[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

本發明公開了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。

技術領域

本發明的實施例涉及圖像識別技術領域，特別涉及一種基于神經網絡的醫學影像分析方法。

背景技術

醫學影像分析是對人體健康狀況進行評價的重要手段。超聲造影成像技術能夠反映和觀察正常組織及病變組織的血流灌注情況等，在疾病診斷方面具有重要意義。傳統上對超聲造影影像的分析一般由醫生根據先驗知識進行人為判斷，不僅效率低、耗時長，而且極易受偽影干擾、準確性較差。

隨著人工智能、大數據分析等學科的快速發展，醫學影像分析的自動化和智能化改進有越來越大的趨勢。因此，有必要研究一種準確性好、干擾小、效率高的醫學影像分析方法。

發明內容

本發明的實施例旨在提出一種智能化的醫學影像分析方法。

根據本發明的一個方面，提出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。

根據一些實施方式，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。

根據一些實施方式，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。

根據一些實施方式，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)