[发明专利]基于磁共振成像和深度学习的脑部图像分类方法及设备

权利要求书

1.一种基于磁共振成像和深度学习的脑部图像分类方法，其特征在于，包括以下步骤：

获取待分类的原始MRI扫描图像数据，进行预处理，获得三维MRI图像；

将所述三维MRI图像作为一经训练的分类网络模型的输入，获得最终分类结果；

其中，所述分类网络模型对所述三维MRI图像分别沿轴状面、矢状面和冠状面进行3D到2D的特征维度转换，分别通过轴状位基分类器、矢状位基分类器和冠状位基分类器获得对应的初始分类结果，再对多个所述初始分类结果进行集成融合，获得所述最终分类结果。

2.根据权利要求1所述的基于磁共振成像和深度学习的脑部图像分类方法，其特征在于，所述轴状位基分类器、矢状位基分类器和冠状位基分类器均为结构相同的级联3D_2D卷积神经网络模型。

3.根据权利要求2所述的基于磁共振成像和深度学习的脑部图像分类方法，其特征在于，所述级联3D_2D卷积神经网络模型包括3D MRI输入层、3D卷积模块以及分别连接于3D卷积模块后的3D分支和2D分支，所述3D分支和2D分支的输出汇合后依次连接特征融合层和最终分类层，其中，所述3D卷积模块用于提取低层特征，所述3D分支和2D分支用于提取高层特征。

4.根据权利要求3所述的基于磁共振成像和深度学习的脑部图像分类方法，其特征在于，所述3D分支包括3D卷积块、3D残差通道注意力机制层和3D全局平均池化层。

5.根据权利要求3所述的基于磁共振成像和深度学习的脑部图像分类方法，其特征在于，所述2D分支采用深度可分离卷积沿通道方向进行特征计算，引入通道注意力机制对不同通道特征进行权重计算，并通过基于像素点的2D卷积进行通道间的信息融合。

6.根据权利要求1所述的基于磁共振成像和深度学习的脑部图像分类方法，其特征在于，所述原始MRI扫描图像数据的模态为T1加权MRI。

7.根据权利要求1所述的基于磁共振成像和深度学习的脑部图像分类方法，其特征在于，所述预处理包括原点校正、N4偏置场校正、空间归一化、颅骨剥离、滤波降噪和/或强度归一化。

8.根据权利要求1所述的基于磁共振成像和深度学习的脑部图像分类方法，其特征在于，采用多数投票方法对所述初始分类结果进行集成融合。

9.一种计算机可读存储介质，其特征在于，包括供电子设备的一个或多个处理器执行的一个或多个程序，所述一个或多个程序包括用于执行如权利要求1-8任一所述基于磁共振成像和深度学习的脑部图像分类方法的指令。

10.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储器；和

被存储在存储器中的一个或多个程序，所述一个或多个程序包括用于执行如权利要求1-8任一所述基于磁共振成像和深度学习的脑部图像分类方法的指令。