CN115761358A - 一种基于残差胶囊网络对心肌纤维化进行分类的方法 - Google Patents

Abstract

本发明公开了一种基于残差胶囊网络对心肌纤维化进行分类的方法。该方法包括：获取待测目标的磁共振图像；将所述磁共振图像输入到经训练的残差胶囊网络，获得重建图像；利用所述重建图像获得心肌纤维化的分类结果。其中所述残差胶囊网络包括编码器和解码器，所述编码器包括残差网络和胶囊网络，所述解码器包括去卷积层，所述残差网络用于从输入图像中提取不同深度的特征图并传递至所述胶囊网络，所述胶囊网络对所述不同深度的特征图进行向量化加权合并，所述解码器使用所述胶囊网络的连接胶囊中的最长向量来重建图像。本发明提升了重建图像的清晰度并减少了图像重建时间，尤其适用于处理小型、不平衡和大型DE‑MRI数据集。

Description

一种基于残差胶囊网络对心肌纤维化进行分类的方法

技术领域

本发明涉及医学图像处理技术领域，更具体地，涉及一种基于残差胶囊网络对心肌纤维化进行分类的方法。

背景技术

心肌纤维化(MF)主要是由心肌间质成纤维细胞显著增殖和分布异常的胶原蛋白沉积所致。心肌纤维化的程度与心脏病的预后密切相关。例如，对心肌进行延迟增强磁共振成像(DE-MRI)是评价心肌纤维化分布特征和程度的有效方法。该类扫描具有高分辨率和低运动模糊的特点。由于手动检测通常很耗时，近年来，逐渐将心脏MRI机器学习应用于诊断扩张性心肌病、心肌纤维化和评估左心室容积等方面。

心脏MRI机器学习的研究主要集中于心脏结构的分割和心肌疾病的定量检测。但由于MRI扫描中，心脏结构的解剖变化，现有方法仍需要人工协助。此外，由于边界模糊且周围心肌组织的表现存在相似性，因此难以顺利提取显著特征，使得针对心脏MRI，应用深度学习极具挑战性。

目前，图像处理领域普遍使用卷积神经网络(CNN)。CNN利用卷积核提取图像信息，通过池化层减少训练参数，最后通过分类器输出分类结果。CNN通过权重共享和池化运算实现解释和旋转的不变性，但CNN无法识别会对结果产生重大影响的图像空间关系。例如，在医学图像中，即使器官的空间位置被打乱，CNN仍会将其识别为正常样本。在训练过程中，CNN需要较大的数据集才能形成准确的模式。而深度网络很容易出现梯度消失和爆炸，并且池化层可能会导致提取的特征信息丢失，从而影响最终的分类准确度。

为解决CNN的上述缺陷，Sabour等人提出了一种称为胶囊网络(CapsNet)的新型深度网络(Sabour,S.,N.Frosst,and G.E Hinton,Dynamic Routing BetweenCapsules.arXiv e-prints,2017:p.arXiv:1710.09829.)。CapsNet考虑特征与特征之间的空间关系，使用动态路由算法对对象和结果之间的关系进行编码，从而体现图像的整体特征。胶囊可存储描述特定对象的向量，其中向量的长度表示对象存在的概率，方向表示描述参数。所存储的描述参数向量可以在展平后进行反向渲染，以形成原始图像。与CNN相比，CapsNet对小型数据集很友好。CapsNet不设置存在丢失信息风险的池化层。尽管CapsNet在小型数据集MNIST上表现良好，但对MRI扫描等复杂数据集进行分类的准确度较低。这是因为CapsNet是一个浅层网络，主要包括用于提取特征的卷积层、用于编码映射的胶囊层以及用于重建图像的可选解码器。而CapsNet的卷积层通常只有两层，这使得其无法捕获MRI扫描中包含的较深层的特征。此外，如果图像过大，而解码器仅从几个向量中重新生成高分辨率图像，图像的重建误差会增加，从而进一步降低分类准确度，同时容易出现梯度消失和爆炸，这会对训练速度和性能产生不利影响。

发明内容

本发明的目的是克服上述现有技术的缺陷，提供一种基于残差胶囊网络对心肌纤维化进行分类的方法。该方法包括以下步骤：

获取待测目标的磁共振图像；

将所述磁共振图像输入到经训练的残差胶囊网络，获得重建图像；

利用所述重建图像获得心肌纤维化的分类结果；

其中，所述残差胶囊网络包括编码器和解码器，所述编码器包括残差网络和胶囊网络，所述解码器包括去卷积层，所述残差网络用于从输入图像中提取不同深度的特征图并传递至所述胶囊网络，所述胶囊网络对所述不同深度的特征图进行向量化加权合并，所述解码器使用所述胶囊网络的连接胶囊中的最长向量来重建图像。

