[发明专利]级联神经网络下医学图像特征提取和分类方法

说明书

本发明提供了一种级联神经网络下医学图像特征提取和分类方法，步骤如下：步骤1：以三种不同类别的三维影像作为网络输入，以三种类别的分类概率值作为网络输出，构建级联神经网络模型；所述级联神经网络模型为基于3DCNN和2DCNN的级联方式；步骤2：将三种已具有标签标注的影像数据进行数据预处理操作，准备好训练样本数据和测试所需数据样本；步骤3：将训练样本数据送入级联神经网络进行训练，分析并提取样本特征；步骤4：对训练网络进行参数优化，经优化后的模型，获得最优网络参数的深度级联神经网络模型；步骤5：对经处理后的影像数据送入训练好的最优参数的级联神经网络模型，并通过分类器输出最终分类结果。本发明提高了分类精度和效率。

技术领域

本发明属于医学影像特征的深度学习技术领域，尤其涉及到一种卷积神经网络用于提取医学图像特征并对其进行分类技术。

背景技术

近年来随着医疗技术水平的发展，磁共振图像(Magnetic Resonance Imaging，MRI)、计算机断层扫描(Computed Tomography,CT)、正电子发射型计算机断层显像(Positron Emission Computed Tomography，PET)等各种影像学采集设备被越来越多的运用，这些手段的运用，对于可以对医学图像进行特征提取和异常分类。

机器学习的分类和预测方法在过去十几年中已经用于分析复杂结构的神经影像，在AD(阿尔兹海默病)相关轻度认知障碍(MCI)的图像特征提取与预测中也取得了一些成果。传统的机器学习框架对于早期AD的研究主要可分为选择与提取图像的结构特征(如感兴趣区、体素等)，以及基于特征和维度的分类与预测两个方面。但是特征的选择还是依赖于设计者的手工提取，需要足够的先验知识，存在着一定的主观性。而且不同图像数据之间存在着种类、维度的差异，在进行预处理之后一般会出现缺失与变形等问题，将手工提取特征的难度进一步加深。

深度学习起源于神经网络，有多个单层而非线性的网络叠加而成，神经网络依赖于层与层的关系，每一层都是上一层的更高级的抽象，可将海量数据进行训练，通过学习一种深层的非线性网络结构实现复杂函数的逼近，展现学习数据集本质特征的能力。

近年来，深度学习模型在图像识别领域的大量创新应用，被认为是一种极具潜力的分类与预测方法。在医学图像的分类与疾病预测中，也得到了原来越多的关注。

目前比较流行的采用深度学习的方式包含有：采用卷积神经网络(CNN)；采用增强的AlexNet网络模型；采用StackedAuto-Encoder(SAE)“堆叠自动编码器”的方式，来提取神经影像学的特征，来对AD的图像进行特征提取和分类等形式来进行对AD的分类。

但是，根据以上几种方式进行的分类情况，可以了解到存在一些问题。无论采用哪一种模型，由于医学影像本身的一些特点：难以获取、数据库数量稀少、采用人工标注难度大等特点，极大的限制了模型训练和最后的分类结果。因此，如何提高最后的分类精度，仍然是现有技术中需要攻克的技术问题。

发明内容

有鉴于此，本发明为了克服医学影像数据少、人工标记工作量大和分类精度不高等技术问题，提供了一种基于3D CNN和2D CNN级联神经网络下医学图像特征提取和分类方法，以此提高分类精度和效率。

本发明的技术解决方案是，提供了一种级联神经网络下医学图像特征提取和分类方法，包括以下步骤：

步骤1：以三种不同类别的三维影像作为网络输入，以三种类别的分类概率值作为网络输出，构建级联神经网络模型；所述级联神经网络模型为基于3D CNN和2D CNN的级联方式；

步骤2：将三种已具有标签标注的影像数据进行数据预处理操作，准备好训练样本数据和测试所需数据样本；

步骤3：将训练样本数据送入级联神经网络进行训练，分析并提取样本特征；