[发明专利]一种基于神经网络的脑梗死MRI图像识别方法

说明书

本发明属于医学图像识别技术领域，具体涉及应用在临床实践上的一种基于神经网络的脑梗死MRI图像识别方法。本发明包括以下步骤：采集明确具有脑梗死疾病的脑部MRI图像；数据预处理，对标注好的原始图像进行缩放和裁剪处理；构建神经网络，卷积神经网络总深度为11层,卷积核大小为3*3,第2、4、7层步长为2,其余层步长为1；训练神经网络；测试模型；诊断测试；输出模型和整理结果。本发明的优点在于：使用卷积神经网络进行头部MRI图像识别,相比于传统方法,准确率更高,诊断过程更加智能化，且可以应用于除头部MRI识别外的其他应用场景。本发明使用全卷积网络作为基础网络结构,保留局部信息,使得学习到的特征更易被可视化和理解。

技术领域

本发明属于医学图像识别技术领域，具体涉及应用在临床实践上的一种基于神经网络的脑梗死MRI图像识别方法。

背景技术

在医学图像识别上，许多任务人工识别结果受到认知能力、主观经验、疲劳程度等因素影响，计算机辅助识别能弥补人工识别的诸多不足，快速地给出客观判断，有效提高准确率和稳定性，减少误诊和漏诊，对临床诊断、病理分析及治疗方案的选取有重大意义，在手术仿真、医疗教学等方面也有辅助作用。从计算机能够扫描和加载医学图像开始，研究人员就开始研究医学图像识别技术，在图像识别技术的发展中，目前主要有三种方法：统计模式识别、结构模式识别和模糊模式识别。

20世纪70年代到90年代，医学图像识别技术主要包括基于像素层次的图像处理(如边缘检测，区域生长等算法)和基于数学模型分析(如直线、圆等形状的拟合算法)。这些早期算法都是针对特定任务建立识别规则，类似早期人工智能领域的专家系统，进行如果－则－否则(if-then-else)式的逻辑判断。到了90年代初，机器学习的思维开始流行。人们开始意识到需要构建更加有效的识别方法，让计算机从数据中学习规则，代替具有专业知识的专家手工设计的规则。在医学图像识别上，应用的技术包括基于主动形状模型(active shape model)的分割算法，基于图谱(altas)模型匹配算法等。

这种设计特征并训练分类器的模式识别方法下相比人工设计规则更加有效，并成功应用于许多商用图像分析系统上。神经网络是其中的代表模型，其中卷积神经网络(Convolutional Neural Networks,CNNs)是图像识别常用的模型。

发明内容

本发明的目的在于提供一种基于神经网络的脑梗死MRI图像识别方法。

一种基于神经网络的脑梗死MRI图像识别方法，包括以下步骤：

步骤1：采集明确具有脑梗死疾病的脑部MRI图像,如动脉粥样硬化性血栓性、小动脉闭塞性、病毒性等类型的脑梗死，同时对每张图像进行标类,根据定义的脑梗死类型和现有图像的表现情况，建立数据联系，得到标注好的原始图像数据集合；

步骤2：数据预处理，对标注好的原始图像进行缩放和裁剪处理,比如，对动脉粥样硬化性脑梗死的病灶进行放大，标注硬化病灶属于脑部的位置和大小，对出血性脑梗死图像进行裁剪，标出大概弥漫范围等操作，并对每张图像以相同的概率翻转,以寻求提取特征值，同时进行归一化处理,得到预处理后的图像集合；

步骤3：构建神经网络，卷积神经网络总深度为11层,卷积核大小为3*3,第2、4、7层步长为2,其余层步长为1；

步骤4：训练神经网络，对所构建的神经网络进行训练,以标好的对应类标作为网络监督信息,使用优化算法调整参数减小网络输出和真实类标差距,得到训练后的神经网络；

步骤5：测试模型，将训练后的神经网络作为模型,测试头部MRI图像识别效果,并调整步骤优化算法参数继续训练,直到验证识别准确率稳定；

步骤6：诊断测试，利用图像诊断模型对测试集中的图像进行诊断，得到疾病患病概率和类型，然后再由人类技师进行校准判断，反复检测得到结果的真实性，测试结果若符合人类技师的诊断，则执行下一步骤，若不符合，返回步骤三，从设计神经网络开始，再次调整这个过程；