与现有技术相比，本发明的优点在于，提出了一种新型的胶囊网络，该胶囊网络用残差块替代卷积层，残差块可从图像中提取更深层的语义信息，进而将不同残差块提取的浅层、中层和深层特征相结合有助于构建更高效的胶囊网络。此外，为避免出现高分辨率输入引起的梯度消失和爆炸，在解码器采用了缩放重建。与现有的残差网络和胶囊网络相比，本发明提出的残差胶囊网络模型提升了重建图像的清晰度，尤其对于大型DE-MRI扫描，具有更好的性能。

通过以下参照附图对本发明的示例性实施例的详细描述，本发明的其它特征及其优点将会变得清楚。

附图说明

被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例，并且连同其说明一起用于解释本发明的原理。

图1是根据本发明一个实施例的基于残差胶囊网络对心肌纤维化进行分类的方法的流程图；

图2是根据本发明一个实施例的残差胶囊网络的整体结构示意图；

图3是根据本发明一个实施例的原始残差块和预激活的示意图；

图4是根据本发明一个实施例的改进的胶囊网络的结构示意图；

图5是根据本发明一个实施例的压缩与激励模块的示意图；

图6是根据本发明一个实施例的去卷积网层的结构图；

图7是根据本发明一个实施例的DE-MRI图像正样本和负样本的示意图；

图8是根据本发明一个实施例三种模型的测试损失和测试准确度的对比图；

图9是根据本发明一个实施例的不同数据量下胶囊网络的测试损失和准确度的对比图。

具体实施方式

现在将参照附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。

以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。

对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。

在这里示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

为提高CapsNet处理大尺寸医学图像输入的能力，本发明提出了一种新型的残差胶囊网络(或称为ResCapsNet)，该网络将卷积层替换为改进的残差网络以压缩特征，减少了初级胶囊的数量，并可防止梯度消失和爆炸。残差网络(ResNet)引入了残差块，使网络能够通过快捷连接在每一层传递更多信息。通过应用残差网络并改进胶囊网络的结构，可以减少网络中的权重数量。在图像重建过程中，对原始图像进行缩放以减少计算量。此外，提出了一种使用缩放重建方法的新损失函数，以进一步减小计算负担。

参见图1所示，所提供的基于残差胶囊网络对心肌纤维化进行分类的方法包括以下步骤。

步骤S110，构建残差胶囊网络，该残差胶囊网络包括编码器和解码器，其中编码器包含残差网络和胶囊网络。

参见图2所示，残差胶囊网络主要包括编码器和解码器，首先由编码器对输入图像进行编码，然后由解码器重建图像。在图2中，编码器包括残差网络和胶囊网络，其中胶囊网络包含初级胶囊、数字胶囊和连接胶囊，解码器包括多层去卷积层，例如设置为3层或5层去卷积层。残差网络负责提取特征信息。胶囊网络则负责将特征向量化。解码器用于重建图像，并通过与缩放输入进行比较，获得重建损失。

在下文中，将具体介绍对残差网络、胶囊网络和损失函数的改进之处。

1)改进的残差网络

在所提供的残差胶囊网络中，使用改进的残差网络作为卷积层，去除了残差网络中的池化层，因为其会丢失图像信息。而残差网络包含多个残差块，以保留特征图的空间位置信息，并防止出现梯度消失和爆炸。

残差网络主要用于从图像中提取深层特征和语义信息，例如，设置包括4个残差块。首先将图像输入第一个残差块，获得一幅96×96×128的特征图。然后，经过3个残差层(卷积核为3×3，步长为2)，获得一幅尺寸为48×48×256的浅层特征图，将提取的浅层特征图传输至PrimaryA(第一个初级胶囊)。经过卷积核尺寸为3×3、步长为2的相同残差块，获得一幅尺寸为24×24×512的中层特征图，将提取的中层特征图传输至PrimaryB(第二个初级胶囊)。然后，将中层特征输入最后一个残差块，获得一幅尺寸为8×8×256的深层特征图，并将提取的深层特征图传递至PrimaryC(第三个初级胶囊)。

