CN116030063B - Mri图像的分类诊断系统、方法、电子设备及介质 - Google Patents

Mri图像的分类诊断系统、方法、电子设备及介质 Download PDF

Info

Publication number
CN116030063B
CN116030063B CN202310324511.8A CN202310324511A CN116030063B CN 116030063 B CN116030063 B CN 116030063B CN 202310324511 A CN202310324511 A CN 202310324511A CN 116030063 B CN116030063 B CN 116030063B
Authority
CN
China
Prior art keywords
brain tumor
convolution
network model
neural network
depth separable
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
Application number
CN202310324511.8A
Other languages
English (en)
Other versions
CN116030063A (zh
Inventor
刘伟奇
马学升
陈金钢
赵友源
陈韵如
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.)
Tongxin Zhiyi Technology Beijing Co ltd
Original Assignee
Tongxin Zhiyi Technology Beijing Co ltd
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 Tongxin Zhiyi Technology Beijing Co ltd filed Critical Tongxin Zhiyi Technology Beijing Co ltd
Priority to CN202310324511.8A priority Critical patent/CN116030063B/zh
Publication of CN116030063A publication Critical patent/CN116030063A/zh
Application granted granted Critical
Publication of CN116030063B publication Critical patent/CN116030063B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Abstract

本发明实施例公开了一种MRI图像的分类诊断系统、方法、电子设备及介质，MRI图像的分类诊断方法包括：获取原始脑肿瘤MRI图像数据集；对所述原始脑肿瘤MRI图像数据集中的原始脑肿瘤MRI图像进行特征提取得到特征数据；构建深度可分离卷积神经网络模型；基于所述特征数据训练所述深度可分离卷积神经网络模型，在训练过程中通过贝叶斯框架基于先验概率分布对后验概率分布进行迭代估计，得到优化后的所述深度可分离卷积神经网络模型，所述深度可分离卷积神经网络模型用于对脑肿瘤MRI图像进行分类诊断。该MRI图像的分类诊断方法改善了现有技术中对脑肿瘤MRI图像进行分类诊断的模型训练过程所需时间较多的问题。

