[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

说明书

本发明公开了一种基于MDCLSTM‑LDenseNet网络的核磁共振图像自动分类方法及装置，属于医学图像处理领域，该方法包括以下步骤:获取不同类别受试者的核磁共振图像；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；构建的MDCLSTM‑LDenseNet网络模型进行训练；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；得到认知正常、轻度认知障碍和阿尔茨海默病三类受试者核磁共振图像的分类结果和MDCLSTM‑LDenseNet网络模型的分类准确率，本方法及装置对所用数据集进行严格划分，避免出现数据泄露的情况，即训练数据集、验证数据集和测试数据集之间不存在交集，保证了认知正常、轻度认知障碍和阿尔茨海默病分类结果的可靠性，本方法得到的分类准确率更高，漏诊率和误诊率都更低，可以更有效可靠的辅助医生对阿尔茨海默病进行诊断。

技术领域

本发明涉及医学图像处理领域，尤其涉及一种基于MDCLSTM-LDenseNet网络的核磁共振图像自动分类方法及装置。

背景技术

阿尔茨海默病(Alzheimer’s disease，AD)，也称老年痴呆症，是一种不可逆的大脑神经退行性疾病。AD高发于老年人群，患者常伴有记忆力衰退和认知障碍等症状，直至丧失日常生活能力。阿尔茨海默病的临床诊断，主要是根据医学图像和临床指标进行诊断。基于医学图像的诊断中，医生通过观察大脑相关区域的形态，尤其是海马体、杏仁核等区域的形态信息进行诊断；基于临床指标的诊断中，医生通过测定脑脊液的生物标志物，结合认知功能量表进行诊断。通常，阿尔茨海默病的诊断可以看作一个分类问题，即判断一个受试者是属于认知正常、轻度认知障碍和阿尔茨海默病中的哪一类。

目前，核磁共振成像(MagneticResonanceImaging，MRI)已被广泛应用于阿尔茨海默病的临床诊断中。MRI是由一系列2D切片图像组成的3D图像，它具有高分辨率、高对比度及软组织分辨能力强等特点，为阿尔茨海默病的诊断提供了有力的帮助。通常,利用MRI对阿尔茨海默病进行诊断的传统方法包括特征提取和分类。特征提取侧重设计有效的图像特征，如LBP和HOG特征等；而分类则是对提取的特征进行判别，如随机森林和支持向量机等，由于传统方法中的特征是手工设计提取的，这不仅需要专业医学知识、花费大量人力成本，而且特征提取和分类是独立的两个阶段，很难一起优化。

上述问题的一个解决方案是采用基于深度学习的方法，利用深度学习技术对阿尔茨海默病进行诊断并不简单：首先，普遍的深度学习方法被广泛用于自然图像处理，而医学图像与自然图像有较大差异；其次，MRI是3D图像，需要考虑其内部切片之间的连续变化信息，特别是病灶区域的连续信息；最后，卷积神经网络通常具有较复杂的结构和巨大的参数量，而阿尔茨海默病数据集规模小，容易出现过拟合现象。

发明内容

根据现有技术存在的问题，本发明公开了一种基于MDCLSTM-LDenseNet网络的核磁共振图像自动分类方法，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；得到核磁共振图像对应的受试者的分类结果和MDCLSTM-LDenseNet网络模型的分类准确率。

进一步地:所述对核磁共振图像进行预处理的过程如下：