[发明专利]一种基于多策略批量式主动学习的核磁共振图像分类方法

权利要求书

1.一种基于多策略批量式主动学习的核磁共振图像分类方法，其特征在于,包括以下步骤:

S1:获取受试者的核磁共振图像作为原始数据集，对原始数据集进行预处理，得到未标注样本集、未标注的验证集和未标注的测试集；

S2:在未标注样本集中随机选取K个样本，对这K个样本进行标注，形成标注样本集，并将这K个样本从未标注样本集中移除,得到移除后的未标注样本集；对未标注的验证集进行标注，得到标注后的验证集；

S3:构建卷积神经网络模型和卷积自编码器模型，利用标注样本集中的样本对卷积神经网络模型进行训练，得到训练后的卷积神经网络模型；使用标注样本集和未标注样本集中的样本对卷积自编码器模型进行训练，得到训练后的卷积自编码器模型；

S4:利用训练后的卷积神经网络模型对未标注样本集进行预测，得到移除后未标注样本集中的每个样本的概率预测值；

S5:采用三个不同阶段的筛选策略从移除后未标注样本集中选择具有不确定性、代表性和多样性的未标注样本，进行再标注，加入标注样本集，形成新的标注样本集,将再标注的样本从未标注样本集中移除；

S6:利用再标注样本对卷积神经网络模型再次进行训练,得到再次训练后的卷积神经网络模型；

S7:利用验证集对再次训练后的卷积神经网络模型进行验证，得到核磁共振图像的分类准确率,当分类准确率小于阈值，返回S4；当分类准确率大于或等于阈值时或者未标注样本集为空集的时，得到训练完成的卷积神经网络模型；

S8:将未标注的测试集输入训练完成的卷积神经网络模型，得到核磁共振图像的最终分类结果。

2.根据权利要求1所述的一种基于多策略批量式主动学习的核磁共振图像分类方法，其特征还在于：对原始数据集进行预处理包括以下步骤：

S1-1:将核磁共振图像进行头部校正、配准和分割操作，得到脑灰质、脑白质和脑脊液三种图像；

S1-2:对脑灰质图像进行空间标准化和高斯平滑操作，得到处理后的脑灰质图像；

S1-3:调整处理后的脑灰质图像的大小，得到脑灰质图像数据集；

S1-4:对脑灰质图像数据集进行划分，得到未标注样本集、未标注验证集和未标注测试集；

S1-5:分别对未标注样本集、未标注验证集和未标注测试集进行数据扩充，得到扩充后的未标注样本集、未标注验证集和未标注测试集。

3.根据权利要求1所述的一种基于多策略批量式主动学习的核磁共振图像分类方法，其特征还在于：所述三个不同阶段的筛选策略选择具有不确定性、代表性和多样性的未标注样本进行标注的过程如下：

S5-1:第一阶段，利用不确定性策略进行筛选,根据未标注样本的概率预测值，计算未标注样本的熵值，将未标注样本的熵值从大到小进行排序，选择前n*K个未标注样本；

S5-2:第二阶段，利用代表性策略进行筛选,将前n*K个未标注样本采用训练好的卷积自编码器；提取n*K个未标注样本的特征，利用聚类算法对n*K个未标注样本的特征进行聚类，得到K个未标注样本簇；

S5-3:第三阶段，利用多样性策略进行筛选,计算每个未标注样本簇中所有未标注样本到标注样本集的距离，从每个未标注样本簇中选择一个满足到标注样本集距离最大的未标注样本，进行标注。

4.根据权利要求1所述的一种基于多策略批量式主动学习的核磁共振图像分类方法，其特征在于：所述卷积神经网络模型以DenseNet-121网络为基础，扩展至3D-DenseNet-121网络，再减少3D-DenseNet-121网络中的密集块的数量及减少剩余的密集块中的卷积层数量,在相邻密集块之间加入空洞卷积和卷积长短时记忆网络，形成卷积神经网络模型。

5.根据权利要求1所述的一种基于多策略批量式主动学习的核磁共振图像分类方法，其特征在于：所述卷积自编码器模型包括编码器、隐藏层和解码器，所述编码器由卷积层组成；所述隐藏层由全连接层组成；所述解码器由反卷积层组成。