[发明专利]一种基于MDCLSTM-LDenseNet网络的核磁共振图像自动分类方法及装置

权利要求书

1.一种基于MDCLSTM-LDenseNet网络的核磁共振图像自动分类方法，其特征在于:包括以下步骤:

S1:获取不同类别受试者的核磁共振图像；

S2:对核磁共振图像进行预处理，得到训练数据集、验证数据集和测试数据集；

S3:以DenseNet-121网络为基础，结合空洞卷积和ConvLSTM模型构建的MDCLSTM-LDenseNet网络模型；

S4:将训练数据集输入MDCLSTM-LDenseNet网络模型进行训练，利用验证数据集对MDCLSTM-LDenseNet网络模型的超参数进行调整，得到训练完成后的MDCLSTM-LDenseNet网络模型；

S5:将测试数据集输入到训练完成后的MDCLSTM-LDenseNet网络模型进行测试；得到核磁共振图像的分类结果和MDCLSTM-LDenseNet网络模型的分类准确率。

2.根据权利要求所述的一种基于MDCLSTM-LDenseNet网络的核磁共振图像自动分类方法,其特征还在于:所述对核磁共振图像进行预处理的过程如下：

S2-1: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；

S2-2:对脑灰质图像进行空间标准化和高斯平滑操作，得到处理后脑灰质图像；

S2-3:对处理后脑灰质图像进行划分，得到训练数据集、验证数据集和测试数据集；

S2-4:分别对训练数据集、验证数据集和测试数据集进行数据扩充，得到数据扩充后的训练数据集、验证数据集和测试数据集。

3.根据权利要求所述的一种基于MDCLSTM-LDenseNet网络的核磁共振图像自动分类方法,其特征还在于:所述构建的MDCLSTM-LDenseNet网络模型的过程如下：

S3-1:以DenseNet-121网络为基础，将DenseNet-121网络扩展至3D-DenseNet-121网络，减少所述3D-DenseNet-121网络的密集块数量，减少剩余的密集块中的卷积层数量，将第三个密集块的输出连接到全局池化层，将全局池化层的输出连接到输出层，得到3D轻型密集卷积网络；

S3-2:在所述3D轻型密集卷积网络的相邻密集块之间加入空洞卷积和卷积长短时记忆网络，组成MDCLSTM-LDenseNet网络模型。

4.一种基于MDCLSTM-LDenseNet网络的核磁共振图像自动分类装置，其特征在于：包括图像获取单元、图像预处理单元、网络搭建单元和图像分类单元；

所述图像获取单元获取不同类别受试者的脑部核磁共振图像；

所述图像预处理单元将所述图像获取单元获取不同类别受试者的脑部核磁共振图像进行预处理，得到训练数据集、验证数据集和测试数据集；

所述网络搭建单元将所述图像预处理单元得到的训练数据集输入构建的MDCLSTM-LDenseNet网络模型进行训练，利用所述图像预处理单元得到的验证数据集对MDCLSTM-LDenseNet网络模型的超参数进行调整，得到训练完成后的MDCLSTM-LDenseNet网络模型；

所述图像分类单元将所述预处理单元得到的测试数据集输入到所述网络搭建单元中得到的MDCLSTM-LDenseNet网络模型进行测试；得到核磁共振图像的分类结果和MDCLSTM-LDenseNet网络模型的分类准确率。