[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

说明书

本发明公开一种基于多输入卷积神经网络精神分裂症sMRI图像分类方法，包括：采集精神分裂症与正常人的结构磁共振成像影像数据；对sMRI图像数据进行预处理分别得到未做平滑处理和空间平滑后的灰质密度图像，并构建原始数据集；将原始数据集送入多输入卷积神经网络模型中训练，最后将sMRI影像数据输入到该多输入卷积神经网络模型中，最终输出分类结果。本发明将未做空间平滑处理和空间平滑后影像输入至多输入卷积神经网络中，可以弥补空间平滑中丢失的sMRI影像中的高频信息，同时由于未做平滑处理的图像中包含的噪声可增强卷积神经网络的泛化能力，能有效的解决精神分裂症sMRI图像分类中准确度不高的问题。

技术领域

本发明涉及一种基于多输入卷积神经网络的sMRI图像分类方法和装置，属于图像处理和人工智能技术领域。

背景技术

磁共振成像(Magnetic Resonance Imaging，MRI)是一种较新的医学成像技术，它采用静磁场和射频磁场使人体组织成像，在成像过程中，既不用电子离辐射、也不用造影剂就可获得高对比度的清晰图像。随着磁共振成像的广泛应用，对建立准确细致的磁共振影像模型库提出了更高的要求。传统的磁共振影像模型库的建立，依赖专业技术人员的人工检索和分类，但是检索效率低、精度差，且工作量日益增大。

近些年来，人工智能成为科学与应用研究的主流方向，而深度学习作为人工智能最受关注的领域，也取得了巨大的突破。许多国内外的科研机构和科研人员将深度学习这一新兴技术引入到智慧医疗领域。卷积神经网络（Convolution Neural Network，CNN）是近几年发展起来的一种高效识别方法，已经成为众多科学领域的研究热点。但是目前将CNN应用在模式分类领域，尤其是精神分裂症结构磁共振成像（structural Magnetic ResonanceImaging，sMRI）图像分类领域，还存在研究较少、识别精度不高且模型的训练速度较慢等问题。

因此，亟需一种分类精度更高的方法，为研究人员建立精度更高的模式数据库提供参考，节约人力同时提高工作效率。

发明内容

本发明针对目前精神分裂症sMRI图像分类精度不高、模型训练速度较慢等问题，提出一种基于多输入卷积神经网络的sMRI图像分类方法和装置，利用多输入CNN解决了空间平滑造成sMRI影像图像高频信息的丢失的问题，明显提高了识别首发精神分裂症患者与正常人的结构图像的识别率。

本发明为解决上述技术问题采用以下技术方案:

本发明公开了一种基于多输入卷积神经网络的精神分裂症sMRI图像分类方法，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（structural MagneticResonance Imaging，结构磁共振成像）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均按照Z轴切片，去除切片化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，该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，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。