[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

说明书

本发明涉及一种基于磁共振成像和深度学习的脑部图像分类方法及设备，所述方法包括以下步骤：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。与现有技术相比，本发明具有分类精度高、模型复杂度低等优点。

技术领域

本发明涉及计算机辅助信息处理技术领域，尤其是涉及一种基于磁共振成像和深度学习的脑部图像分类方法及设备。

背景技术

帕金森病是世界上老年人口中第二常见的神经系统疾病，是由中脑黑质致密部(SNc)多巴胺能神经元的进行性丢失引起的。其临床表现主要包括颤抖、僵硬、行动迟缓、行走困难、体位和平衡障碍等活动障碍等。2015年，全球有620万人感染帕金森病，导致约11.74万人死亡。此外，随着全球老龄化人口激增，给各国政府带来了巨大的经济负担。因此，早期发现和监测该疾病具有重要意义。

大脑的磁共振成像扫描提供了大脑皮层下结构的解剖细节。而不同区域的纹理和形态分析，也为患病的局部病变和异质性提供了客观的影像依据。然而，MRI是一种三维结构成像，根据放射科医生对MRI图像的阅读来诊断疾病往往容易出错。近年来，机器学习方法成为早期诊断大脑疾病的常用工具。从MRI数据中提取人工特征，以预测帕金森病。但由于其复杂的特征工程和随后的分类或回归模型之间高度相关性，往往会导致模型的学习性能差。因此，研究人员更加关注数据驱动的特征表示，而不需要特定领域知识的手工特征工程。

随着计算机应用和智能系统领域的进步，利用深度学习进行端到端的医学图像分析已展现出先进的结果。深度学习体系结构和更具体的卷积神经网络能够从高维成像模式中自动提取有效的不同层次的信息。此外，将特征提取和模型学习集成到一个框架中能够进一步提高模型处理性能。目前，已有部分研究致力于建立基于MRI的深度学习模型进行PD信息的处理，但仍存在以下问题：(1)使用整个三维MRI作为输入构建3D CNN模型，由于较高的内存占用和计算成本，增加了模型的优化难度；(2)使用二维MRI作为输入构建2D CNN模型，由于在第三维空间上不存在核共享，不能提供足够的信息；(3)早期PD患者的脑区病变仅发生在局部区域，目标区域小，噪声信息大，深度卷积网络模型极易过拟合。因此，构建基于脑MRI成像的深度学习网络结构进行脑区病变的分类仍是一项具有挑战性的任务。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于磁共振成像和深度学习的脑部图像分类方法及设备，对脑MRI图像进行多尺度、深层次的特征提取，从而提高分类精度，并有效降低模型的复杂度。

本发明的目的可以通过以下技术方案来实现：

一种基于磁共振成像和深度学习的脑部图像分类方法，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。

进一步地，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。