[发明专利]一种基于双路小样本学习的MRI图像分类方法

说明书

本发明涉及一种小样本MRI图像分类方法，属于图像识别技术领域。所述方法包括：1)获取待分析的患者MRI图像数据，提取MRI‑T1w和MRI‑T2w时序图像；2)对时序图像进行归一化处理；3)对获取的归一化后数据分成训练集和测试集；4)将训练集的MRI‑T1w和MRI‑T2w时序图像分成两路独立输入到K个卷积层；5)对卷积层数据进行元迁移优化；6)将双路经过元迁移优化K层卷积层的数据进行融合，合成一路数据，输入到全连接层，生成训练好的双路小样本学习MRI图像分类模型，并输出图像分类的结果。本发明提出的双路分析模型能在小样本MRI图像情况下提升图像分类的准确性。

技术领域

本发明涉及一种MRI图像分类方法，尤其涉及一种基于双路小样本学习的MRI图像分类方法，属于图像识别技术领域。

背景技术

在现代医学领域中，通过核磁共振图像(Magnetic Resonance Imaging，MRI)进行疾病诊断是一种常见医疗诊断方式。由于MRI图像中蕴含了大量的信息，同时不同疾病的MRI图像也千差万别。过往的疾病诊断常常需要借助有经验的医生对MRI图像进行分析，但是不同资历的医生对于疾病的诊断就会有一定的差异。因此，人工智能技术的发展，应用深度学习算法对MRI图像中的特征数据进行有效分析，将能够对医生进行疾病诊断提供辅助作用。

传统的特征提取方法往往受先验知识的限制，只能提取与特定应用相关的特征。医生需要用肉眼从多张MRI图像数据中寻找组织的病变情况，这一过程不仅需要消耗大量的时间，而且不同医生的标准不一致，还存在一定的误诊情况。

深度学习是一种有用的病变检测和分类技术，可以从MRI图像中发现大量肉眼难以发现的疾病特征。但是传统的深度学习方法需要数千张图像数据进行模型的预训练。但是往往带有疾病特征的MRI图像都非常的有限(疾病特征MRI图像数量一张到几十张不等)，这些数据对于深度学习模型的预训练就显得非常不足，无法完成模型的预训练过程。

目前已有的深度学习技术虽然能够进行MRI图像分类，但是在带有疾病特征MRI图像数量有限的情况下，尤其是只有一张到十张图像的情况下，MRI图像分类的准确性还存在很大提升空间。本发明的目的是致力于解决在疾病特征MRI图像数量有限情况下图像分类准确性不足的问题，提出一种通过提取MRI图像中的MRI-T1w和MRI-T2w时序图像作为输入数据源，使用双路独立通道将MRI-T1w和MRI-T2w时序图像依次送入到卷积层中进行分析，同时结合元迁移的方法对此部分进行优化处理，然后将双路数据在卷积层结尾进行融合，送入到全连接层，进而对患者疾病MRI图像进行分类。

发明内容

本发明的目的在于解决在疾病特征MRI图像数量有限情况下图像分类准确性不足的问题，提出了一种基于双路小样本学习的MRI图像分类方法。

为达到上述目的，本发明采取如下具体技术方案：

所述MRI图像分类方法，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；

其中，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；

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；

其中，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)