优选地，引入了新的残差块结构

如图3所示，其中，左图是原始残差块的结构，右图是预激活的结构，使用1×1卷积层进行降尺寸。在新的残差块结构中，将激活函数移动至残差部分。通过将激活函数更改为恒等映射，有利于提高模型的准确度。图3的新残差块包括正则化层(BN)，激活层(如采用ReLU激活函数)和卷积层。

2)改进的胶囊网络

在所提供的残差胶囊网络中，使用改进的残差网络作为胶囊网络的卷积层，不仅可以解决大尺寸医学图像胶囊网络中的梯度消失和爆炸问题，还能保留胶囊层特征之间的空间位置关系，同时减少初级胶囊的数量，以方便部署和计算。深层网络的感知场较大，对语义信息的表征能力较强，但对空间信息的表征能力较弱。深层特征可表征更丰富的图像信息，且能够分离复杂的目标区域。浅层网络感知场较小，表示语义信息的能力较弱，但表示空间信息的能力较强。浅层特征表示的信息较少，但可以分离一些简单的目标区域。浅层和深层特征的融合可以相互补偿，从而提高模型的性能。

为了更好的融合浅层特征和深层特征，改进了胶囊网络。参见图4所示，胶囊网络包括三个胶囊层或称三个初级胶囊(标记为PrimaryA、Primary B和Primary C)，三个胶囊层对应的各自的数字胶囊层和一个连接数字层。卷积层将特征输出至三个单独的胶囊层。然后，合并三个胶囊层的结果，以获得最终结果。具体地，SE(压缩和激励块)模块将在合并过程中获得不同数字层的权重。前一个残差网络提取的浅层特征ConvA、中层特征ConvB和深层特征ConvC分别传输至胶囊层PrimaryA、PrimaryB和PrimaryC，这些层均包含压缩与激励(SE)模块，浅层、中层和深层特征的权重系数a₁、a₂和a₃来自于对应的SE模块。三个权重系数与三个数字胶囊层相乘，得到三个具有权重的数字胶囊层，分别标记为DigitA、DigitB和DigitC。最后，将具有权重系数的三个数字层连接成一个数字层。DigitA、DigitB和DigitC的输出是表示两种类别的两个向量，每个输出都是一个8维胶囊。最终连接的胶囊融合层用D表示，是一个24维胶囊，表示为：

其中，D₁、D₂和D₃分别代表DigitA、DigitB和DigitC的输出，

代表字符串连接。

在编码器，损失函数使用边缘损失函数，定义如下：

其中，T_k设为1，

表示预测向量，λ是设置的常数，m⁺代表上界，例如设为0.9，m^-代表下界，例如设为0.1。如果向量的长度大于m⁺，意味着该输入属于此类别，且L_k＝1。相反，如果向量的长度小于m^-，则意味着输入不属于此类别，且L_k＝0。在二分类问题中，只有一个T_k＝1的胶囊，另一个胶囊T_k＝0。因此不存在不平衡问题，故将为平衡边缘损失而引入的λ设为1。

3)、压缩与激励模块

压缩和激励网络(SENet)引入了一种注意力机制来自适应地加权各通道的特征图。这种注意力机制由压缩与激励模块(SE)实现。

在所提供的残差胶囊网络中增加压缩与激励模块有助于更好地提取特征，从而提高网络的准确度。压缩与激励模块也称为压缩和激励，是两个关键运算的组合，丰富了通道注意力机制。对于初级胶囊，一个维度是向量数组，另一个维度是胶囊数量。压缩和激励模块提供的注意了机制可为每个胶囊的重要程度添加权重，并针对不同的任务增强或抑制相应的胶囊，以提取有用的特征并抑制无用的特征。

参见图5所示，压缩与激励模块包括一个全局池化层、两个全连接层，压缩与激励模块的运算可分为三个步骤：

(1)压缩运算，旨在压缩胶囊信息，保持胶囊数量不变，并进行全局信息池化，以将每个胶囊块转化为一个数字，其值为初级胶囊层中的元素之和除以元素数量，表示为：

其中，n为初级胶囊的数量，p为胶囊的长度，μ_ij表示胶囊内元素。

(2)激励运算，使用2个全连接层和一个Sigmoid函数实现，表示为：

s＝σ(W₂δ(W₁U_k)) (5)

