[發(fā)明專利]一種基于深度學(xué)習(xí)的白質(zhì)纖維束重建方法

在審

• 申請?zhí)枺?/td>: 201710186641.4
• 申請日: 2017-03-27
• 公開（公告）號: CN106971410A
• 公開（公告）日: 2017-07-21
• 發(fā)明（設(shè)計(jì)）人: 趙地;郭圣文;賴春任;吳聰玲
• 申請（專利權(quán)）人: 華南理工大學(xué)
• 主分類號: G06T11/00
• 分類號: G06T11/00;G06T7/00;G06N3/08;G06K9/46;G06K9/62;G06T9/00
• 代理公司: 廣州市華學(xué)知識產(chǎn)權(quán)代理有限公司44245
• 代理人: 羅觀祥

1.一種基于深度學(xué)習(xí)的白質(zhì)纖維束重建方法，其特征在于，包括以下步驟：

1)提取訓(xùn)練樣本集圖像中信號稀疏性特征；

2)輸入圖像信號稀疏性特征到卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練分類器中，分類結(jié)果向前預(yù)測輸出；

3)將步驟2)中獲得的預(yù)測輸出結(jié)果與相應(yīng)的理想輸出結(jié)果進(jìn)行對比，獲得分類誤差；

4)將步驟3)中獲得的分類誤差反向傳播，以減小預(yù)測輸出與理想輸出間的誤差，訓(xùn)練出最佳的網(wǎng)絡(luò)模型，然后再根據(jù)所述分類誤差重新調(diào)整卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練分類器；

5)反復(fù)迭代步驟2)至步驟4)，對多個(gè)訓(xùn)練樣本圖像進(jìn)行多次訓(xùn)練，直到所述分類誤差小于預(yù)定值，此時(shí)的模型就是訓(xùn)練好的白質(zhì)纖維束重建的網(wǎng)絡(luò)模型；

6)把測試樣本集圖像中的信號稀疏性特征輸入到步驟5)中獲得的訓(xùn)練好的網(wǎng)絡(luò)模型中，得到最終的預(yù)測結(jié)果；

7)采用連續(xù)曲線擬合將步驟6)中獲得的結(jié)果描述成白質(zhì)纖維的走向和分布，構(gòu)建三維白質(zhì)纖維束。

2.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的白質(zhì)纖維束重建方法，其特征在于：在步驟1)中，采用壓縮感知理論提取圖像中信號稀疏性的特征，其中所述壓縮感知理論的采樣步驟如下：

1.1)找到某個(gè)正交基ψ，信號X在該基上稀疏；

1.2)找到一個(gè)與ψ不相關(guān)，并且滿足一定條件的觀測基φ；

1.3)利用觀測基觀測信號X，得到觀測值Y；

1.4)采用最優(yōu)化方法從觀測值Y中高概率恢復(fù)X，ψ和φ是約束條件；

壓縮感知理論能夠在不破壞原始信號信息的情況下，拾取信號的一部分信息，這部分信息足以代表原信號，進(jìn)而能夠精確的恢復(fù)原信號，有效的去除圖像中冗余的特征。

3.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的白質(zhì)纖維束重建方法，其特征在于：在步驟2)中，定義一個(gè)卷積神經(jīng)網(wǎng)絡(luò)的分類器由多層感知器和SOFTMAX構(gòu)成，其特征映射結(jié)構(gòu)采用影響函數(shù)核小的sigmoid函數(shù)作為卷積網(wǎng)絡(luò)的激活函數(shù)，使得特征映射具有位移不變性；所述的卷積神經(jīng)網(wǎng)絡(luò)是一種有監(jiān)督的深度學(xué)習(xí)方法，它是一個(gè)多層的神經(jīng)網(wǎng)絡(luò)，卷積網(wǎng)絡(luò)在本質(zhì)上是一種輸入到輸出的映射，它能夠?qū)W習(xí)大量的輸入與輸出之間的映射關(guān)系，而不需要任何輸入和輸出之間的精確的數(shù)學(xué)表達(dá)式，只要用已知的模式對卷積網(wǎng)絡(luò)加以訓(xùn)練，網(wǎng)絡(luò)就具有輸入輸出對之間的映射能力。

4.根據(jù)權(quán)利要求3所述的一種基于深度學(xué)習(xí)的白質(zhì)纖維束重建方法，其特征在于：所述多層感知器采用2-3個(gè)全連接層。

5.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的白質(zhì)纖維束重建方法，其特征在于：在步驟3)中，對于第n個(gè)樣本的分類誤差Eⁿ，表示為

$E^n=\frac{1}{2}\underset{k=1}{\overset{c}{\mathrm{\Σ}}}{(t_k^n-y_k^n)}^2=\frac{1}{2}\left|\right|t^n-y^n|{|}_2^2$

這里表示第n個(gè)樣本對應(yīng)的第k個(gè)標(biāo)簽輸出，表示第n個(gè)樣本對應(yīng)的網(wǎng)絡(luò)輸出的第k個(gè)輸出。