[發明專利]基于強化學習類腦讀圖的多層核磁影像分類方法及系統

有效

• 申請號: 202011119554.5
• 申請日: 2020-10-19
• 公開（公告）號: CN112257769B
• 公開（公告）日: 2022-10-21
• 發明（設計）人: 田捷;劉振宇;邵立智
• 申請（專利權）人: 中國科學院自動化研究所
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/774;G06V10/25;G06V10/26;G06N3/04;G06N3/08
• 代理公司: 北京市恒有知識產權代理事務所(普通合伙) 11576
• 代理人: 郭文浩;尹文會

1.一種基于強化學習類腦讀圖的多層核磁影像分類方法，其特征在于，該分類方法包括：

步驟S10，獲取多層核磁影像，并將所述多層核磁影像拆分為單層核磁影像，獲得單層核磁影像序列；

步驟S20，選取所述單層核磁影像序列中的第個核磁影像，通過特征編碼與預測模型，采用逐像素分析方式對所述第個核磁影像中的像素排列及深層信息進行表征編碼和感知，獲得第個核磁影像的低維深度特征和分類結果；

步驟S30，通過行動策略生成模型，基于所述第個核磁影像的低維深度特征，獲取對應的行動指令；所述行動指令為帶符號的整數；

步驟S40，通過決策模塊判斷所述行動指令是否為0，若是，則跳轉步驟S50；若不是，則令，并跳轉步驟S20；

步驟S50，所述第個核磁影像為所述多層核磁影像的最相關層，以所述第個核磁影像的分類結果作為所述多層核磁影像的分類結果；

所述分類方法的整體分類預測模型包括所述特征編碼與預測模型、行動策略生成模型和決策模塊，其訓練方法為：

步驟B10，構建多層核磁影像分類的整體分類預測模型：

其中，代表多層核磁影像分類的整體分類預測模型的整體分類結果預測概率，為決策模塊，為行動策略生成模型，為特征編碼與預測模型，和分別為特征編碼與預測模型和行動策略生成模型對應的模型參數，代表多層核磁影像分類的整體分類預測模型的輸入樣本圖像；

獲取所述特征編碼與預測模型的弱監督訓練樣本集；

步驟B20，選取所述弱監督訓練樣本集中任一樣本，通過基于層的弱監督深度學習方法進行所述特征編碼與預測模型的訓練，獲得第一特征編碼與預測模型、樣本深度特征和分類結果；

步驟B30，基于所述第一特征編碼與預測模型、樣本深度特征和分類結果，結合所述決策模塊進行基于強化學習的行動策略生成模型的訓練，獲得第一行動策略生成模型；

步驟B40，基于所述第一行動策略生成模型，跳轉步驟B20進行特征編碼與預測模型和行動策略生成模型的交替訓練，直至達到設定的交替訓練次數或兩個模型的損失函數值均低于設定閾值，獲得訓練好的特征編碼與預測模型和行動策略生成模型。

2.根據權利要求1所述的基于強化學習類腦讀圖的多層核磁影像分類方法，其特征在于，所述行動指令，其符號代表行動的方向，數值代表行動方向上的步長：

行動指令為正整數時，下一次運算的核磁影像由當前核磁影像向所述單層核磁影像序列的列頭方向切換層；

行動指令為負整數時，下一次運算的核磁影像由當前核磁影像向所述單層核磁影像序列的列尾方向切換層。

3.根據權利要求1所述的基于強化學習類腦讀圖的多層核磁影像分類方法，其特征在于，步驟S40之后還設置有：

若第個核磁影像的行動指令和第個核磁影像的行動指令為符號相反且數值相等的整數時，直接以所述第個核磁影像為所述多層核磁影像的最相關層，以所述第個核磁影像的分類結果作為所述多層核磁影像的分類結果。

4.根據權利要求1所述的基于強化學習類腦讀圖的多層核磁影像分類方法，其特征在于，步驟S10之后還設置有圖像預處理步驟，其方法為：

步驟S10A，對于所述單層核磁影像序列中每一個單層核磁影像，通過Z-score進行標準化，獲得第一單層核磁影像序列；

步驟S10B，采用窗位窗寬方法，利用0-255間的有效閾值進行所述第一單層核磁影像序列的調整，獲得第二單層核磁影像序列；

步驟S10C，通過基于深度卷積神經網絡的超分辨率圖像預處理模型進行所述第二單層核磁影像序列的處理，獲得預處理單層核磁影像序列。

5.根據權利要求4所述的基于強化學習類腦讀圖的多層核磁影像分類方法，步驟S10C之后還設置有圖像感興趣區域提取步驟，其方法為：

步驟S10D，對于所述預處理單層核磁影像序列中每一個預處理單層核磁影像，以影像中心區域為錨點，按照設定尺寸切割出矩形的感興趣區域；

步驟S10E，將所述矩形的感興趣區域放大至切割之前影像的尺寸，獲得感興趣區域提取后的單層核磁影像序列。