[发明专利]基于切片图像筛选和特征聚合的MRI图像分类方法

说明书

一种基于切片图像筛选和特征聚合的MRI图像分类方法，训练时：获取训练集和验证集中每幅MRI图像的切片图像及每张切片图像对应的切片向量，并对所有切片向量进行聚类，组成切片图像簇；根据切片图像簇对切片图像分类模块进行训练和验证，并提取知识性簇；将知识性簇输入到知识性切片特征提取模块中得到切片特征图集合；根据切片特征图集合对切片特征聚合模块进行训练和验证，并输出切片特征向量；使用切片特征向量对MRI分类网络中进行训练和验证。测试时：按上述方法提取测试集的知识性簇的切片特征图集合，将切片特征图集合输入到训练完成的切片特征融合模块和MRI分类网络中得到图像的分类结果。该分类方法的分类准确率高。

技术领域

本发明涉及图像处理领域，特别涉及一种基于切片图像筛选和特征聚合的MRI图像分类方法。

背景技术

在过去几十年以来，已有很多基于磁共振成像(magnetic resonance imaging，简称MRI)图像的传统机器学习分类方法的研究。基于传统机器学习的图像分类方法主要包括如下三步：图片预处理、人工设计的特征的提取、特征筛选和基于传统机器学习方法的分类器的设计(例如，支持向量机、逻辑回归等)。然而，这些方法受限于人工设计的特征提取的复杂性及潜在特征丢失的限制。近几年，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领域。同时也有大量的基于CNN的研究被应用在MRI图像分类问题中。这些研究可以分为两类：基于二维切片图像的CNN分类方法和基于三维图像的CNN分类方法。

现存的大多数研究主要是基于三维图像的CNN分类方法，这些方法使用三维MRI图像作为输入，并设计三维CNN来提取MRI的三维空间信息。这些方法大致可以被分为三类：基于感兴趣区域的分类方法(regions-of-interest，简称ROI)、基于图像块的分类方法、基于全图的分类方法。其中，基于ROI的分类方法使用预定义的三维感兴趣区域进行MRI图像分类。此类方法通过预分割这些区域，并设计不同的CNN从这些区域提取特征并进行MRI图像的分类。但是，这些预定义的区域不能在总体上囊括所有与分类结果相关的区域。为了减少对预定义的分类相关区域的依赖，基于图像块的分类方法将MRI图像分成许多图像块，并根据一种数据驱动的方式选择出其中对分类结果影响较大的图像块。然后，设计不同的CNN对这些图像块进行特征提取，并融合图像块的特征进行MRI图像的分类。但是这些方法仍然存在着在图像块选择时丢失一些分类相关区域，导致分类结果并非最优的问题。为了解决这个问题，基于全图的方法直接从整个MRI图像中提取特征，这些方法不需要先验知识的支撑，通过对前沿的三维CNN进行微调或者设计新的CNN来自动地从一个完整的MRI图像中学习到完整的空间特征，并实现对MRI图像的分类。但是，这些方法没有突出分类相关区域，而对这些区域的突出对于MRI图像分类问题来说是非常重要的。为了缓解这一不足，一些三维CNN方法开发了一系列注意力模型来突出相关区域特征的提取。然而，由于单个图像体积较大，分类相关区域体积较小，有用的MRI图像数据较少，这些模型很容易过拟合。

基于二维切片图像的CNN方法利用从三维图像的三个方向(轴面、矢状面和冠状面)中切换的切片图像作为输入，并设计二维的CNN来提取切片图像的特征，同时整合这些切片特征做出诊断。与基于三维图像的CNN方法相比，基于二维切片图像的CNN方法具有更多的图像数量且图像维度较小，这些优点使得基于二维切片图像的CNN方法较之基于三维图像的CNN方法在MRI图像分类任务上有更好的表现。但是，基于二维切片图像的CNN方法存在一个很大的挑战：每幅切片图像的标签缺失。将MRI图像的标签作为对应切片图像的标签是当前最普遍的方法，然而，此作法会导致众多的有噪音的标签的产生，极大地影响分类的正确率。

发明内容

本发明所要解决的技术问题是针对现有技术的现状，提供一种分类准确率高的、基于切片图像筛选和特征聚合的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：一种基于切片图像筛选和特征聚合的MRI图像分类方法，其特征在于：包括以下步骤：