[发明专利]一种基于任务驱动的层次注意力网络的MRI图像分类方法

说明书

本发明涉及一种基于任务驱动的层次注意力网络的MRI图像分类方法，首先，构建训练集、验证集和测试集；其次，利用训练集对构建信息子网络进行训练及通过验证集得到具有最优网络参数的信息子网络；接着利用训练集对构建的层次注意力子网络进行训练及通过验证集得到具有最优网络参数的层次注意力子网络；最后，在测试集中任意选择一张MRI图像，将该图像输入到上述信息子网络中得到信息图，之后将该信息图和待分类MRI图像输入到训练后的层次注意力子网络中得到该待分类MRI图像属于每一类别的概率，将概率最高的值对应的类别作为该待分类MRI图像的类别。该方法不仅可以定位与分类相关的区域，而且拥有优越的分类性能。

技术领域

本发明涉及一种基于任务驱动的层次注意力网络的MRI图像分类方法。

背景技术

卷积神经网络(convolutional neural network，简称CNN)由于其出色的特征提取能力被广泛用于图像分类任务中。此类网络可以直接将图像作为输入，并自行提取图像的颜色、纹理等特征，避免了传统识别算法中复杂的特征提取和模型构建过程。

由于磁共振成像(magnetic resonance imaging，简称MRI)图像较大，直接使用用于自然图像分类的CNN结构对其分类往往精度不高。所以有许多学者对自然图像分类的CNN结构做了改进，现有的基于CNN的MRI图像分类方法可以分为三类：基于感兴趣区域(regions-of-interest，简称ROI)的分类方法，基于图像块的分类方法和基于全图像的分类方法。

基于ROI的分类方法首先根据专家的领域知识对原图相关区域进行预分割并提取特征，然后构建MRI图像分类器，但是这种方法通常不能覆盖整个MRI图像所有分类相关区域，同时还需要复杂的预处理步骤。基于图像块的分类方法通常先将整幅MRI图像分割成多个图像块，然后从这些图像块中提取特征，最后简单地融合这些图像块特征用于对样本进行分类。基于图像块的方法可以更好地提取图像的局部特征并且不需要领域知识。但是，这些方法只是简单地使用了CNN的最后几层来融合图像块的特征，可能会导致整个图像中一些潜在的信息丢失。基于全图的分类方法针对整个MRI图像提取特征，它们可以获得全局的特征并且不需要专家知识。然而，由于MRI图像较大而与分类相关区域较小，这类方法无法准确定位到这些区域导致最后分类结果不佳。目前较先进的基于全图的分类方法通常会采取注意力机制，即让网络学习全图各区域的权值，通过加权的方法提升分类准确率。

综上所述，基于ROI的分类方法和基于图像块的分类方法侧重于使用不同的策略来提取具有判别性的局部特征，而基于整幅图像的方法侧重于提取整幅图像的语义特征。然而，前两种方法往往忽略了对整幅图像特征的挖掘，而最后一种方法没有充分进行与分类相关的局部区域特征的提取。总之，上述的前两种方法注重于对图像局部特征的提取，而最后一种方法注重于对图像整体特征的提取。

发明内容

本发明所要解决的技术问题是针对上述现有技术提供一种不仅可以定位与分类相关的区域，而且拥有优越的分类性能的基于任务驱动的层次注意力网络的MRI图像分类方法。

本发明解决上述技术问题所采用的技术方案为：一种基于任务驱动的层次注意力网络的MRI图像分类方法，其特征在于包括如下步骤：

步骤1、获取一定数量、且类别已知的MRI图像，对所有类别已知的MRI图像进行预处理，之后将所有预处理之后的MRI图像归一化为统一的大小，形成样本集；

步骤2、将样本集分成训练集、验证集和测试集；

步骤3、构建信息子网络，并利用训练集中的样本对构建的信息子网络进行训练，得到训练完成后的信息子网络；

构建的信息子网络包括信息图提取网络和图像块分类网络，其中，信息图提取网络为用于分类且以卷积核为1*1*1的卷积层替换掉全局平均池化层和全连接层的3D CNN，通过该信息图提取网络输出通道数为1的信息图；图像块分类网络为用于分类的3DCNN；