢状位基分类器和冠状位基分类器均为结构相同的一种级联3D_2D卷积神经网络模型。首先以大脑的三维MRI图像作为输入，其次分别沿轴状面、矢状面和冠状面进行3D特征图到2D特征图的特征维度转换，从而构建三个基于不同单轴视图的基分类器模型，最后采用多数投票方法将三个基于单轴视图的预测进行集成，得到最终的模型预测结果。与基于单轴视图的基模型相比，本发明在模型融合基础上可达到平均89.65％的分类准确率，具有较好的早期帕金森病识别效果。
本实施例将上述构建并训练获得的分类网络模型应用于早期帕金森病的脑部图像和健康人的脑部图像分类，具体过程为：获取待分类的原始MRI扫描图像数据，进行如上所述的预处理，输入分类网络模型中，由轴状位基分类器、矢状位基分类器和冠状位基分类器获得三个初始分类结果，利用投票机制对三个初始分类结果进行融合，获得最终分类结果。
上述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
实施例2
本实施例提供一种电子设备，包括一个或多个处理器、存储器和被存储在存储器中的一个或多个程序，一个或多个程序包括用于执行如实施例1所述的基于磁共振成像和深度学习的脑部图像分类方法的指令。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种基于磁共振成像和深度学习的脑部图像分类方法，其特征在于，包括以下步骤：
获取待分类的原始MRI扫描图像数据，进行预处理，获得三维MRI图像；
将所述三维MRI图像作为一经训练的分类网络模型的输入，获得最终分类结果；
其中，所述分类网络模型对所述三维MRI图像分别沿轴状面、矢状面和冠状面进行3D到2D的特征维度转换，分别通过轴状位基分类器、矢状位基分类器和冠状位基分类器获得对应的初始分类结果，再对多个所述初始分类结果进行集成融合，获得所述最终分类结果。
2.根据权利要求1所述的基于磁共振成像和深度学习的脑部图像分类方法，其特征在于，所述轴状位基分类器、矢状位基分类器和冠状位基分类器均为结构相同的级联3D_2D卷积神经网络模型。
3.根据权利要求2所述的基于磁共振成像和深度学习的脑部图像分类方法，其特征在于，所述级联3D_2D卷积神经网络模型包括3D MRI输入层、3D卷积模块以及分别连接于3D卷积模块后的3D分支和2D分支，所述3D分支和2D分支的输出汇合后依次连接特征融合层和最终分类层，其中，所述3D卷积模块用于提取低层特征，所述3D分支和2D分支用于提取高层特征。
4.根据权利要求3所述的基于磁共振成像和深度学习的脑部图像分类方法，其特征在于，所述3D分支包括3D卷积块、3D残差通道注意力机制层和3D全局平均池化层。
5.根据权利要求3所述的基于磁共振成像和深度学习的脑部图像分类方法，其特征在于，所述2D分支采用深度可分离卷积沿通道方向进行特征计算，引入通道注意力机制对不同通道特征进行权重计算，并通过基于像素点的2D卷积进行通道间的信息融合。
6.根据权利要求1所述的基于磁共振成像和深度学习的脑部图像分类方法，其特征在于，所述原始MRI扫描图像数据的模态为T1加权MRI。
7.根据权利要求1所述的基于磁共振成像和深度学习的脑部图像分类方法，其特征在于，所述预处理包括原点校正、N4偏置场校正、空间归一化、颅骨剥离、滤波降噪和/或强度归一化。
8.根据权利要求1所述的基于磁共振成像和深度学习的脑部图像分类方法，其特征在于，采用多数投票方法对所述初始分类结果进行集成融合。
9.一种计算机可读存储介质，其特征在于，包括供电子设备的一个或多个处理器执行的一个或多个程序，所述一个或多个程序包括用于执行如权利要求1-8任一所述基于磁共振成像和深度学习的脑部图像分类方法的指令。
10.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储器；和
被存储在存储器中的一个或多个程序，所述一个或多个程序包括用于执行如权利要求1-8任一所述基于磁共振成像和深度学习的脑部图像分类方法的指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110995093.6A CN113705670A (zh) | 2021-08-27 | 2021-08-27 | 基于磁共振成像和深度学习的脑部图像分类方法及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110995093.6A CN113705670A (zh) | 2021-08-27 | 2021-08-27 | 基于磁共振成像和深度学习的脑部图像分类方法及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113705670A true CN113705670A (zh) | 2021-11-26 |
Family
ID=78655927
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110995093.6A Pending CN113705670A (zh) | 2021-08-27 | 2021-08-27 | 基于磁共振成像和深度学习的脑部图像分类方法及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113705670A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116030063A (zh) * | 2023-03-30 | 2023-04-28 | 同心智医科技(北京)有限公司 | Mri图像的分类诊断系统、方法、电子设备及介质 |
