[发明专利]一种阿尔兹海默病MRI图像分类方法

权利要求书

1.一种阿尔兹海默病MRI图像的分类方法，其特征在于，包括以下步骤：

S1、采集足够数量的AD、MCI和NC三类人群的MRI图像；

S2、对MRI图像进行预处理，得到Axial、Sagittal和coronal三个方向上的多个2D形式的切片，并将图像数据集分为训练集和测试集；

S3、构建深度学习模型，并对深度学习模型中每个子网络进行预训练；所述深度学习模型中的每个子网络都是一个卷积神经网络，子网络个数与每个样本的切片数量相等；

S4、将训练集中的训练数据作为深度学习模型的输入，构建基于度量学习的损失函数，并通过反向传播及随机梯度下降法优化网络参数，得到测试模型；

S5、将测试集中的测试数据输入测试模型中，通过前向传播得到输出数据，将输出数据作为分类特征输入KNN分类器得到分类结果；

所述步骤S4中的损失函数J具体为：

J＝J₁+α·J₂+regularization

上式中，J₁为第一损失函数，J₂为第二损失函数，α为大于0的常数，regularization为网络参数的正则化项；

其中，第一损失函数为：

上式中，N为训练样本的个数，训练集D＝{X₁,X₂,…,X_n,…,X_N}；i,j＝1,2,…,M，M为切片数量，即为子网络个数，为深度学习模型第i个子网络的输出，其输入为为样本X_n的第i个切片，d(x,y)为向量x,y之间的相似度度量；

第二损失函数为：

上式中，m＝1,2,…,M，从训练集D得到两个样本对集P和N，即对于若X_i,X_j属于同一个类别，则(X_i,X_j)∈P，否则(X_i,X_j)∈N；为模型第m个子网络的输出，其输入为为样本X_i的第m个切片，C为大于0的常数；

所述步骤S5的具体步骤为：

S51、把训练数据集D＝{X₁,X₂,…,X_n,…X_N}的输出Z＝{Z₁,Z₂,…Z_n,…Z_N}作为KNN分类器的训练数据，并把X_n的标签作为Z_n的标签，为KNN分类器设置K值；

S52、将测试数据X_test输入到测试模型中输出Z_test，通过KNN分类器对Z_test进行分类，得到测试数据X_test的类别；Z_test与训练数据Z_n的距离计算公式为：

上式中，为Z_test与训练数据集中第n个数据X_n的输出Z_n的距离；为深度学习模型第m个子网络的输出，ω_m为第m个网络的权重。

2.根据权利要求1所述的阿尔兹海默病MRI图像的分类方法，其特征在于，所述步骤S3中的预训练具体为：在每个子网络的最后一层增加softmax层，通过ImageNet数据集对每个子网络单独进行预训练，预训练完成后，去除softmax层，并用各个子网络的参数预训练结果初始化此深度学习模型中的相应参数。