[发明专利]一种基于卷积神经网络的核磁共振图像处理装置与方法

权利要求书

1.一种基于卷积神经网络的核磁共振图像处理装置，该装置包括，用于存储图像预处理的程序、人工智能的深度学习的程序和头颅的核磁共振成像的图像数据的存储介质，利用人工智能的深度学习对头颅的核磁共振成像的图像数据进行处理和分析的计算机主机或计算机集群，用于显示图像预处理的程序、人工智能的深度学习的程序、各种头颅的核磁共振成像的图像数据和各种程序的运行过程和运行结果的显示装置，

其特征在于：上述装置能够实现对任意给定的数量的正常老年组、遗忘型轻度认知损害和阿尔兹海默病的受试者的三维的头颅的核磁共振成像的图像数据的经过图像分割得到的海马体的亚结构的任意给定的数量的二维切片实现人工智能的深度学习的卷积神经网络的监督学习，根据上述的对任意给定的数量的正常老年组、遗忘型轻度认知损害和阿尔兹海默病的受试者的三维的头颅的核磁共振成像的图像数据的二维切片进行人工智能的深度学习的卷积神经网络的监督学习所得到的深度学习的神经网络模型，利用任意给定的数量的待识别的受试者的三维的头颅的核磁共振成像的图像数据的任意给定的数量的二维切片对上述的待识别的受试者进行正常老年组、遗忘型轻度认知损害和阿尔兹海默病的三分类的区分识别；

其中，所述深度学习的神经网络模型是卷积神经网络的模型，利用人工智能的深度学习的卷积神经网络实现基于海马体的海马头、海马伞、CA1、CA2、CA3、CA4、齿状回和海马尾的形态学特征的深度学习的计算机辅助识别和/或利用人工智能的深度学习的卷积神经网络实现基于海马体的海马头、海马伞、CA1、CA2、CA3、CA4、齿状回和海马尾的纹理特征的深度学习的计算机辅助识别；

所述基于海马体的海马头、海马伞、CA1、CA2、CA3、CA4、齿状回和海马尾的形态学特征的深度学习的计算机辅助识别是指：从每一位受试者的对海马头、海马伞、CA1、CA2、CA3、CA4、齿状回和海马尾的核磁共振成像的三维体素的图像中选取与冠状面、矢状面和水平面平行的指定数量和指定间距的以体素的尺寸大小为厚度的二维切片，所述体素的尺寸大小可以根据核磁共振成像的图像的质量任意地设定，对训练集，给每个来源于正常老年组的受试者的所有的二维切片标记上正常老年组的标签，给每个来源于在临床上确诊为遗忘型轻度认知损害的受试者的所有的二维切片标记上在临床上确诊为遗忘型轻度认知损害的标签，给每个来源于在临床上确诊为阿尔兹海默病的受试者的所有的二维切片标记上在临床上确诊为阿尔兹海默病的标签，将上述的每个二维切片划分为大小相同的互相不重叠的多个区域，将以每个区域的灰度的强度的数值为基础的反映该区域的图像信息的特征做为人工智能的深度学习的卷积神经网络的输入，利用上述的人工智能的深度学习的卷积神经网络对所有的上述的受试者的上述的二维切片的形态学特征进行识别，根据对所述形态学特征的识别得到针对所述二维切片的对正常老年组、在临床上确诊为遗忘型轻度认知损害和在临床上确诊为阿尔兹海默病的三种情况进行第一三分类的区分识别；使用所述第一三分类的区分识别对进行验证集验证，用以优化所述卷积神经网络的结构与参数；

所述基于海马体的海马头、海马伞、CA1、CA2、CA3、CA4、齿状回和海马尾的纹理特征的深度学习的计算机辅助识别是指：从每一位受试者对的海马头、海马伞、CA1、CA2、CA3、CA4、齿状回和海马尾的核磁共振成像的三维体素的图像中选取与冠状面、矢状面或水平面平行的指定数量的二维切片组，每一个二维切片组具有给定数量的与冠状面、矢状面或水平面平行的连续相邻的以体素的尺寸大小为厚度的二维切片；对在上述的每一个二维切片组的中间的一层的二维切片中，除去边缘的3个到9个体素外其余的所有体素进行纹理特征的提取，所述纹理特征的提取根据相邻的体素的灰度的强度值的数值在不同的方向上的变化来实现；将上述的每一个二维切片组的中间的一层的二维切片中除边缘的3到6个体素以外的所有的体素的纹理特征作为卷积神经网络的输入，利用人工智能的深度学习的卷积神经网络对所有的上述的受试者的二维切片组的纹理特征进行识别，根据对上述纹理特征的识别得到针对上述的二维切片阻的对正常老年组、在临床上确诊为遗忘型轻度认知损害和在临床上确诊为阿尔兹海默病的三种情况进行第二三分类的区分识别；使用所述第二三分类的区分识别对进行验证集验证，用以优化所述卷积神经网络的结构与参数；

上述的每个二维切片的图像被分成96×96个区域，每个区域的图像的灰度的强度的数值作为96×96的矩阵的元素的数值，将上述的96×96的矩阵的元素作为所述卷积神经网络的输入；或者

上述的每个二维切片的图像被分成256×256的区域，每个区域的图像的灰度的强度的数值作为256×256的矩阵的元素的数值，将上述的256×256的矩阵的元素作为所述卷积神经网络的输入；

所述卷积神经网络的第一层为具有32个核的卷积层，核的大小为3×3，激活函数为relu；第二层为最大池化层，核的大小为2×2；第三层为有64个核的卷积层，核的大小为3×3，激活函数为relu；第四层为池化层，核的大小为2×2；第五层为具有128个核的卷积层，核的大小为3×3，激活函数为relu；第六层为池化层，核的大小为2×2；

将所述第六层的输出展开成一维数组，连接到所述卷积神经网络的第一隐藏层；

所述卷积神经网络的第一隐藏层有200个神经单元，激活函数为Dropout；第一隐藏层的输出连接第二隐藏层；第二隐藏层有200个神经单元，第二隐藏层的输出连接所述卷积神经网络的输出层，其中，所述卷积神经网络的输出层的激活函数为softmax。