| CN116797851A (zh) * | 2023-07-28 | 2023-09-22 | 中国科学院自动化研究所 | 图像分类模型的类脑连续学习方法、图像分类方法和装置 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112465905A (zh) * | 2019-09-06 | 2021-03-09 | 四川大学华西医院 | 基于深度学习的磁共振成像数据的特征脑区定位方法 |
-
2021
- 2021-08-27 CN CN202110995093.6A patent/CN113705670A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112465905A (zh) * | 2019-09-06 | 2021-03-09 | 四川大学华西医院 | 基于深度学习的磁共振成像数据的特征脑区定位方法 |
Non-Patent Citations (1)
| Title |
|---|
| 张小兵，田海龙，王志刚，聂生东: "基于多个密集连接型2D-CNNs的脑胶质瘤MRI三维分割", 光学技术, 30 September 2020 (2020-09-30), pages 609 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116030063A (zh) * | 2023-03-30 | 2023-04-28 | 同心智医科技(北京)有限公司 | Mri图像的分类诊断系统、方法、电子设备及介质 |
| CN116797851A (zh) * | 2023-07-28 | 2023-09-22 | 中国科学院自动化研究所 | 图像分类模型的类脑连续学习方法、图像分类方法和装置 |
| CN116797851B (zh) * | 2023-07-28 | 2024-02-13 | 中国科学院自动化研究所 | 图像分类模型的类脑连续学习方法、图像分类方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111259982B (zh) | 一种基于注意力机制的早产儿视网膜图像分类方法和装置 | |
| CN108446730B (zh) | 一种基于深度学习的ct肺结节检测装置 | |
| Esmaeilzadeh et al. | End-to-end Parkinson disease diagnosis using brain MR-images by 3D-CNN | |
| CN109272048B (zh) | 一种基于深度卷积神经网络的模式识别方法 | |
| Sudhan et al. | Segmentation and classification of glaucoma using U-net with deep learning model | |
| CN110363760B (zh) | 用于识别医学图像的计算机系统 | |
| WO2022127500A1 (zh) | 基于多个神经网络的mri图像分割方法、装置及设备 | |
| CN110934587A (zh) | 一种基于图卷积神经网络的阿尔兹海默症辅助诊断方法 | |
| Aslam et al. | Neurological Disorder Detection Using OCT Scan Image of Eye | |
| CN113705670A (zh) | 基于磁共振成像和深度学习的脑部图像分类方法及设备 | |
| CN110246109A (zh) | 融合ct影像和个性化信息的分析系统、方法、装置及介质 | |
| CN115147600A (zh) | 基于分类器权重转换器的gbm多模态mr图像分割方法 | |
| Ayoub et al. | Minimized computations of deep learning technique for early diagnosis of diabetic retinopathy using iot-based medical devices | |
| CN117218453B (zh) | 一种不完备多模态医学影像学习方法 | |
| CN113052800B (zh) | 一种阿尔茨海默症影像分析方法与装置 | |
| CN116912253B (zh) | 基于多尺度混合神经网络的肺癌病理图像分类方法 | |
| Nawaz et al. | Multi-Class Retinal Diseases Detection Using Deep CNN With Minimal Memory Consumption | |
| CN112863664A (zh) | 基于多模态超图卷积神经网络的阿尔茨海默病分类方法 | |
| CN112861881A (zh) | 一种基于改进MobileNet模型的蜂窝肺识别方法 | |
| CN110930349A (zh) | 一种利用卷积神经网络的医学图像处理装置与方法 | |
| Borah et al. | A comparative study on the use of deep learning for the early detection of Alzheimer's disease | |
| Suganyadevi et al. | Alzheimer’s Disease Diagnosis using Deep Learning Approach | |
| CN114387282A (zh) | 一种医学影像器官精准自动分割方法及系统 | |
| CN115223001A (zh) | 一种基于迁移学习的医学图像识别方法 | |
| Parthiban et al. | EfficientNet with Optimal Wavelet Neural Network for DR Detection and Grading |
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 |