[發明專利]一種基于深度學習的腦腫瘤分類方法

在審

• 申請號: 201510268230.0
• 申請日: 2015-05-25
• 公開（公告）號: CN104834943A
• 公開（公告）日: 2015-08-12
• 發明（設計）人: 秦臻;楊曉明;藍天;秦志光;黃若菡;張聰;陳浩;肖哲;徐路路;陳圓
• 申請（專利權）人: 電子科技大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于深度學習的腦腫瘤分類方法，其特征在于，包括以下步驟：

步驟一：瀏覽患腦腫瘤的病人的磁共振成像(Magnetic?Resonance?Imaging，MRI)，選取其中腦腫瘤最大的一層，對其進行去噪、增強等預處理，并將腦腫瘤分割出來；

步驟二：基于Gabor小波提取腦腫瘤的紋理特征，提取不同尺度和方向上的Gabor小波紋理特征；

步驟三：為每一個腫瘤構造一組k個半徑等量增加的同心圓，對每一個半徑增量，計算該圓和腫瘤重疊部分的比例，構成每個腫瘤的k維特征向量；

步驟四：設定整個深度學習模型為包含L個隱層的深度學習網絡，將步驟二中的紋理特征向量作為輸入，利用深度學習進行高層特征的提取，首先進行逐層的預訓練，利用降噪自動編碼，對輸入進行編碼解碼，調整層與層之間的參數，使原始輸入與重建之后的誤差最小，用該參數得到第一個隱層的輸出，作為第二個隱層的輸入，以此類推，直至得到第L個隱層深度學習過程后的參數；

步驟五：在預訓練的網絡最后增加一個輸出層，通過有標簽的數據，自上而下利用反向傳播和梯度下降方法微調整個網絡的參數，得到最終參數；

步驟六：用深度學習網絡的輸出作為提取到的高層特征，再與低層紋理特征和形狀特征結合形成增廣特征向量，用主成成分析(Principal?Component?Analysis，PCA)對該特征向量進行降維計算，從而得到所有樣本的最終特征；

步驟七：將降維后的特征向量作為輸入，放入支持向量機訓練分類器；

步驟八：對測試數據按照與之前相同的特征提取方法提取同樣的特征，得到所有測試數據的特征向量，將其輸入到分類器中，得到分類結果，統計準確率。

2.根據權利要求1所述的基于深度學習的腦腫瘤分類方法，其特征在于：所述步驟四中的所述對紋理特征進行高層特征提取，具體步驟如下：

(1)設定整個深度學習模型為包含L個隱層的深度學習網絡，將步驟二中的紋理特征G₁，G₂，…，G_N組合得到輸入向量X：

X=x1x2...xN=G1G2...GN]]>

(2)利用深度學習，首先進行逐層的預訓練，使用x作為輸入向量，首先利用一個參數為θ＝{W，b}的確定映射y＝f_θ(x)＝s(Wx+b)將輸入x映射為一個隱藏的潛在表示y，其中W是權重矩陣，b是偏移向量；

(3)得到的潛在表示y又被一個參數為θ′＝{W′，b′}函數z＝g_θ′(y)＝s(W′y+b′)映射回一個輸入空間中的重建向量z，W′滿足約束條件W′＝W^T；

(4)每一個訓練樣本x_i都被映射成為相應的y_i，又重構成為z_i，然后通過優化重建模型參數使平均重建誤差最小化：

θ*,θ′*=argminθ,θ′Eqo(X)[LH(X,gθ′(fθ(X)))]]]>

其中L_H是損失函數，重建交叉熵，即：

(5)利用隨機梯度下降調整中間的參數，使原始輸入與重建之后的誤差最小，得到最佳的參數，用該參數得到第一個隱層的輸出，作為第二個隱層的輸入，以此類推，直至得到第L個隱層深度學習過程后的參數。

3.如權利要求1所述的一種基于深度學習的腦腫瘤分類方法，其特征在于：所述步驟八中的腦腫瘤分類具體步驟為，將腦腫瘤圖像輸入到腦腫瘤深度網絡，獲得腦腫瘤的高層特征，與紋理特征與形狀特征結合形成最后特征向量，輸入進支持向量機分類器得到分類結果。