[发明专利]一种基于VAE的人脑损伤检测方法及装置

说明书

本申请公开了一种基于VAE的人脑损伤检测方法及装置。所述方法包括：建立VAE模型，所述VAE模型依次包括三个连续的卷积层、一个批处理归一化层、一个整流线性单元激活函数、两个完全连接层、以及反卷积层；对所述VAE模型进行预训练，得到RVAE模型；重新训练VAE和RVAE模型；对VAE和RVAE模型进行迁移学习实验；计算重建图像与原始图像的绝对误差图，对损伤部位进行分割并滤波；用滤波后的病变误差图绘制ROC曲线，并根据所述ROC曲线计算AUC；选择一个β值来防止RVAE在验证数据集中重建病变。所述装置包括VAE模型建立模块、预训练模块、训练模块、迁移学习模块、第一计算模块、第二计算模块和选择模块。

技术领域

本申请涉及人脑病变检测领域，特别是涉及基于鲁棒可变自编码器和迁移学习的脑损伤检测技术。

背景技术

对人脑病变的准确检测是早期诊断和治疗的关键。目前医学成像技术，如MRI，是检测和量化病变的标准临床工具。经过广泛的训练，人类在通过视觉检查来识别病变方面表现突出，但人体检测和描绘的主观和昂贵性质使机器学习方法成为一种有吸引力的替代或补充方法。此外，通过利用多光谱MRI，机器学习可能会在这一特定任务中取得比人类更好的表现。基于监督机器学习的研究已经取得了显著的成功，已经达到并且超过了人类水平。然而，训练监督的方法需要大量的手动病灶描绘。另一方面，非监督方法不需要标记数据，但通常不太准确。

非监督方法，如自动编码器和变分自动编码器(VAE)及其变体，已经表明，可以通过其估算高维数据的基本分布。非监督方法的一个常见应用是孤立点检测，其中目标是识别表示偏离正常样本的数据样本。对于一组脑图像，假设病变和其他异常很少发生，并且在不同的位置发生，我们推测利用VAE可以了解反映健康大脑结构的分布，一旦学习了这种分布，我们就可以测量给定图像和重建图像之间的重建误差，以识别和定位该图像中的异常。

VAE是一种以数据的边际似然的变分下界作为目标函数的概率自编码器。已有研究表明，在病灶检测任务中，VAEs具有比标准的自动编码器更高的准确性。VAE是基于假设训练数据集和测试数据集从相同的分布中采样，然而，这一假设在实际情况中可能并不成立，例如医学成像应用程序，因为不同的数据集可以使用不同的采集和预处理技术，而迁移学习的主题恰恰集中于解决这一问题。理想情况下，可以利用预先训练的VAE模型来开发一个新的模型，以适应我们的数据集，在迁移学习的帮助下，我们可以将解决一个问题时获得的知识储存起来，并将其应用于另一个问题。

VAE的目标函数包含KL-散度项，它不能很好地处理异常值，因此是不稳健的，当新数据集的特征与初始训练数据集的特征大不相同时，可能导致在应用迁移学习以适应预先训练的VAE模型时发生预料之外的问题。

综上所述，现有技术存在以下问题：从多光谱MR图像中自动检测脑病变以及有监督的机器学习方法，通常依赖于大量人工绘制的图像，用于特定的成像协议和参数，并且往往不能很好地推广到其他成像参数和人口统计学中，而非监督模型在看不见的数据集上使用预先训练过的模型仍然是一个挑战。

发明内容

本申请的目的在于克服上述问题或者至少部分地解决或缓减解决上述问题。

根据本申请的一个方面，提供了一种基于VAE的人脑损伤检测方法，包括：

建立VAE模型，所述VAE模型依次包括三个连续的卷积层、一个批处理归一化层、一个整流线性单元激活函数、两个完全连接层、以及反卷积层；

对所述VAE模型进行预训练，得到RVAE模型；

重新训练VAE和RVAE模型；

对VAE和RVAE模型进行迁移学习实验；

计算重建图像与原始图像的绝对误差图，对损伤部位进行分割并滤波；

用滤波后的病变误差图绘制ROC(再发信机工作特性)曲线，并根据所述ROC曲线计算AUC；