[發明專利]一種基于膨脹卷積神經網絡的MCI分類方法

有效

• 申請號: 201910383331.0
• 申請日: 2019-05-08
• 公開（公告）號: CN110136109B
• 公開（公告）日: 2022-07-22
• 發明（設計）人: 焦竹青;焦庭軒;季一新;張煜東;鄒凌
• 申請（專利權）人: 常州大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/82;G06T7/00;G06T7/11;G06N3/04;G06N3/08;G06K9/62
• 代理公司: 南京正聯知識產權代理有限公司 32243
• 代理人: 李寰

1.一種基于膨脹卷積神經網絡的MCI分類方法，其特征在于，包括以下步驟：

步驟一：對采集到的功能磁共振成像數據進行格式轉換和預處理；

步驟二：選擇一種標準化的分區模板將大腦劃分為若干個區域，每個區域對應大腦網絡中的一個節點；

步驟三：計算磁共振圖像中每個腦區所有體素的時間序列平均值，提取所有腦區的時間序列；

步驟四：采用低階滑窗法將提取出來的時間序列劃分為若干個相互重疊，窗口長度相同的子段，利用Pearson相關性計算每個子段的相關系數構建隨時間變化的動態腦功能網絡；

步驟五：采用min-max標準化方法，將腦網絡相關性系數歸一化到[0,1]區間，轉換函數如下：

式中，corr*為轉換后的相關系數，corr為轉換前的腦區相關系數，max為腦區相關系數最大值，min為腦區相關系數最小值；

步驟六：統一相關系數矩陣大小并添加正確的標簽，再按批次傳入網絡中訓練；

步驟七：構建三層膨脹卷積神經網絡，排列方式為輸入層、卷積層1、膨脹卷積層1、卷積層2、膨脹卷積層2、全連接層、Softmax層；

步驟八：使用普通的卷積核對輸入的相關系數矩陣進行特征提取并輸出特征圖，再利用膨脹系數r的卷積核進一步提取特征圖中的特征，接著對卷積層輸出值進行非線性映射，計算下一層神經元的值為：

式中，w_ij是卷積層第i行j列的神經元與前一層i*j個神經元的連接線對應的權值，x_ij是輸入層第i行j列神經元的輸入值，b為卷積核附帶的偏移項；

步驟九：卷積層的計算是線性計算，對所有卷積層的輸出進行非線性映射，轉換函數如下：

f(O)＝max(O,0) (3)

式中，O為式(2)的計算值；

步驟十：全連接層主要對特征進行重新擬合，減少特征信息的丟失，將輸出的特征圖扁平化為一維數組與全連接層的神經元相連；

步驟十一：利用Softmax函數實現網絡的分類識別，表達式如下：

式中，z為二分類的輸出，利用Softmax函數轉換為兩個概率值，第一個值屬于MCI，第二個值屬于正常被試，兩個值和為1；

步驟十二：使用交叉熵代價函數計算損失值：

E＝-(tlny+(1-t)ln(1-y)) (5)

式中，E表示誤差是權值W的函數，t表示正確的標簽值，y表示真實輸出；

步驟十三：基于CNN反向傳播算法將誤差E層層回傳，利用Adam優化器的方法更新每一層的權值W，循環若干次得到網絡分類識別的結果。

2.根據權利要求1所述的基于膨脹卷積神經網絡的MCI分類方法，其特征在于，在原始卷積操作的基礎上增加了一個膨脹系數rate(r)，增大感受野，使每個卷積的輸出都包含較大范圍的信息，表達式如下：

有效卷積核高為：

Convh＝f_h+(f_h-1)×(r-1) (6)

有效卷積核的寬為：

Convw＝f_w+(f_w-1)×(r-1) (7)

式中，f_h為原卷積核的高，f_w為原卷積核的寬，r為膨脹系數。