Description

MRI图像的分类诊断系统、方法、电子设备及介质
技术领域
本发明涉及计算机技术领域，具体涉及一种MRI图像的分类诊断系统、方法、电子设备及介质。
背景技术
脑肿瘤是由于在大脑内部或周围形成大量异常细胞引起的，如果不进行及时的检查和治疗，会严重影响患者的大脑处理功能和整体健康状态，相比于其他影像技术，核磁共振影像（magnetic resonance imaging,MRI）对软组织具有更好的分辨率，是识别和诊断脑肿瘤的最常用技术。随着人工智能技术在医学影像分析中的应用普及，目前已经开发出一些算法能够通过非侵入性影像检查手段来准确分类肿瘤类型和分级的。深度强化学习(Deep Reinforcement Learning, DRL)通过将强化学习与深度神经网络结合起来，使其适用于处理更复杂的问题，已应用于MRI图像重建等医学领域。
然而，DRL算法需要通过大量数据、大量计算进行学习，其样本效率较低，计算成本较高，且倾向于对所提供的信息进行精简，与其他深度学习算法相比，DRL算法的模型训练过程所需要花费的时间更多。
此外，其他强化学习模型和卷积神经网络（Convolutional Neural Network，CNN）模型存在的普遍性问题包括训练不稳定性、模型干扰、采样效率低、实时推断和延迟奖励函数等。
发明内容
本发明实施例的目的在于提供一种MRI图像的分类诊断系统、方法、电子设备及介质，用以解决现有技术中对脑肿瘤MRI图像进行分类诊断的模型训练过程所需时间较多的问题。
为实现上述目的，本发明实施例提供一种MRI图像的分类诊断方法，所述方法具体包括：
获取原始脑肿瘤MRI图像数据集；
对所述原始脑肿瘤MRI图像数据集中的原始脑肿瘤MRI图像进行特征提取得到特征数据；
构建深度可分离卷积神经网络模型；
基于所述特征数据训练所述深度可分离卷积神经网络模型，在训练过程中通过贝叶斯框架基于先验概率分布对后验概率分布进行迭代估计，得到优化后的所述深度可分离卷积神经网络模型，所述深度可分离卷积神经网络模型用于对脑肿瘤MRI图像进行分类诊断。
在上述技术方案的基础上，本发明还可以做如下改进：
进一步地，所述获取原始脑肿瘤MRI图像数据集，包括：
对所述原始脑肿瘤MRI图像数据集中的原始脑肿瘤MRI图像进行预处理得到预处理图像；
其中，所述预处理包括：将原始脑肿瘤MRI图像转换为所需输入格式，并对所述原始脑肿瘤MRI图像进行数据清理和数据增强；
通过模糊C均值聚类算法对所述原始脑肿瘤MRI图像进行偏置场校正后，对所述原始脑肿瘤MRI图像进行图像配准。
进一步地，所述对所述原始脑肿瘤MRI图像数据集中的原始脑肿瘤MRI图像进行特征提取得到特征数据，包括：
对所述预处理图像进行特征提取，其中，所述特征提取包括肿瘤区域提取和带有真实值的掩模肿瘤提取。
进一步地，所述构建深度可分离卷积神经网络模型，包括：
所述深度可分离卷积神经网络模型包括若干个卷积层，基于所述卷积层结合逐点卷积和深度卷积，构成深度可分离卷积，使用深度可分离卷积来限制输出通道和内核之间的关系。
进一步地，所述基于所述特征数据训练所述深度可分离卷积神经网络模型,包括:
基于所述原始脑肿瘤MRI图像数据集划分训练集和验证集；
基于所述训练集训练所述深度可分离卷积神经网络模型；
基于所述验证集对训练好的所述深度可分离卷积神经网络模型进行性能评估，得到满足性能条件的深度可分离卷积神经网络模型。
一种MRI图像的分类诊断系统，包括：
获取模块，用于获取原始脑肿瘤MRI图像数据集；
特征提取模块，用于对所述原始脑肿瘤MRI图像数据集中的原始脑肿瘤MRI图像进行特征提取得到特征数据；
构建模块，用于构建深度可分离卷积神经网络模型；
训练模块，用于基于所述特征数据训练所述深度可分离卷积神经网络模型，在训练过程中通过贝叶斯框架基于先验概率分布对后验概率分布进行迭代估计，得到优化后的所述深度可分离卷积神经网络模型；
所述深度可分离卷积神经网络模型用于对脑肿瘤MRI图像进行分类诊断。
进一步地，所述MRI图像的分类诊断系统还包括预处理模块；
所述预处理模块用于对所述原始脑肿瘤MRI图像数据集中的原始脑肿瘤MRI图像进行预处理得到预处理图像；
其中，所述预处理包括：将原始脑肿瘤MRI图像转换为所需输入格式，并对所述原始脑肿瘤MRI图像进行数据清理和数据增强；
通过模糊C均值聚类算法对所述原始脑肿瘤MRI图像进行偏置场校正后，对所述原始脑肿瘤MRI图像进行图像配准。
进一步地，所述特征提取模块还用于：
对所述预处理图像进行特征提取，其中，所述特征提取包括肿瘤区域提取和带有真实值的掩模肿瘤提取。
