[發明專利]改進GoogLeNet神經網絡下多模態醫學圖像分類方法

在審

• 申請號: 202011427610.1
• 申請日: 2020-12-07
• 公開（公告）號: CN112465058A
• 公開（公告）日: 2021-03-09
• 發明（設計）人: 徐文龍;楚陽;李霞
• 申請（專利權）人: 中國計量大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明提供了一種改進GoogLeNet神經網絡下多模態醫學圖像分類方法，對基于雙模態影像MRI、PET生物特征進行訓練提取特征并分類，在GoogLeNet模型的基礎上進行修改，保持模型深度和寬度的前提下，提高網絡特征提取性能，也更充分適應醫學影像固有高維屬性；由于雙模態醫學影像數據量的局限性，發明采用數據擴增方法，擴大數據樣本數量，有效防止由于樣本量的局限所帶來的過擬合問題。最后通過雙模態影像的分類結果，結合皮爾遜積矩相關系數PPMCC，以及臨床評估數據MMSE表和CDR表來對NC、MCI、SMCI、PMCI以及AD階段進行綜合分類評估并分析出ROC曲線。本發明提高了分類效率和精度。

技術領域

本發明屬于醫學影像特征的深度學習領域，尤其涉及到一種改進GoogLeNet神經網絡下多模態醫學圖像分類方法。

背景技術

隨著醫學影像技術的不斷發展，核磁共振圖像(Magnetic Resonance Imaging，MRI)、正電子發射型計算機斷層顯像(Positron Emission Computed Tomography，PET)、計算機斷層掃描(Computed Tomography,CT)等各種影像清晰度和分辨率不斷得到提升，這些手段的運用，對于阿爾茲海默病的診斷帶來重要作用。

深度學習起源于神經網絡，深度學習屬于機器學習的一個分支，近些年來得到非常廣泛的發展和應用。網絡由多個單層而非線性的網絡疊加而成，模型依賴于層與層的關系，卷積層和池化層交替出現，下一層被視為上一層的更高級的抽象。深度學習的模型深度和大量的模型參數，具備訓練海量數據的優秀特性。采用深層次模型訓練數據，實現復雜函數的逼近，最終實現對應影像分類并輸出。

特別是近些年來，深度學習在機器視覺上的大量創新應用，已經被認同為極具潛力的分類與預測方法。其在基于醫學影像的疾病分類、預測中，也獲得了越多的關注。

目前用于機器視覺領域比較廣泛的機器學習方法包含有：支持向量機、隨機森林、KNN、邏輯回歸、Stacked Auto-Encoder(SAE)“堆疊自動編碼器”、LeNet、AlexNet、VGGNet等神經網絡模型；通過以上方式提取圖像特征，對圖像進行特征提取和分類。

但是，基于以上方式進行的分類情況，無論采用哪一種方法，由于醫學影像本身的高維度和高復雜度、數據庫數量稀少、人工標注難度大等特點，為模型訓練和最后的分類結果和精度帶來了很大的局限。由此，提高醫學影像分類精度，可以獲得準確的異常識別和分類。

發明內容

有鑒于此，為了克服醫學影像數據少、人工標記工作量大和AD分類精度不高等問題，提供了一種改進GoogLeNet神經網絡下多模態醫學圖像分類方法，以此提高分類精度和效率。

本發明的技術解決方案是，提供了一種改進GoogLeNet神經網絡下多模態醫學圖像分類方法，包括以下步驟：

步驟1：獲取不同類別的多模態三維影像；

步驟2：構建改進的GoogLeNet卷積神經網絡作為神經網絡分類模型；

步驟3：將獲取的影像數據隨機打亂順序，生成批次；

步驟4：將具有標簽標注的樣本數據進行預處理操作，準備好樣本數據和測試數據樣本，統一樣本尺寸；

步驟5：對神經網絡分類模型進行參數優化，獲取優化的網絡模型參數，保存網絡模型；

步驟6：以獲得的兩種模態影像生物標記物作為步驟5生產的網絡模型之輸入，以不同類別作為分類結果輸出；

步驟7：將預處理后的數據送入訓練優化好的神經網絡分類模型中，通過神經網絡分類模型的分類器做出分類并輸出分類結果；

步驟8：對經最后全連接層和SoftMax層，輸出雙模態分類結果后，結合MMSE表和CDR表生物學標記做出最終分類情況；