其中，s为激励运算的输出，σ为激活函数Sigmoid，W₂和W₁是两个全连接层的对应权重参数，δ为激活函数ReLU。

(3)重新加权运算。在连接数字胶囊时，对数字胶囊逐块分配权重。这就完成了对块级原始特征的重新分配，从而使模型可以决定哪个级别的特征是重要特征。

4)动态路由算法

根据初级胶囊计算数字胶囊的算法称为动态路由算法。本发明将动态路由的迭代r设为3。在每次迭代中，预测初始胶囊u_i属于数字胶囊v_j，表示为：

c_ij＝Softmax(W_jiu_i·v_j) (6)

其中，W_ij为变换矩阵，c_ij为预测结果。c_ij在每次迭代中变化。因此，计算所得v_j(即c_ijW_iju_i的总和)在不同迭代中也有所不同。Softmax函数确保c_ij之和始终等于1。

在输出中，必须对最终计算出的v_j进行挤压：

v_j＝squash(v_j) (7)

其中：

由公式(8)可知，挤压运算会将向量v_j的范数压缩至(0,1)的范围，而不改变向量方向。由于向量的方向代表特征，因此最终结果v_j保留根据初级胶囊校正的特征。在训练过程中，需要进行多次迭代，以多次更新参数，并选择最后一次迭代的结果作为数字胶囊的最终输出结果。

值得注意的是，输出动态路由算法是数字胶囊，而不是预测系数c_ij。因此，该算法可视为具有复杂过程的隐藏层。目前训练深度网络的有效方法是反向传播，这使得胶囊网络需要更多参数来提升其在训练过程中的准确度。因此引入了变换矩阵W_ij，不仅可以将初级胶囊转换为不同形状，还可以确保胶囊网络从向量中捕获信息的能力。

5)解码器

解码器要包括一个去卷积模块。原始胶囊网络使用重建损失作为正则化方法，促进数字胶囊层中的胶囊尽可能多地编码有用信息。只需将数字胶囊层的输出提供给由三个全连接层组成的解码器，即可完成重建。虽然这种方法在简单的图像上可以很好地重建图像，但其重建性能不适用于复杂数据集，如DE-MRI扫描，重建的图像模糊且难以区分。

为解决上述问题，在一个实施例中，采用去卷积重建图像，以提高复杂数据集的重建性能和分类准确度。如图6所示，从编码器获得的两个24维胶囊向量被重新格式化为4×4×3尺寸的向量图像。然后，用三个尺寸为3×3的卷积核对向量进行去卷积，步长分别为1、1、2、3、1。通道数从3变为1。最后得到通道数为1、尺寸为24×24的重建图像。

步骤S120，利用设定的损失函数训练残差胶囊网络。

在步骤S110，对大尺寸输入图像进行了缩放，并采用卷积核尺寸为8×8且步长为8的均值池化来减小图像尺寸。缩放后，尺寸为224×224的输入图像可缩小至24×24。与传统胶囊网络的重建损失不同，在一个实施例中，计算了缩放后的原始图像与重建图像之差的平方和，并将该平方和作为基于缩放重建的重建损失，表述如下：

其中，y_m为真值，

为估计值，M是样本的总数量。L_{reconstruction}越大，说明效果越差。

在一个实施例中，将训练残差胶囊网络的总体损失函数设置为：

L＝∑(L_k+α·L_{reconstructio11}) (10)

其中，L_k表示编码器的边缘损失。由于重建损失和边缘损失的值之间存在差距，因此，在计算整体损失时需要减少重建损失的权重。例如，将权重系数α设为0.0005。

步骤S130，利用经训练的残差胶囊网络对目标图像进行增强，进而基于增强图像分析心肌纤维化程度。

训练完成后，即可获得残差胶囊网络的优化参数，进而应用于实际的目标图像重建，包括：获取待增强的目标图像；将所述目标图像输入到残差胶囊网络，获得更清晰的重建图像；进而利用重建图像分析心肌纤维化程度，用于临床指示。目标图像可以是磁共振成像、延迟增强磁共振成像或其他类型。

为验证本发明的效果，通过实验对所提出的残差胶囊网络、传统CapsNet和ResNet三者的性能进行了比较。三种模型的结构参见表1。首先，在一个大型医学数据集上开展实验，分别从准确度、混淆矩阵、灵敏度、专属性和AUC值方面评价了三种模型的分类有效性。然后在不同数据量下对模型进行比较。