一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如所述方法的步骤。
一种非暂态计算机可读介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述方法的步骤。
本发明实施例具有如下优点：
本发明中的MRI图像的分类诊断方法，获取原始脑肿瘤MRI图像数据集；对所述原始脑肿瘤MRI图像数据集中的原始脑肿瘤MRI图像进行特征提取得到特征数据；构建深度可分离卷积神经网络模型；基于所述特征数据训练所述深度可分离卷积神经网络模型，在训练过程中通过贝叶斯框架基于先验概率分布对后验概率分布进行迭代估计，得到优化后的所述深度可分离卷积神经网络模型，所述深度可分离卷积神经网络模型用于对脑肿瘤MRI图像进行分类诊断；解决了现有技术中对脑肿瘤MRI图像进行分类诊断的模型训练过程所需时间较多的问题。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。
本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。
图1为本发明MRI图像的分类诊断方法的流程图；
图2为本发明MRI图像的分类诊断系统的第一架构图；
图3为本发明MRI图像的分类诊断系统的第二架构图；
图4为本发明深度可分离卷积神经网络结构示意图；
图5为本发明提供的电子设备实体结构示意图。
其中附图标记为：
获取模块10，特征提取模块20，构建模块30，训练模块40，预处理模块50，电子设备60，处理器601，存储器602，总线603。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例
图1为本发明MRI图像的分类诊断方法实施例流程图，如图1所示，本发明实施例提供的一种MRI图像的分类诊断方法包括以下步骤：
S101，获取原始脑肿瘤MRI图像数据集；
具体的，对所述原始脑肿瘤MRI图像数据集中的原始脑肿瘤MRI图像进行预处理得到预处理图像；
其中，所述预处理包括：将原始脑肿瘤MRI图像转换为所需输入格式，并对所述原始脑肿瘤MRI图像进行数据清理和数据增强；数据清理用于减少和过滤数据中不需要的噪声；数据增强包括水平和垂直移动、旋转、图像增亮、图像放大、水平翻转和垂直翻转；
通过模糊C均值聚类算法对所述原始脑肿瘤MRI图像进行偏置场校正后，对所述原始脑肿瘤MRI图像进行图像配准，所述图像配准是将原始脑肿瘤MRI图像与参考图像和其他应相应对齐的图像进行图像配准。
S102，对原始脑肿瘤MRI图像数据集中的原始脑肿瘤MRI图像进行特征提取得到特征数据；
具体的，对所述预处理图像进行特征提取，其中，所述特征提取包括肿瘤区域提取和带有真实值的掩模肿瘤提取。
S103，构建深度可分离卷积神经网络模型；
具体的，所述深度可分离卷积神经网络模型包括若干个卷积层，基于所述卷积层结合逐点卷积和深度卷积，构成深度可分离卷积，使用深度可分离卷积来限制输出通道和内核之间的关系。
深度可分离卷积神经网络结构见图4。令
Figure SMS_2
和/>
Figure SMS_5
代表具有核/>
Figure SMS_8
的卷积层的输入通道数和输出通道数，特征图/>
Figure SMS_1
的输入可以表示为/>
Figure SMS_4
，其中/>
Figure SMS_7
表示/>
Figure SMS_10
的空间宽度和空间高度。/>
Figure SMS_3
的大小计算为/>
Figure SMS_6
，其中/>
Figure SMS_9
是核的空间维度，必须为方形结构。对于标准逐点卷积，其计算成本可表示为/>
Figure SMS_11
。
设
Figure SMS_12
表示大小为/>
Figure SMS_13
的接受域中的空间坐标，/>
Figure SMS_14
表示输出标签空间，/>
Figure SMS_15
表示在核/>
Figure SMS_16
中应用的滤波器数量，/>
Figure SMS_17
表示应用的卷积权重，则逐点卷积过程/>
Figure SMS_18
由下式表达：
Figure SMS_19
假设网络模型有
Figure SMS_20
个深度卷积层，层/>
Figure SMS_21
中的深度卷积过程/>
Figure SMS_22
执行元素相乘（用/>
Figure SMS_23
表示），如下所示：
Figure SMS_24
