[发明专利]一种基于深度学习的白质纤维束重建方法

权利要求书

1.一种基于深度学习的白质纤维束重建方法，其特征在于，包括以下步骤：

1)提取训练样本集图像中信号稀疏性特征；

2)输入图像信号稀疏性特征到卷积神经网络的训练分类器中，分类结果向前预测输出；

3)将步骤2)中获得的预测输出结果与相应的理想输出结果进行对比，获得分类误差；

4)将步骤3)中获得的分类误差反向传播，以减小预测输出与理想输出间的误差，训练出最佳的网络模型，然后再根据所述分类误差重新调整卷积神经网络的训练分类器；

5)反复迭代步骤2)至步骤4)，对多个训练样本图像进行多次训练，直到所述分类误差小于预定值，此时的模型就是训练好的白质纤维束重建的网络模型；

6)把测试样本集图像中的信号稀疏性特征输入到步骤5)中获得的训练好的网络模型中，得到最终的预测结果；

7)采用连续曲线拟合将步骤6)中获得的结果描述成白质纤维的走向和分布，构建三维白质纤维束。

2.根据权利要求1所述的一种基于深度学习的白质纤维束重建方法，其特征在于：在步骤1)中，采用压缩感知理论提取图像中信号稀疏性的特征，其中所述压缩感知理论的采样步骤如下：

1.1)找到某个正交基ψ，信号X在该基上稀疏；

1.2)找到一个与ψ不相关，并且满足一定条件的观测基φ；

1.3)利用观测基观测信号X，得到观测值Y；

1.4)采用最优化方法从观测值Y中高概率恢复X，ψ和φ是约束条件；

压缩感知理论能够在不破坏原始信号信息的情况下，拾取信号的一部分信息，这部分信息足以代表原信号，进而能够精确的恢复原信号，有效的去除图像中冗余的特征。

3.根据权利要求1所述的一种基于深度学习的白质纤维束重建方法，其特征在于：在步骤2)中，定义一个卷积神经网络的分类器由多层感知器和SOFTMAX构成，其特征映射结构采用影响函数核小的sigmoid函数作为卷积网络的激活函数，使得特征映射具有位移不变性；所述的卷积神经网络是一种有监督的深度学习方法，它是一个多层的神经网络，卷积网络在本质上是一种输入到输出的映射，它能够学习大量的输入与输出之间的映射关系，而不需要任何输入和输出之间的精确的数学表达式，只要用已知的模式对卷积网络加以训练，网络就具有输入输出对之间的映射能力。

4.根据权利要求3所述的一种基于深度学习的白质纤维束重建方法，其特征在于：所述多层感知器采用2-3个全连接层。

5.根据权利要求1所述的一种基于深度学习的白质纤维束重建方法，其特征在于：在步骤3)中，对于第n个样本的分类误差Eⁿ，表示为

$E^n=\frac{1}{2}\underset{k=1}{\overset{c}{\mathrm{\Σ}}}{(t_k^n-y_k^n)}^2=\frac{1}{2}\left|\right|t^n-y^n|{|}_2^2$

这里表示第n个样本对应的第k个标签输出，表示第n个样本对应的网络输出的第k个输出。