[发明专利]基于多输入卷积神经网络的sMRI图像分类方法和装置

权利要求书

1.基于多输入卷积神经网络的精神分裂症sMRI图像分类方法，其特征在于，具体包括以下步骤：

采用磁共振扫描仪进行磁共振T1影像数据采集，获得sMRI图像；

对所获得的sMRI图像数据进行数据预处理，获得未做平滑处理的三维灰质密度图像和空间平滑后的三维灰质密度图像；

将未做平滑处理的三维灰质密度图像和空间平滑后的三维灰质密度图像分别按照Z轴切片，去除切片后无特征信息的切片图像，构建包括原始的未做空间平滑处理和空间平滑处理后的数据集，数据集由精神分裂症与正常人的数据构成；

建立多输入卷积神经网络模型，所述卷积神经网络模型包括两个输入卷积神经网络，每个输入卷积神经网络有三个卷积层和一个池化层；通过一个特征融合层将两个输入卷积神经网络提取的特征进行融合，特征融合层后连接两个全连接层，在每个全连接层后加入一个批归一化层；初始化隐层神经元个数、卷积核的大小、迭代次数和学习率；

将空间平滑后和未做平滑处理的sMRI数据分别输入到两个输入卷积神经网络，对多输入卷积神经网络模型进行训练，最终得到最优的多输入卷积神经网络模型；将测试集图像送入最优多输入卷积神经网络模型，最后识别出精神分裂症患者与正常人的图像；

将空间平滑后的数据输入至多输入卷积神经网络的一个输入，将未做平滑处理的数据输入到至多输入卷积神经网络模型另外一个输入，然后进行训练，包含如下步骤：

将未做空间平滑处理和空间平滑处理的sMRI数据进行Zeropadding边缘填充，得到两个像素矩阵；

将两个像素矩阵分别送入两个输入卷积神经网络的第一个卷积层中进行低层特征的提取，第一个卷积层中包含a个隐层神经元，卷积核的大小采用m×m；后将低层特征输入至第二个卷积层中进行特征的提取，第二个卷积层中包含b个隐层神经元，卷积核的大小采用n×n；其后将第二层中提取的特征输入至第三个卷积层中进行抽象特征的提取，第三个卷积层中包含c个隐层神经元，卷积核的大小采用h×h；接着就是对卷积层提取的特征进行最大池化处理得到全局特征，pooling的尺寸为s×s；最后将两个输入层提取的全局特征通过特征融合层进行特征融合，然后将融合后的特征输入两个全连接层中进行分类，并且每个全连接层后加入一个批归一化层和Dropout层；整个过程所采用的激活函数均为ReLU函数。

2.根据权利要求1所述的基于多输入卷积神经网络的精神分裂症sMRI图像分类方法，其特征在于，对所获得的sMRI 图像数据进行数据预处理，获得未做平滑处理的三维灰质密度图像和空间平滑后的三维灰质密度图像，具体包括如下步骤：

步骤1，对所有待分析的原始sMRI图像做仿射变换，然后进行局部非线性变换校正，得到空间标准化的大脑图像；

步骤2，通过利用大脑脑组织的先验概率分布和图像灰度值对比脑结构，将空间标准化后的大脑图像分割出灰质密度图像，得到未做平滑去噪的灰质密度图像；

步骤3，对未做平滑去噪的灰质密度图像，利用高斯平滑核进行空间平滑得到平滑去噪后的灰质密度图像；

步骤4，对未做平滑去噪的灰质密度图像和平滑去噪后的灰质密度图像，分别利用DARTEL算法配准生成最优的模板，然后向MNI空间进行标准化，得到获得未做平滑处理的三维灰质密度图像和空间平滑后的两个三维NII格式灰质密度图像。

3.根据权利要求2所述的基于多输入卷积神经网络的精神分裂症sMRI图像分类方法，其特征在于，利用DARTEL算法配准生成最优模板的具体步骤如下：

步骤(1)，将所有分割获得的灰质密度图像取平均，得到灰质平均图像；

步骤(2)，将灰质平均图像作为初始的模板，利用流场理论，对每一个灰质密度图像分别进行模板配准；

步骤(3)，对配准后的图像再次取平均，得到下次迭代的模板；

步骤(4)，重复此过程直至有两次的平均值取得相同数值时得到最优的模板为止。