[發明專利]一種利用卷積神經網絡的醫學圖像處理裝置與方法

有效

• 申請號: 201710282810.4
• 申請日: 2017-04-26
• 公開（公告）號: CN107145727B
• 公開（公告）日: 2021-11-12
• 發明（設計）人: 張熙;周波;馮楓;郭艷娥;安寧豫;姚洪祥;羅亞川;樊茂華;趙思遠
• 申請（專利權）人: 中國人民解放軍總醫院;北京華誠興業軟件開發有限責任公司
• 主分類號: G16H50/20
• 分類號: G16H50/20;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京慧誠智道知識產權代理事務所(特殊普通合伙) 11539
• 代理人: 李楠

1.一種利用卷積神經網絡的醫學圖像處理裝置，該裝置包括，用于存儲圖像預處理的程序、人工智能的深度學習的程序和頭顱的核磁共振成像的圖像數據的存儲介質，利用人工智能的深度學習對頭顱的核磁共振成像的圖像數據進行處理和分析的計算機主機或計算機集群，用于顯示圖像預處理的程序、人工智能的深度學習的程序、各種頭顱的核磁共振成像的圖像數據和各種程序的運行過程和運行結果的顯示裝置，

其特征在于：上述裝置能夠實現對任意給定的數量的正常老年組、遺忘型輕度認知損害和阿爾茲海默病的受試者的三維的頭顱的核磁共振成像的圖像數據的任意給定的數量的二維切片實現人工智能的深度學習的卷積神經網絡的監督學習，根據上述的對任意給定的數量的正常老年組、遺忘型輕度認知損害和阿爾茲海默病的受試者的三維的頭顱的核磁共振成像的圖像數據的二維切片進行人工智能的深度學習的卷積神經網絡的監督學習所得到的深度學習的神經網絡模型，利用任意給定的數量的待識別的受試者的三維的頭顱的核磁共振成像的圖像數據的任意給定的數量的二維切片對上述的待識別的受試者進行正常老年組、遺忘型輕度認知損害和阿爾茲海默病的三分類的區分識別；

其中，所述深度學習的神經網絡模型是卷積神經網絡的模型，利用人工智能的深度學習的卷積神經網絡實現基于全腦和/或海馬體的形態學特征的深度學習的計算機輔助識別和/或利用人工智能的深度學習的卷積神經網絡實現基于全腦和/或海馬體的紋理特征的深度學習的計算機輔助識別；

所述基于全腦和/或海馬體的形態學特征的深度學習的計算機輔助識別是指：從每一位受試者的對全腦和/或海馬體的核磁共振成像的三維體素的圖像中選取與冠狀面、矢狀面和水平面平行的指定數量和指定間距的以體素的尺寸大小為厚度的二維切片，所述體素的尺寸大小可以根據核磁共振成像的圖像的質量任意地設定，對訓練集，給每個來源于正常老年組的受試者的所有的二維切片標記上正常老年組的標簽，給每個來源于在臨床上確診為遺忘型輕度認知損害的受試者的所有的二維切片標記上在臨床上確診為遺忘型輕度認知損害的標簽，給每個來源于在臨床上確診為阿爾茲海默病的受試者的所有的二維切片標記上在臨床上確診為阿爾茲海默病的標簽，將上述的每個二維切片劃分為大小相同的互相不重疊的多個區域，將以每個區域的灰度的強度的數值為基礎的反映該區域的圖像信息的特征做為人工智能的深度學習的卷積神經網絡的輸入，利用上述的人工智能的深度學習的卷積神經網絡對所有的上述的受試者的上述的二維切片的形態學特征進行識別，根據對所述形態學特征的識別得到針對所述二維切片的對正常老年組、在臨床上確診為遺忘型輕度認知損害和在臨床上確診為阿爾茲海默病的三種情況進行第一三分類的區分識別；使用所述第一三分類的區分識別對進行驗證集驗證，用以優化所述卷積神經網絡的結構與參數；

所述基于全腦和/或海馬體的紋理特征的深度學習的計算機輔助識別是指：從每一位受試者對全腦和/或海馬體的的核磁共振成像的三維體素的圖像中選取與冠狀面、矢狀面或水平面平行的指定數量的二維切片組，每一個二維切片組具有給定數量的與冠狀面、矢狀面或水平面平行的連續相鄰的以體素的尺寸大小為厚度的二維切片；對在上述的每一個二維切片組的中間的一層的二維切片中，除去邊緣的3個到9個體素外其余的所有體素進行紋理特征的提取，所述紋理特征的提取根據相鄰的體素的灰度的強度值的數值在不同的方向上的變化來實現；將上述的每一個二維切片組的中間的一層的二維切片中除邊緣的3到6個體素以外的所有的體素的紋理特征作為卷積神經網絡的輸入，利用人工智能的深度學習的卷積神經網絡對所有的上述的受試者的二維切片組的紋理特征進行識別，根據對上述紋理特征的識別得到針對上述的二維切片阻的對正常老年組、在臨床上確診為遺忘型輕度認知損害和在臨床上確診為阿爾茲海默病的三種情況進行第二三分類的區分識別；使用所述第二三分類的區分識別對進行驗證集驗證，用以優化所述卷積神經網絡的結構與參數；

上述的每個二維切片的圖像被分成96×96個區域，每個區域的圖像的灰度的強度的數值作為96×96的矩陣的元素的數值，將上述的96×96的矩陣的元素作為所述卷積神經網絡的輸入；或者

上述的每個二維切片的圖像被分成256×256的區域，每個區域的圖像的灰度的強度的數值作為256×256的矩陣的元素的數值，將上述的256×256的矩陣的元素作為所述卷積神經網絡的輸入；

所述卷積神經網絡的第一層為具有128個核的卷積層，核的大小為3×3，激活函數為relu；第二層為最大池化層，核的大小為2×2；第三層為有64個核的卷積層，核的大小為3×3，激活函數為relu；第四層為池化層，核的大小為2×2；第五層為具有32個核的卷積層，核的大小為3×3，激活函數為relu；第六層為池化層，核的大小為2F×2；

所述卷積神經網絡的每一步的以卷積的方式實現的編碼步驟都有對應的以反卷積的方式實現的解碼的步驟，通過卷積和批量正規化進行編碼的處理，通過反卷積和批量正規化進行解碼的處理；

將所述第六層的輸出展開成一維數組，連接到所述卷積神經網絡的第一隱藏層；

所述卷積神經網絡的第一隱藏層有200個神經單元，激活函數為Dropout；第一隱藏層的輸出連接第二隱藏層；第二隱藏層有200個神經單元，第二隱藏層的輸出連接所述卷積神經網絡的輸出層，其中，所述卷積神經網絡的輸出層的激活函數為softmax。