表1：三种模型的结构

在模型的训练过程中，使用Adam优化算法进行优化，并将学习率设为0.001。模型训练的迭代次数设为2000，以防止出现过拟合。胶囊层动态路由算法的迭代次数设为3。由于胶囊网络容易出现过拟合，因此在每次迭代训练期间为胶囊层采用脱式运算、随机去激活神经元，并在该次迭代中不更新去激活神经元的权重，以降低模型的复杂度。

1)数据集

实验中的数据集来自湘雅医院(Xiangya Hospital)，包含540例受试者。使用Siemens Prisma，1.5Tesla，model-syngo MRE11扫描仪进行采集。回声时间设置为1.33，重复时间为321.79。原始图像的尺寸为256×192。诊断由专业心脏科医生作出。已获得参与实验的所有受试者的书面同意。图7显示了两类样本的示例，其中图7(a)是正常样本的短轴视图和长轴视图，图7(b)是心肌纤维化样本的短轴视图和长轴视图。

2)预处理

MRI数据是灰度图像。但文件在转储过程中会保存为三通道PNG彩色图像。为减少计算量，将图像转换为单通道格式。图像周围有大量不包含任何器官图像的黑色区域，因此将图像裁剪为大小为192×192的正方形图像，以使图像中心脏图像的占比尽可能大。另外，为解决原始图像对比度低的问题，提出了一种基于麻雀搜索的图像增强方法，以使图像灰度分布更均匀，从而保留更多细节信息，并提高图像质量。经验证，该算法可在不同情况下使用。

3)评价指标

在实验中，引入了几项常用的评价指标。预测结果可根据真实情况和预测标签分为4类：真正(TP)、假正(FP)、真负(TN)和假负(FN)。评价标准包括查全率(P)、查准率(R)和F₁分数。准确度表示模型的整体性能，即正确分类样本的比率，表示为：

灵敏度是正确分类的正样本与所有正样本的比率，代表模型根据背景信息诊断心肌纤维化的能力，表示为：

4)实验结果

为比较三种模型在大型数据集上的性能，在服务器上对三种模型均训练了100次迭代。为提高模型的准确度，采用了阶梯式学习率，初始学习率设为0.0001，每进行40次迭代，学习率就降低至原始学习率的0.4倍。总迭代次数与测试损失、准确度的关系曲线参见图8所示，其中图8(a)是测试损失，图8(b)是测试准确度。

如图8所示，三种模型在第40次迭代后均达到收敛。为进一步比较三种模型在计算时间方面的差异，在表2中列出了模型的参数数量。

表2：三种模型的训练结果

由表2可知，ResCapsNet的准确度为72.25％，损失为0.2913。CapsNet的准确度为68.73％，损失为0.3025，均优于ResNet的准确度和损失(分别为64.21％和0.3168)。就计算时间而言，ResCapsNet网络超过930万个参数，与CapsNet(910万个参数)大致相当，远少于ResNet(1400万个参数)。虽然两个胶囊网络的参数相似，但ResCapsNet收敛速度更快，参数更少。在三种模型中，ResCapsNet的准确度和参数数量最佳。

为进一步比较这三种模型的分类性能，选择了最后一次迭代后的模型，并对其性能进行了验证，测试集包含54份正样本和54份负样本。

为了诊断心肌纤维化，希望尽可能多地诊断出具有真正特征的患者，因此高灵敏度说明模型具有实用性。实验表明，在心肌纤维化患者中，ResCapsNet成功检出43例患者，灵敏度为79.63％。相比之下，CapsNet检出41例具有正特征的患者，灵敏度为75.93％。ResNet检出33例患者，灵敏度为61.11％。从该角度出发，三种模型中ResCapsNet性能最优。

AUC值可以从ROC图计算，用于评价三种模型，因为其受正样本和负样本比例不平衡的影响较小。实验中，ResCapsNet的AUC值为0.8945，CapsNet的AUC值为0.8824，ResNet的AUC值为0.8681。因此，就AUC值而言，三种模型中ResCapsNet的性能最优。

此外，测试了ResCapsNet与原始CapsNet在不同数据量下的性能。在测试集保持不变的情况下，随机抽取10％的训练集数据，得到ResCapsNet和CapsNet的测试损失和测试准确度。然后，每次为训练集随机增加10％的数据，并记录每次实验的准确度和损失，直至数据量增加到原始大小。训练集较小时，模型往往会在达到收敛之前就停止训练，导致分类不准确。为获得模型在小数据量下的真实表现，在训练数据量小于50％时将训练迭代次数设为400，其他情况下仍为100。