在深度可分离卷积神经网络模型中，结合逐点卷积和深度卷积，构成深度可分离卷积，使用深度可分离卷积来限制输出通道和内核之间的关系。逐点卷积只是普通的1×1卷积，步幅为1。对于深度卷积，不依赖于输出通道的数量，其计算成本可以表示为
Figure SMS_25
，因此深度可分离卷积的计算成本较低，约低于标准卷积的8倍。设空间坐标/>
Figure SMS_26
、逐点卷积权重/>
Figure SMS_27
和深度卷积权重/>
Figure SMS_28
，则深度可分离卷积过程/>
Figure SMS_29
可表示为：
Figure SMS_30
S104，基于特征数据训练深度可分离卷积神经网络模型，在训练过程中通过贝叶斯框架基于先验概率分布对后验概率分布进行迭代估计，得到优化后的深度可分离卷积神经网络模型，深度可分离卷积神经网络模型用于对脑肿瘤MRI图像进行分类诊断。
具体的，基于所述原始脑肿瘤MRI图像数据集划分训练集和验证集；
基于所述训练集训练所述深度可分离卷积神经网络模型；
基于所述验证集对训练好的所述深度可分离卷积神经网络模型进行性能评估，得到满足性能条件的深度可分离卷积神经网络模型；
使用准确性、F1分数、召回率和精确率评价模型性能，计算公式分别如下：
Figure SMS_31
Figure SMS_32
Figure SMS_33
Figure SMS_34
其中，TP、TN、FP和FN分别表示真阳性、真阴性、假阳性和假阴性。
深度可分离卷积神经网络模型在训练集中的分类准确率为99.28%，在验证集中的分类准确率为94.38%。深度可分离卷积神经网络模型的加权平均精确率为0.95，平均召回率0.94，F1平均得分0.94，总体性能较好。
输入训练集，使用编码器，利用证据下限（Evidence Lower Bound, ELBO）函数进行计算。基于贝叶斯框架训练模型，可以根据先验概率推断后延概率，设
Figure SMS_35
表示先验分布的权重，/>
Figure SMS_36
表示另一参数上的先验分布的第一个超参数，/>
Figure SMS_37
表示权重的估计值，使先验分布服从高斯函数，令/>
Figure SMS_38
表示归一化函数，则/>
Figure SMS_39
可以表示为：
Figure SMS_40
其中，
Figure SMS_41
。
模型训练过程具体如下：
模型输入：训练前MRI数据集
Figure SMS_42
、目标的MRI数据集位
Figure SMS_43
、变分近似参数/>
Figure SMS_44
和经编码器/>
Figure SMS_45
的深度权重先验分布；
模型训练：
在
Figure SMS_46
（训练前MRI数据集）上训练贝叶斯CNN模型；收集内核特征并将其拆分为标准和深度可分离卷积；使用编码器作为隐式优先级来训练模型；
升级层
Figure SMS_47
，输入通道/>
Figure SMS_48
，输出通道
Figure SMS_49
；对于/>
Figure SMS_50
到N执行以下循环：
抽样小批量
Figure SMS_51
;
拆分
Figure SMS_52
（目标MRI数据集/>
Figure SMS_53
）为训练集和验证集：/>
Figure SMS_54
、/>
Figure SMS_55
；
训练模型并计算ELBO函数：
Figure SMS_56
；
更新编码器参数：
Figure SMS_57
；
在验证集
Figure SMS_58
上评价模型性能；
模型输出：
贝叶斯CNN模型参数的后验分布
Figure SMS_59
；
基于贝叶斯CNN的脑肿瘤4种分类诊断。
该MRI图像的分类诊断方法，获取原始脑肿瘤MRI图像数据集；对所述原始脑肿瘤MRI图像数据集中的原始脑肿瘤MRI图像进行特征提取得到特征数据；构建深度可分离卷积神经网络模型；基于所述特征数据训练所述深度可分离卷积神经网络模型，在训练过程中通过贝叶斯框架基于先验概率分布对后验概率分布进行迭代估计，得到优化后的所述深度可分离卷积神经网络模型，所述深度可分离卷积神经网络模型用于对脑肿瘤MRI图像进行分类诊断。改善了现有技术中对脑肿瘤MRI图像进行分类诊断的模型训练过程所需时间较多的问题。
该MRI图像的分类诊断方法打破了传统神经网络算法训练不稳定、采样率低、计算成本高等障碍，可以快速准确地对复杂脑肿瘤影像进行分类，辅助临床诊断。
该MRI图像的分类诊断方法结合了使用深度滤波器的贝叶斯算法和具有可学习特征的深度可分离卷积神经网络，通过贝叶斯算法基于少量先验概率对后延概率进行迭代估计，减少了模型训练过程中的不确定性，提高了模型的稳健性，在精确率、召回率、F1分数均优于其他传统CNN模型。
