[發明專利]基于多層神經網絡模型醫學影像分析方法

有效

• 申請號: 201810815480.5
• 申請日: 2018-07-23
• 公開（公告）號: CN109191425B
• 公開（公告）日: 2022-02-11
• 發明（設計）人: 田捷;王坤;劉飛;劉丹;周輝
• 申請（專利權）人: 中國科學院自動化研究所
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/30;G06N3/04;G06N3/08
• 代理公司: 中科專利商標代理有限責任公司 11021
• 代理人: 任巖

1.一種醫學影像分析方法，包括：

獲取目標區域的造影視頻和二維視頻；

基于所述二維視頻，對所述造影視頻進行配準，以補償呼吸運動引起的偏差；

構建神經網絡模型，所述神經網絡模型包括輸入層、隱含層和輸出層，其中，所述輸入層和隱含層各包括卷積層、激活層和池化層，以及所述輸出層包括全連接層；

利用經配準的造影視頻對所述神經網絡模型進行訓練，以生成經配準的造影視頻的特征向量，其中，對經配準的造影視頻進行數據增益和正則項約束；

計算所述特征向量的預測權重，并選擇預測權重高于權重閾值的特征向量，用于構建預測診斷模型。

2.根據權利要求1所述的方法，其特征在于，對所述造影視頻進行配準包括：

將所述二維視頻向量化，并計算所述二維視頻的每一幀與其余幀對應的向量的內積值，選擇最大內積值對應的幀作為參考幀；

使用基于灰度的圖像配準算法，選擇互信息作為目標函數，計算參考幀與其余幀的配準變換參數；

將所述配準變換參數應用于同一幀的造影視頻以實現造影視頻的配準。

3.根據權利要求1所述的方法，其特征在于，所述神經網絡模型包括多個隱含層，所述多個隱含層之間的關系為：

其中，L_k表示隱含層，k表示網絡層的編號，input表示輸入，pool表示池化層；

conv表示卷積層，卷積層的具體形式為：

其中，d、h、w、m、n、p均表示造影視頻在三維空間下的坐標，K表示卷積層的學習參數，I表示輸入數據或者前一層的輸出；

relu表示激活層，激活層的具體形式為：

其中，x表示激活層的輸入。

4.根據權利要求1所述的方法，其特征在于，所述輸出層還包括softmax激活函數，其具體形式為：

L_o＝softmax(W_koL_ko-1+b_ko)

其中，L_o表示輸出層的輸出向量，W_ko表示輸出層的參數矩陣，L_ko-1表示輸入向量，b_ko表示輸出層的偏移，W_koL_ko-1+b_ko表示輸出層對輸入向量做的線性變換，softmax(z_i)表示softmax激活函數的第i個輸出值，exp表示自然常數的指數，z_i表示softmax激活函數的輸入向量中第i個位置上的數值。

5.根據權利要求1所述的方法，其特征在于，進行數據增益包括通過反轉、旋轉、縮放的方式增加數據的變化形式。

6.根據權利要求1所述的方法，其特征在于，進行正則項約束包括使用L1正則項和L2正則項，其中，L1正則項用于神經網絡模型所有參數的約束，L2正則項用于卷積層參數的約束。

7.根據權利要求1所述的方法，其特征在于，使用梯度提升樹算法(GBRT)計算所述特征向量的預測權重，并選擇預測權重最大的前20個特征向量作為預測診斷模型的輸入，使用支持向量機(SVM)算法構建預測診斷模型。