一种阿尔兹海默病MRI图像分类方法与流程

本发明涉及图像分类技术领域，具体涉及一种阿尔兹海默病mri图像分类方法。

背景技术

医学图像处理作为图像处理和机器学习的一个发展方向，是关系人类生活最为密切的领域之一。随着人口老龄化的发展，阿尔兹海默病作为最常见的老年痴呆症之一，给人们的生活尤其是患者及其家人的生活带来了极大的影响。阿尔兹海默病(alzheimer’sdisease,ad)的分类作为医学图像分类领域的一个重要分支，对ad的计算机辅助诊断具有重要意义，特别是对于病情的前期诊断及病情恶化的及时控制尤为重要。

本发明采用的影像数据为mri(magneticresonanceimaging)图像。mri图像能够提供丰富的脑组织形态特征，特别是与阿尔兹海默病相关的海马体、颞叶、额叶等部位的特征，同时阿尔兹海默病患者脑部会出现大量的萎缩，在mri图像中可以直观看出。

传统的阿尔茨海默病分类方法主要分为特征提取和分类两个部分：(1)首先通过各种人工或半人工的手段从采集的原始影像数据(mri，pet等)中提取特征例如灰质体积、皮层厚度、海马体积等；(2)将(1)中提取到的特征送入传统的分类器——支持向量机(svm)、随机森林(rf)等中进行分类，但该分类方法存在特征提取困难、分类精度低的缺点。

技术实现要素：

针对现有技术中的上述不足，本发明提供的一种阿尔兹海默病mri图像分类方法解决了现有分类方法特征提取困难、分类精度低的问题。

为了达到上述发明目的，本发明采用的技术方案为：一种阿尔兹海默病mri图像分类方法，包括以下步骤：

s1、采集足够数量的ad、mci和nc三类人群的mri图像；

s2、对mri图像进行预处理，得到axial、sagittal和coronal三个方向上的多个2d形式的切片，并将图像数据集分为训练集和测试集；

s3、构建深度学习模型，并对深度学习模型中每个子网络进行预训练；所述深度学习模型中的每个子网络都是一个卷积神经网络，子网络个数与每个样本的切片数量相等；

s4、构建基于度量学习的损失函数，将训练集中的训练数据作为深度学习模型的输入，并通过反向传播及随机梯度下降法优化网络参数，得到测试模型；

s5、将测试集中的测试数据输入测试模型中，通过前向传播得到输出数据，将输出数据作为分类特征输入knn分类器得到分类结果。

进一步地：所述步骤s3中的预训练具体为：在每个子网络的最后一层增加softmax层，通过imagenet数据集对每个子网络单独进行预训练，预训练完成后，去除softmax层，并用各个子网络的参数预训练结果初始化此深度学习模型中的相应参数。

进一步地：所述步骤s4中的损失函数j具体为：

j＝j1+α·j2+regularization

上式中，j1为第一损失函数，j2为第二损失函数，α为大于0的常数，regularization为网络参数的正则化项。

其中，第一损失函数为：

上式中，n为训练样本的个数，训练集d＝{x1,x2,…,xn,…,xn}；i,j＝1,2,…,m，m为切片数量，即为子网络个数，为深度学习模型第i个子网络的输出，其输入为为样本xn的第i个切片，d(x,y)为向量x,y之间的相似度度量；

第二损失函数为：

上式中，m＝1,2,…,m，从训练集d得到两个样本对集p和n，即对于若xi,xj属于同一个类别，则(xi,xj)∈p，否则(xi,xj)∈n；为模型第m个子网络的输出，其输入为为样本xi的第m个切片；c为大于0的常数。

进一步地：步骤s5的具体步骤为：

s51、把训练数据集d＝{x1,x2,…,xn,…,xn}的输出z＝{z1,z2,…,zn,…,zn}作为knn分类器的训练数据，并把xn的标签作为zn的标签，为knn分类器设置k值；

s52、将测试数据xtest输入到测试模型中输出ztest，通过knn分类器对ztest进行分类，得到测试数据xtest的类别；ztest与训练数据zn的距离计算公式为：

上式中，为ztest与训练数据集中第n个数据xn的输出zn的距离；为深度学习模型第m个子网络的输出，ωm为第m个网络的权重。

本发明的有益效果为：本发明使用度量学习的思想构造损失函数并用于训练一组卷积神经网络。一方面，对于每一个3d数据在axial、sagittal、coronal三个方向上得到多个2d形式切片，同时输入到一组卷积神经网络中，既在一定程度上保留了3d的数据信息，又避免了使用3d卷积神经网络难以找到合适的数据集进行预训练而过拟合严重的问题；另一方面，以度量学习的思想构造损失函数训练得到的深度学习模型提取出的特征更具有可分性。最终可以得到更好的分类结果。