图2-图3为本发明MRI图像的分类诊断系统实施例流程图；如图2-图3所示，本发明实施例提供的一种MRI图像的分类诊断系统，包括以下步骤：
获取模块10，用于获取原始脑肿瘤MRI图像数据集；
特征提取模块20，用于对所述原始脑肿瘤MRI图像数据集中的原始脑肿瘤MRI图像进行特征提取得到特征数据；
构建模块30，用于构建深度可分离卷积神经网络模型；
训练模块40，用于基于所述特征数据训练所述深度可分离卷积神经网络模型，在训练过程中通过贝叶斯框架基于先验概率分布对后验概率分布进行迭代估计，得到优化后的所述深度可分离卷积神经网络模型；
所述深度可分离卷积神经网络模型用于对脑肿瘤MRI图像进行分类诊断。
所述MRI图像的分类诊断系统还包括预处理模块50；
所述预处理模块50用于对所述原始脑肿瘤MRI图像数据集中的原始脑肿瘤MRI图像进行预处理得到预处理图像；
其中，所述预处理包括：将原始脑肿瘤MRI图像转换为所需输入格式，并对所述原始脑肿瘤MRI图像进行数据清理和数据增强；
通过模糊C均值聚类算法对所述原始脑肿瘤MRI图像进行偏置场校正后，对所述原始脑肿瘤MRI图像进行图像配准。
所述特征提取模块20还用于：
对所述预处理图像进行特征提取，其中，所述特征提取包括肿瘤区域提取和带有真实值的掩模肿瘤提取。
所述训练模块40还用于：
基于所述原始脑肿瘤MRI图像数据集划分训练集、测试集和验证集；
基于所述训练集训练所述深度可分离卷积神经网络模型；
基于所述测试集对训练好的所述深度可分离卷积神经网络模型进行性能评估，得到满足性能条件的深度可分离卷积神经网络模型；
基于所述验证集评估满足性能条件的所述深度可分离卷积神经网络模型的分类诊断结果，得到所述深度可分离卷积神经网络模型对应的评价指数。
所述深度可分离卷积神经网络模型包括若干个卷积层，基于所述卷积层结合逐点卷积和深度卷积，构成深度可分离卷积，使用深度可分离卷积来限制输出通道和内核之间的关系。
本发明的一种MRI图像的分类诊断系统，通过获取模块10获取原始脑肿瘤MRI图像数据集；通过特征提取模块20对所述原始脑肿瘤MRI图像数据集中的原始脑肿瘤MRI图像进行特征提取得到特征数据；通过构建模块30构建深度可分离卷积神经网络模型；通过训练模块40基于所述特征数据训练所述深度可分离卷积神经网络模型，在训练过程中通过贝叶斯框架基于先验概率分布对后验概率分布进行迭代估计，得到优化后的所述深度可分离卷积神经网络模型；所述深度可分离卷积神经网络模型用于对脑肿瘤MRI图像进行分类诊断解决了现有技术中对脑肿瘤MRI图像进行分类诊断的模型训练过程所需时间较多的问题。
图5为本发明实施例提供的电子设备实体结构示意图，如图5所示，电子设备60包括：处理器601(processor)、存储器602(memory)和总线603；
其中，处理器601、存储器602通过总线603完成相互间的通信；
处理器601用于调用存储器602中的程序指令，以执行上述各方法实施例所提供的方法，例如包括：获取原始脑肿瘤MRI图像数据集；对所述原始脑肿瘤MRI图像数据集中的原始脑肿瘤MRI图像进行特征提取得到特征数据；构建深度可分离卷积神经网络模型；基于所述特征数据训练所述深度可分离卷积神经网络模型，在训练过程中通过贝叶斯框架基于先验概率分布对后验概率分布进行迭代估计，得到优化后的所述深度可分离卷积神经网络模型，所述深度可分离卷积神经网络模型用于对脑肿瘤MRI图像进行分类诊断。
本实施例提供一种非暂态计算机可读介质，非暂态计算机可读介质存储计算机指令，计算机指令使计算机执行上述各方法实施例所提供的方法，例如包括：获取原始脑肿瘤MRI图像数据集；对所述原始脑肿瘤MRI图像数据集中的原始脑肿瘤MRI图像进行特征提取得到特征数据；构建深度可分离卷积神经网络模型；基于所述特征数据训练所述深度可分离卷积神经网络模型，在训练过程中通过贝叶斯框架基于先验概率分布对后验概率分布进行迭代估计，得到优化后的所述深度可分离卷积神经网络模型，所述深度可分离卷积神经网络模型用于对脑肿瘤MRI图像进行分类诊断。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读介质中，如ROM/RAM、磁碟、光盘等，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）执行各个实施例或者实施例的某些部分的方法。
虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。