两个模型在测试集上的准确度和损失参见图9所示，其中图9(a)是测试损失，图9(b)是测试准确度。总体趋势表明，随着两个模型中数据量的增加，准确度增加，损失减少。详细结果见表3。在10％的数据量下训练时，两个模型的准确度均低于50％。然而，当数据量增加至20％时，ResCapsNet的准确度超过50％，达到52.37％，而CapsNet的准确度仅在数据量增加至30％时才超过50％。这表明，应用残差网络提高了特征提取的能力，并有助于本发明提出的残差胶囊网络模型在小数据量下实现优于原始CapsNet的性能。

表3：不同数据量下ResCapsNet和CapsNet的准确度和损失对比

综上所述，本发明提出了一种提取多特征的残差胶囊网络，用于对高分辨率心脏DE-MRI扫描进行分类。针对复杂的DE-MRI图像问题，采用多个残差块(例如4个)代替原始胶囊网络中的卷积层，以提取图像更深层的特征信息。并且在所提供的残差胶囊网络，将残差网络提取的浅层、中层和深层特征融合到胶囊网络中，实现对图像信息的充分识别。针对大尺寸输入导致胶囊网络梯度消失和爆炸的问题，本发明通过纳入改进的残差网络有效缓解了该问题。同时，使用缩放重建减少了计算时间。本发明尤其适用于处理小型、不平衡和大型DE-MRI数据集。

本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++、Python等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本发明的各个方面。

这里参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。对于本领域技术人员来说公知的是，通过硬件方式实现、通过软件方式实现以及通过软件和硬件结合的方式实现都是等价的。

以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。本发明的范围由所附权利要求来限定。

Claims (10)

1.一种基于残差胶囊网络对心肌纤维化进行分类的方法，包括以下步骤：

获取待测目标的磁共振图像；

将所述磁共振图像输入到经训练的残差胶囊网络，获得重建图像；

利用所述重建图像获得心肌纤维化的分类结果；

其中，所述残差胶囊网络包括编码器和解码器，所述编码器包括残差网络和胶囊网络，所述解码器包括去卷积层，所述残差网络用于从输入图像中提取不同深度的特征图并传递至所述胶囊网络，所述胶囊网络对所述不同深度的特征图进行向量化加权合并，所述解码器使用所述胶囊网络的连接胶囊中的最长向量来重建图像。

2.根据权利要求1所述的方法，其特征在于，所述残差网络设置为包含四个残差块，用于提取浅层特征图、中层特征图和深层特征图，所述胶囊网络设置为包括第一初级胶囊、第二初级胶囊和第三初级胶囊，其中浅层特征图传输至第一初级胶囊，中层特征图传输至第二初级胶囊，深层特征图传输至第三初级胶囊。

3.根据权利要求2所述的方法，其特征在于，所述残差块包含正则化层、Relu激活层和卷积层，并且所述残差块将直连路径和残差路径的求和值作为输出。

4.根据权利要求1所述的方法，其特征在于，所述胶囊网络包括多个初级胶囊、多个对应的数字胶囊和一个连接胶囊，其中每个初级胶囊包含卷积模块以及压缩与激励模块，所述压缩与激励模块在特征合并过程中，获得所述数字胶囊的权重。

5.根据权利要求4所述的方法，其特征在于，所述压缩与激励模块包含全局池化层、第一全连接层、ReLU激活层、第二全连接层和Sigmoid激活层，其中所述全局池化层用于执行压缩运算，第一全连接层、ReLU激活层、第二全连接层和Sigmoid激活层用于执行激励运算。

6.根据权利要求1所述的方法，其特征在于，训练所述残差胶囊网络的总体损失函数设置为：

L＝∑(L_k+α·L_{reconstruction})

其中，L_k表示编码器的边缘损失，L_{reconstruction}表示重建损失，y_m表示真值，

表示估计值，M是样本的总数量，所述重建损失是对原始输入图像缩放后的图像与重建图像之间的损失。

7.根据权利要求6所述的方法，其特征在于，所述编码器的边缘损失设置为：

其中，T_k设为1，

表示预测向量，λ是设置的常数，m⁺代表上界，m^-代表下界。

8.根据权利要求1所述的方法，其特征在于，所述磁共振图像是延迟增强磁共振成像。

9.一种计算机可读存储介质，其上存储有计算机程序，其中，该计算机程序被处理器执行时实现根据权利要求1至8中任一项所述方法的步骤。

10.一种计算机设备，包括存储器和处理器，在所述存储器上存储有能够在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。

Images