附图说明

图1为本发明流程图；

图2为本发明的模型结构图。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

如图1所示，一种阿尔兹海默病mri图像的分类方法，包括以下步骤：

s1、采集足够数量的ad(阿尔兹海默病)、mci(轻度认知障碍)和nc(正常)三类人群的mri(磁共振成像)图像。

s2、对mri图像进行预处理，得到axial(轴向)、sagittal(径向)、coronal(冠状)三个方向上的多个2d形式的切片，并将图像数据集分为训练集和测试集。对3个方向上对每个mri图像切片分别得到尺寸为79×95×1、95×79×1、79×95×1的3组2d图像，并把每个切片图像复制2个通道变成3个通道的图像，即79×95×3、95×79×3、79×95×3。

s3、构建深度学习模型，并对深度学习模型中每个子网络进行预训练；所述深度学习模型中的每个子网络都是一个卷积神经网络，子网络个数与每个样本的切片数量相等。在每个子网络的最后一层增加softmax层，通过imagenet数据集对每个子网络单独进行预训练，预训练完成后，去除softmax层，并用各个子网络的参数预训练结果初始化此深度学习模型中的相应参数。

如图2所示，整个深度学习模型包含m个子网络，m为每个受试者的mri图像在axial(轴向)、sagittal(径向)、coronal(冠状)三个方向上进行切片获得的2d图像数，即m＝60。每个子网络的结构根据实际效果可以不同也可以相同，但需保证输出尺寸相同，其中输入数据为axial方向上的切片的子网络的输入尺寸为79×95×3，输入数据为sagittal方向上的切片的子网络的输入尺寸为79×79×3，输入数据为coronal方向上的切片的子网络的输入尺寸为95×79×3。

s4、构建基于度量学习的损失函数，将训练集中的训练数据作为深度学习模型的输入，并通过反向传播及随机梯度下降法优化网络参数，得到测试模型。在训练过程中，每次迭代从训练集中随机选取一个batch的数据输入到网络中，batch的大小设为n，所以每个batch共有n×m张2d图像，即x＝{x1,x2,…,xn,…,xn},其中每个数据xn包括m张图像，即对于其中的每个子网络，一个batch包括n张2d图像，即第m个子网络输入的是一个batch中每个数据的第m张切片每次迭代整个模型将会有n个输出，其中每个输出对应一个输入数据；则对于m个网络，xn通过模型的输出包括m个列向量，即计算基于度量学习的损失函数j：

j＝j1+α·j2+regularization

上式中，j1为第一损失函数，j2为第二损失函数，α为大于0的常数，regularization为网络参数的正则化项，regularizatio＝‖w‖；

其中，第一损失函数为：

上式中，n为训练样本的个数，训练集d＝{x1,x2,…,xn,…,xn}；i,j＝1,2,…,m，m为切片数量，即为子网络个数，为深度学习模型第i个子网络的输出，其输入为为样本xn的第i个切片，d(x,y)为向量x,y之间的相似度度量；

第二损失函数为：

上式中，m＝1,2,…,m，从训练集d得到两个样本对集p和n，即对于若xi,xj属于同一类别，则尽可能小，若xi,xj属于不同类别，则尽可能大，若xi,xj属于同一个类别，则(xi,xj)∈p，否则(xi,xj)∈n；为模型第m个子网络的输出，其输入为为样本xi的第m个切片；c为大于0的常数。

s5、将测试集中的测试数据输入测试模型中，通过前向传播得到输出数据，将输出数据作为分类特征输入knn分类器得到分类结果。具体步骤为：

s51、把训练数据集d＝{x1,x2,…,xn,…,xn}的输出z＝{z1,z2,…,zn,…,zn}作为knn分类器的训练数据，并把xn的标签作为zn的标签，为knn分类器设置k值；

s52、将测试数据xtest输入到测试模型中输出ztest，通过knn分类器对ztest进行分类，得到测试数据xtest的类别；ztest与训练数据zn的距离计算公式为：

上式中，m为子网络个数；为ztest与训练数据集中第n个数据xn的输出zn的距离；为深度学习模型第m个子网络的输出，ωm为第m个网络的权重。