Claims (9)

1.一种MRI图像的分类诊断方法，其特征在于，所述方法具体包括：
获取原始脑肿瘤MRI图像数据集；
对所述原始脑肿瘤MRI图像数据集中的原始脑肿瘤MRI图像进行特征提取得到特征数据；
结合逐点卷积和深度卷积构建深度可分离卷积神经网络模型，所述深度可分离卷积神经网络模型包括若干个卷积层，基于所述卷积层结合逐点卷积和深度卷积，构成深度可分离卷积，使用深度可分离卷积来限制输出通道和内核之间的关系；
通过公式1计算深度可分离卷积过程
Figure QLYQS_1
：
Figure QLYQS_2
公式1；
式中，
Figure QLYQS_3
表示大小为/>
Figure QLYQS_4
的接受域中的空间坐标、/>
Figure QLYQS_5
为逐点卷积权重，/>
Figure QLYQS_6
为深度卷积权重，/>
Figure QLYQS_7
为逐点卷积过程，深度卷积过程为/>
Figure QLYQS_8
，y为输出标签空间；
通过公式2表示逐点卷积过程
Figure QLYQS_9
；
Figure QLYQS_10
公式2；
式中，
Figure QLYQS_11
表示在核K中应用的滤波器数量，M表示具有核K的卷积层的输入通道数，/>
Figure QLYQS_12
表示应用的卷积权重；
通过公式3表示深度卷积过程
Figure QLYQS_13
；
Figure QLYQS_14
公式3；
式中，L表示网络模型有L个深度卷积层，
Figure QLYQS_15
表示卷积层的层数，M表示具有核K的卷积层的输入通道数，/>
Figure QLYQS_16
表示大小为/>
Figure QLYQS_17
的接受域中的空间坐标；
基于所述特征数据训练所述深度可分离卷积神经网络模型，在训练过程中通过贝叶斯框架基于先验概率分布对后验概率分布进行迭代估计，得到优化后的所述深度可分离卷积神经网络模型，所述深度可分离卷积神经网络模型用于对脑肿瘤MRI图像进行分类诊断。
2.根据权利要求1所述的MRI图像的分类诊断方法，其特征在于，所述获取原始脑肿瘤MRI图像数据集，包括：
对所述原始脑肿瘤MRI图像数据集中的原始脑肿瘤MRI图像进行预处理得到预处理图像；
其中，所述预处理包括：将原始脑肿瘤MRI图像转换为所需输入格式，并对所述原始脑肿瘤MRI图像进行数据清理和数据增强；
通过模糊C均值聚类算法对所述原始脑肿瘤MRI图像进行偏置场校正后，对所述原始脑肿瘤MRI图像进行图像配准。
3.根据权利要求2所述的MRI图像的分类诊断方法，其特征在于，所述对所述原始脑肿瘤MRI图像数据集中的原始脑肿瘤MRI图像进行特征提取得到特征数据，包括：
对所述预处理图像进行特征提取，其中，所述特征提取包括肿瘤区域提取和带有真实值的掩模肿瘤提取。
4.根据权利要求1所述的MRI图像的分类诊断方法，其特征在于，所述基于所述特征数据训练所述深度可分离卷积神经网络模型,包括:
基于所述原始脑肿瘤MRI图像数据集划分训练集和验证集；
基于所述训练集训练所述深度可分离卷积神经网络模型；
基于所述验证集对训练好的所述深度可分离卷积神经网络模型进行性能评估，得到满足性能条件的深度可分离卷积神经网络模型。
5.一种MRI图像的分类诊断系统，其特征在于，包括：
获取模块，用于获取原始脑肿瘤MRI图像数据集；
特征提取模块，用于对所述原始脑肿瘤MRI图像数据集中的原始脑肿瘤MRI图像进行特征提取得到特征数据；
构建模块，用于结合逐点卷积和深度卷积构建深度可分离卷积神经网络模型，所述深度可分离卷积神经网络模型包括若干个卷积层，基于所述卷积层结合逐点卷积和深度卷积，构成深度可分离卷积，使用深度可分离卷积来限制输出通道和内核之间的关系；
