[发明专利]基于深度学习的端对端脑影像数据处理方法及装置

说明书

本发明公开了一种基于深度学习的端对端脑影像数据处理方法，包括：获取对照组脑影像数据与待测组脑影像数据；分别对对照组脑影像数据与待测组脑影像数据进行特征提取，对应得到待训练特征矩阵与待检测特征矩阵；构建端对端卷积神经网络分类模型；利用待训练特征矩阵对端对端卷积神经网络分类模型进行训练；利用训练好的端对端卷积神经网络分类模型对待检测特征矩阵进行处理，得到检测结果。本发明提供的方法将整个分析流程整合为一个整体，并基于深度学习算法实现分类结果，使得分析算法更为连贯，且模型的输出直接体现输入数据表达信息，从而使得检测结果更为准确。

技术领域

本发明属于医疗设备技术领域，具体涉及一种基于深度学习的端对端脑影像数据处理方法及装置。

背景技术

克罗恩病(Crohn’s disease，CD)属炎症性肠病之一，是一种慢性非特异性肉芽肿性炎症性肠病，主要临床表现为反复发作的腹痛、腹泻、体重减轻、发热、乏力、贫血、食欲不振等症状。脑肠轴(BGA)指中枢神经系统与肠神经系统之间形成的双向通路。已有研究表明，脑肠轴的失衡在克罗恩病的发病机制中起着重要作用。对脑部的功能性磁共振影像进行分析，可以无创地体现克罗恩病患者神经系统受累情况，进而为探索克罗恩病的发病机制提供了依据。

传统的针对脑部的功能性磁共振影像的分析，通常主要以机器学习方法为工具。

然而，传统的机器学习方法中间过程会被切割为多个子任务，使得分析算法整体不连贯，往往不能通过一个输入-输出形式的端对端方法实现，且得到的分析结果不一定是最佳结果，从而影响整体检测精度。

发明内容

为了解决现有技术中存在的上述问题，本发明提供了一种基于深度学习的端对端脑影像数据处理方法及装置。本发明要解决的技术问题通过以下技术方案实现：

一种基于深度学习的端对端脑影像数据处理方法，包括：

获取对照组脑影像数据与待测组脑影像数据；

分别对所述对照组脑影像数据与所述待测组脑影像数据进行特征提取，对应得到待训练特征矩阵与待检测特征矩阵；

构建端对端卷积神经网络分类模型；

利用所述待训练特征矩阵对所述端对端卷积神经网络分类模型进行训练；

利用训练好的端对端卷积神经网络分类模型对所述待检测特征矩阵进行处理，得到检测结果。

在本发明的一个实施例中，所述对照组脑影像数据与所述待测组脑影像数据均为静息态功能磁共振脑影像数据。

在本发明的一个实施例中，分别对所述对照组脑影像数据与所述待测组脑影像数据进行特征提取，对应得到待训练特征矩阵与待检测特征矩阵，包括：

根据皮尔森相关系数计算所述对照组脑影像数据中脑区对之间的功能连接度特征，并将得到的功能连接度特征转换为矩阵形式，得到待训练特征矩阵；

相应的，根据皮尔森相关系数计算所述待测组脑影像数据中脑区对之间的功能连接度特征，并将得到的功能连接度特征转换为矩阵形式，得到待检测特征矩阵。

在本发明的一个实施例中，所述端对端卷积神经网络分类模型依次包括输入层、若干隐层、全连接层、分类层以及输出层；其中，所述分类层包括softmax层、支持向量机以及随机森林。

在本发明的一个实施例中，所述若干隐层包括第一隐层、第二隐层和第三隐层，且述第一隐层为“十”字形结构，所述第二隐层和所述第三隐层均为“一”字形结构。

在本发明的一个实施例中，利用所述待训练特征矩阵对所述端对端卷积神经网络分类模型进行训练，包括：

将当前待训练特征矩阵通过输入层输入到所述端对端卷积神经网络分类模型中进行前向传播，得到模型分类结果；