[发明专利]基于树莓派和深度学习的肝脏核磁动脉期影像质量分级方法

权利要求书

1.一种基于树莓派和深度学习的肝脏核磁动脉期影像质量分级方法，其特征在于，包括：

步骤一、采集肝脏核磁动脉期影像并进行预处理得到灰度图像，并分别标记所述肝脏核磁动脉期影像分级结果，得到质量分级的训练样本数据集；

步骤二、将所述训练样本数据集进行分类并构建卷积神经网络模型，提取出灰度图像中的隐藏特征，得到预训练的卷积神经网络模型；

步骤三、利用梯度加权类别激活映射方法，对预训练卷积神经网络模型内的全部卷积层进行特征可视化得到特征可视化热图；

步骤四、筛选所述特征可视化热图，选择具有高亮捕捉伪影区域的特征层，并提取出所述特征图的深度抽象特征；

步骤五、将所述特征图的深度抽象特征输入分类器进行二次训练，得到训练完成的普美显肝脏核磁质量控制分级模型；

步骤六、待分类的患者肝脏核磁动脉期影像输入普美显肝脏核磁质量控制分级模型，得到普美显肝脏核磁动脉期影像的分级预测结果。

2.根据权利要求1所述的基于树莓派和深度学习的肝脏核磁动脉期影像质量分级方法，其特征在于，所述步骤一中的肝脏核磁动脉期影像预处理过程包括：

首先，对采集到的肝脏核磁动脉期影像进行信号归一化，其计算公式为：

其中，I_i为第i幅肝脏核磁动脉期影像的信号值，I′_i为归一化后的肝脏核磁动脉期影像信号值，为采集到的全部核磁影像的信号均值，σ_I代表全部核磁影像的信号标准差；

然后，对所述肝脏核磁动脉期影像进行灰度化处理并进行像素点分割，得到灰度影像。

3.根据权利要求2所述的基于树莓派和深度学习的肝脏核磁动脉期影像质量分级方法，其特征在于，所述步骤二包括：

将所述肝脏核磁动脉期影像的灰度影像作为输入层向量输入卷积神经网络模型；所述卷积神将网络模型的输出层为普美显肝脏核磁动脉期影像质量分级标签；

所述卷积神经网络模型包括第一密集连接模块、第二密集连接模块和第三密集连接模块；

所述第一密集连接模块和所述第二密集连接模块之间具有第一过渡模块；

所述第二密集连接模块和第三密集连接模块之间具有第二过渡模块；

其中，所述密集连接模块均包括6个卷积核为3×3的卷积层，能够对所述肝脏核磁动脉期影像的灰度影像进行特征提取；

所述过渡模块均包括1个卷积核尺寸为1×1的过渡卷积层和1个核尺寸为2×2的平均池化层，能够压缩和选择卷积层特征。

4.根据权利要求3所述的基于树莓派和深度学习的肝脏核磁动脉期影像质量分级方法，其特征在于，所述卷积层的运算过程为：

利用卷积核在输入层的灰度图像上滑动，对所述灰度图像上的像素点依次进行卷积运算，得到输出特征图，所述卷积运算公式为：

其中，x_l(i,j)为任意层l的特征，x_l＝H_l(x₀，x₁,…x_i…,x_l-1)，x_i为任意前序层的特征，H_l()为批量标准化操作，由激活函数和尺寸为3×3的卷积操作组成，x_l+1(i,j)为任意层l的输出特征，w_l+1(i,j)为第l+1层的权重参数，b_l为该第l层的偏差值；所述输出特征图的尺寸为：其中，L_l+1为任意层l的输出特征图尺寸，L_l为任意层任意层l的特征尺寸，p为对应的填充参数，f为对应的卷积核大小，s为对应的卷积步长。

5.根据权利要求4所述的基于树莓派和深度学习的肝脏核磁动脉期影像质量分级方法，其特征在于，所述卷积核大小为3×3。

6.根据权利要求3所述的基于树莓派和深度学习的肝脏核磁动脉期影像质量分级方法，其特征在于，所述池化层的运算公式为：

其中，x_l(i,j)为任意层l的特征，d为对应的池化核大小，r为对应的池化步长。