通过公式1计算深度可分离卷积过程
Figure QLYQS_18
：
Figure QLYQS_19
公式1；
式中，
Figure QLYQS_20
表示大小为/>
Figure QLYQS_21
的接受域中的空间坐标、/>
Figure QLYQS_22
为逐点卷积权重，/>
Figure QLYQS_23
为深度卷积权重，/>
Figure QLYQS_24
为逐点卷积过程，深度卷积过程为/>
Figure QLYQS_25
，y为输出标签空间；
通过公式2表示逐点卷积过程
Figure QLYQS_26
；
Figure QLYQS_27
公式2；
式中，
Figure QLYQS_28
表示在核K中应用的滤波器数量，M表示具有核K的卷积层的输入通道数，/>
Figure QLYQS_29
表示应用的卷积权重；
通过公式3表示深度卷积过程
Figure QLYQS_30
；
Figure QLYQS_31
公式3；
式中，L表示网络模型有L个深度卷积层，
Figure QLYQS_32
表示卷积层的层数，M表示具有核K的卷积层的输入通道数，/>
Figure QLYQS_33
表示大小为/>
Figure QLYQS_34
的接受域中的空间坐标；
训练模块，用于基于所述特征数据训练所述深度可分离卷积神经网络模型，在训练过程中通过贝叶斯框架基于先验概率分布对后验概率分布进行迭代估计，得到优化后的所述深度可分离卷积神经网络模型；
所述深度可分离卷积神经网络模型用于对脑肿瘤MRI图像进行分类诊断。
6.根据权利要求5所述的MRI图像的分类诊断系统，其特征在于，所述MRI图像的分类诊断系统还包括预处理模块；
所述预处理模块用于对所述原始脑肿瘤MRI图像数据集中的原始脑肿瘤MRI图像进行预处理得到预处理图像；
其中，所述预处理包括：将原始脑肿瘤MRI图像转换为所需输入格式，并对所述原始脑肿瘤MRI图像进行数据清理和数据增强；
通过模糊C均值聚类算法对所述原始脑肿瘤MRI图像进行偏置场校正后，对所述原始脑肿瘤MRI图像进行图像配准。
7.根据权利要求6所述的MRI图像的分类诊断系统，其特征在于，所述特征提取模块还用于：
对所述预处理图像进行特征提取，其中，所述特征提取包括肿瘤区域提取和带有真实值的掩模肿瘤提取。
8.一种电子设备，包括存储器、处理器及存储在存储器上并可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如权利要求1至4中的任一项所述的方法的步骤。
9.一种非暂态计算机可读介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4中的任一项所述的方法的步骤。
CN202310324511.8A 2023-03-30 2023-03-30 Mri图像的分类诊断系统、方法、电子设备及介质 Active CN116030063B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310324511.8A CN116030063B (zh) 2023-03-30 2023-03-30 Mri图像的分类诊断系统、方法、电子设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310324511.8A CN116030063B (zh) 2023-03-30 2023-03-30 Mri图像的分类诊断系统、方法、电子设备及介质

