[发明专利]一种基于双路小样本学习的MRI图像分类方法

权利要求书

1.一种基于双路小样本学习的MRI图像分类方法，其特征在于：包括以下步骤：

步骤1：获取待分析的MRI图像数据，从MRI图像中提取出MRI-T1w和MRI-T2w时序图像；

步骤2：对步骤1中获取的所有MRI-T1w和MRI-T2w时序图像进行归一化处理，得到归一化后数据；

步骤3：将步骤2中获取的归一化后数据分成训练集和测试集；

步骤4：将步骤3中训练集的MRI-T1w和MRI-T2w时序图像分成两路，执行双路独立运行模式输入到K个卷积层；

其中，K的取值范围为8到15层；

步骤5：将步骤4中K个卷积层数据执行双路独立运行模式，进行元迁移优化，输出双路经过元迁移优化后的数据，具体为：将步骤4中K层卷积层的前M层输入数据保持不变，后K-M层替换成某种固定疾病的图像；

其中，M的范围是5到7；

其中，元迁移优化的参数更新采用公式(2)(3)来实现：

其中，参数是参数梯度更新后的参数值，是梯度算子，表示参数的梯度；L_T是损失函数，S_tr是训练数据集，S_te测试数据集，α是学习率；argmin是目标函数取最小值时的变量值；表示使用训练数据集S_tr建立参数的损失函数；表示使用测试数据集S_te建立参数的损失函数；表示使用测试数据集S_te建立参数的损失函数，即参数的损失函数；

步骤6：将步骤5中双路经过元迁移优化的K个卷积层数据进行融合，合成一路数据，再对合成的一路数据进行优化；

步骤7：将步骤6中优化后的数据输入到N个全连接层，输出结果为MRI图像的分类结果；

其中，N的范围是1到3。

2.根据权利要求1所述的一种基于双路小样本学习的MRI图像分类方法，其特征在于：步骤1中，提取的MRI-T1w和MRI-T2w时序图像，包括每位患者MRI图像数据中的MRI-T1w和MRI-T2w时序图像。

3.根据权利要求2所述的一种基于双路小样本学习的MRI图像分类方法，其特征在于：步骤2中，归一化处理具体采用公式(1)来实现：

X_normal＝(X-X_min)/(X_max-X_min) (1)

其中，X表示MRI-T1w和MRI-T2w时序图像中的任意一个点，X_normal是表示该任意点X归一化后的数值；X_max和X_min分别是当前MRI-T1w和MRI-T2w时序图像中数据的最大值和最小值。

4.根据权利要求3所述的一种基于双路小样本学习的MRI图像分类方法，其特征在于：步骤3中，训练集和测试集中分别包括归一化后数据的x％和1-x％，且x的范围是60到80。

5.根据权利要求4所述的一种基于双路小样本学习的MRI图像分类方法，其特征在于：步骤4中，输入的MRI-T1w和MRI-T2w时序图像是步骤1中同一患者MRI图像中提取出的时序图像。

6.根据权利要求5所述的一种基于双路小样本学习的MRI图像分类方法，其特征在于：步骤5与步骤4相同，也执行双路独立运行模式。

7.根据权利要求6所述的一种基于双路小样本学习的MRI图像分类方法，其特征在于：步骤6中，优化采用(4)实现：

其中，Θ是特征提取参数，θ是特征分类参数，L_T是损失函数；[Θ；θ]表示构建的特征提取和分类参数；[Θ；θ]′表示参数[Θ；θ]梯度更新后的参数值；L_T([Θ；θ])表示参数[Θ；θ]的损失函数。