[發明專利]一種基于三維卷積神經網絡的腦部MRI圖像分類方法、裝置

有效

• 申請號: 201710762475.8
• 申請日: 2017-08-30
• 公開（公告）號: CN107563434B
• 公開（公告）日: 2020-12-15
• 發明（設計）人: 尹義龍;劉云;楊公平;襲肖明;孟憲靜;任剛
• 申請（專利權）人: 山東大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04
• 代理公司: 濟南圣達知識產權代理有限公司 37221
• 代理人: 黃海麗

本發明提出了一種基于三維卷積神經網絡的分類方法，應用于腦部MRI圖像上。在主網絡的基礎上，設計輔助的監督分支網絡對中間層進行監督學習，最后融合主流網絡和分支網絡來得到最后的分類結果。該方法不僅可以充分利用三維卷積神經網絡提取圖像三維重要信息，而且利用輔助的監督分支網絡提取更魯棒的圖像局部信息，彌補了二維卷積神經網絡在三維特征提取方面的不足；中間層的監督學習可以使得網絡在學習過程中盡早提取具有顯著區分能力的特征，學習速度快，對最終的分類結果有重要影響，加入輔助監督的卷積神經網絡不僅可以提高腦部MRI圖像分類的準確性和魯棒性，而且加快了學習過程的收斂。

技術領域

本發明涉及一種基于三維卷積神經網絡的腦部MRI圖像分類方法、裝置。

背景技術

腦腫瘤是世界上最常見和致命的疾病之一，醫生根據腫瘤的病理學形態、生長方式以及對病人的危害程度，將腫瘤分為惡性和良性兩大類。對腫瘤圖像的分析可以幫助醫生評估疾病的發展情況，從而提出和改變治療方案。核磁共振技術是一種非侵害性的醫學成像技術，通過分析MRI圖像序列，我們可以得到具有高分辨率的帶有解剖學和功能信息的3D圖像，這有利于提高診斷水平和對疾病的處理。近年來，基于監督學習的機器學習方法越來越多被用于MRI圖像的分類中，并取得了較好的識別效果。

傳統的機器學習方法一般分為兩大部分：特征提取和分類，其中特征提取是關鍵，將最終影響分類器的性能。傳統的機器學習方法都是人工提取特征，然而，提取到強大和魯棒性的特征是非常困難的，需要對待提取特征的圖像或者領域有比較深的知識了解，并且設計特征的過程也是非常耗時的。同時，MRI圖像的分類也面臨諸多挑戰：圖像整體灰度值對比度較差、圖像各類之間差異不明顯等。這些問題使得傳統的機器學習方法也很難取得較為精確的分類效果。

卷積神經網絡具有強大的學習能力，其在醫學圖像分類(例如，乳腺X線腫瘤圖像的分類、CT肺間質圖像的分類、糖尿病性視網膜眼底彩照分類等)中已取得了巨大的成功。相比較于傳統的機器學習方法，卷積神經網絡不需要人工提取特征，而是學習針對當前分類任務的卷積核。卷積神經網絡根據復雜的分級特征表示來識別特定的疾病類型，這些對于人或者傳統的分類來說是比較困難的。

然而，以上的醫學圖像都是二維圖像，都使用二維卷積神經網絡來達到分類效果，由于MRI圖像為3D圖像，直接使用傳統的二維卷積神經網絡對圖像進行分類存在不足：二維網絡結構不能利用圖像的三維空間信息，會損失很多有用信息，從而限制了模型的分類性能。此外，卷積神經網絡為多層學習網絡，傳統的方法只是對網絡的最后一層進行監督，忽略了中間層監督對模型分類效果的影響。

發明內容

針對現有技術中存在的不足，本發明提供了一種基于三維卷積神經網絡的腦部MRI圖像分類方法，利用深度學習中三維卷積神經網絡的方法來進行MRI圖像的自動分類，其中三維卷積神經網絡除了主網絡以外，還設計了輔助網絡對中間層進行監督，加入中間層的監督使得網絡在學習過程中盡早學習到具有顯著區分能力的特征，避免了學習到的對分類無益的錯誤特征對后面特征學習產生的影響，加快了收斂速度并且提高了分類的準確性和魯棒性。

本發明的技術方案為：

一種基于三維卷積神經網絡的腦部MRI圖像分類方法，包括：

獲取腦部MRI原始圖像，將所述原始圖像分為圖像數量相等的一個訓練集和一個測試集；

采用訓練集圖像對三維卷積神經網絡進行訓練，用測試集圖像輸入至訓練好的三維卷積神經網絡中，得到腦部MRI圖像分類結果；

所述三維卷積神經網絡包括主網絡和輔助網絡，主網絡和輔助網絡均包括卷積層、池化層、全連接層和輸出層；輔助網絡插接在主網絡的卷積層中。

進一步的，所述主網絡具有多個卷積層，輔助網絡插接在中部卷積層中。

進一步的，所述輔助網絡具有多個，分別插接在中部卷積層中，且多個輔助網絡彼此不相鄰。