Publications (2)

Publication Number Publication Date
CN116030063A CN116030063A (zh) 2023-04-28
CN116030063B true CN116030063B (zh) 2023-07-04

Family

ID=86077978

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310324511.8A Active CN116030063B (zh) 2023-03-30 2023-03-30 Mri图像的分类诊断系统、方法、电子设备及介质

Country Status (1)

Country Link
CN (1) CN116030063B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117689966A (zh) * 2024-02-04 2024-03-12 中国科学院深圳先进技术研究院 一种基于量子贝叶斯神经网络的磁共振图像分类方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110136145A (zh) * 2019-05-17 2019-08-16 东北大学 基于多通道可分离卷积神经网络的mr脑部图像分割方法
CN115131680A (zh) * 2022-07-05 2022-09-30 西安电子科技大学 基于深度可分离卷积和跳跃连接的遥感影像水体提取方法

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106570837B (zh) * 2016-10-28 2019-12-17 中国人民解放军第三军医大学 基于高斯多尺度空间的脑组织mri图像偏移场校正方法
CN109300137B (zh) * 2018-09-20 2021-05-07 北京航空航天大学 一种多曲面估计区间二型模糊聚类磁共振脑图像分割方法
CN110738242B (zh) * 2019-09-25 2021-08-10 清华大学 一种深度神经网络的贝叶斯结构学习方法及装置
DE102020207792A1 (de) * 2020-06-24 2021-12-30 Robert Bosch Gesellschaft mit beschränkter Haftung Training eines künstlichen neuronalen Netzwerkes, künstliches neuronales Netzwerk, Verwendung, Computerprogramm, Speichermedium und Vorrichtung
CN111862066B (zh) * 2020-07-28 2024-04-09 平安科技（深圳）有限公司 基于深度学习的脑瘤图像分割方法、装置、设备及介质
CN112215353B (zh) * 2020-09-29 2023-09-01 电子科技大学 一种基于变分结构优化网络的通道剪枝方法
CN113705670A (zh) * 2021-08-27 2021-11-26 上海交通大学医学院附属仁济医院 基于磁共振成像和深度学习的脑部图像分类方法及设备
CN113642716A (zh) * 2021-08-31 2021-11-12 南方电网数字电网研究院有限公司 深度变分自编码器模型训练方法、装置、设备和存储介质
CN113505887B (zh) * 2021-09-12 2022-01-04 浙江大学 一种针对忆阻器误差的忆阻器存储器神经网络训练方法
CN114445692B (zh) * 2021-12-31 2022-11-15 北京瑞莱智慧科技有限公司 图像识别模型构建方法、装置、计算机设备及存储介质
CN114444582A (zh) * 2022-01-07 2022-05-06 太原理工大学 基于卷积神经网络与贝叶斯网络的机械设备故障诊断方法
CN114997052A (zh) * 2022-05-30 2022-09-02 武汉理工大学 基于可分离卷积的风机寿命预测方法、装置、设备及介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110136145A (zh) * 2019-05-17 2019-08-16 东北大学 基于多通道可分离卷积神经网络的mr脑部图像分割方法
CN115131680A (zh) * 2022-07-05 2022-09-30 西安电子科技大学 基于深度可分离卷积和跳跃连接的遥感影像水体提取方法

Also Published As

Publication number Publication date
CN116030063A (zh) 2023-04-28

Similar Documents

Publication Publication Date Title
CN110889853B (zh) 基于残差-注意力深度神经网络的肿瘤分割方法
CN110889852B (zh) 基于残差-注意力深度神经网络的肝脏分割方法
Reddy et al. A novel computer-aided diagnosis framework using deep learning for classification of fatty liver disease in ultrasound imaging
Haq et al. Feature fusion and Ensemble learning-based CNN model for mammographic image classification
CN112465905A (zh) 基于深度学习的磁共振成像数据的特征脑区定位方法
CN116030063B (zh) Mri图像的分类诊断系统、方法、电子设备及介质
Shubham et al. Identify glomeruli in human kidney tissue images using a deep learning approach
CN113421228A (zh) 一种基于参数迁移的甲状腺结节识别模型训练方法及系统
CN115147600A (zh) 基于分类器权重转换器的gbm多模态mr图像分割方法
CN112036298A (zh) 一种基于双段区块卷积神经网络的细胞检测方法
Asyhar et al. Implementation LSTM Algorithm for Cervical Cancer using Colposcopy Data
Thangavel et al. EAD-DNN: Early Alzheimer's disease prediction using deep neural networks
Sengun et al. Automatic liver segmentation from CT images using deep learning algorithms: a comparative study
CN116883432A (zh) 病灶图像的分割方法、装置、电子设备及可读存储介质
Kanse et al. HG-SVNN: harmonic genetic-based support vector neural network classifier for the glaucoma detection
CN115205599B (zh) 一种基于域泛化模型的多年龄段儿童胸片图像肺炎分类系统
CN115909016A (zh) 基于GCN分析fMRI图像的系统、方法、电子设备及介质
Lee et al. Improved classification of brain-tumor mri images through data augmentation and filter application
Guo et al. Thyroid nodule ultrasonic imaging segmentation based on a deep learning model and data augmentation
Pradhan et al. Transfer learning based classification of diabetic retinopathy stages
CN115601535A (zh) 联合Wasserstein距离与差异度量的胸片异常识别域自适应方法及系统
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
Shekerbek et al. APPLICATION OF MATHEMATICAL METHODS AND MACHINE LEARNING ALGORITHMS FOR CLASSIFICATION OF X-RAY IMAGES.
CN112766332A (zh) 医学影像检测模型训练方法、医学影像检测方法及装置
Mesbahi et al. Automatic segmentation of medical images using convolutional neural networks

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