[发明专利]一种基于高分辨率医学影像的卒中分类系统和分类方法

权利要求书

1.一种基于高分辨率医学影像的卒中分类系统，包括a)读取所需影像数据、并对所读入的影像数据进行预处理的输入模块；和b)智能神经网络；

所述智能神经网络包括提取图像特征的编码器、识别和分割图像特征的解码器和对影像数据进行分型的分类模块，其特征在于：

所述分类模块中包括普通分类输出和额外分类输出，所述普通分类输出内容为经识别后得出的分类结果，所述额外分类输出内容为经识别后获取的临床病理参数。

2.根据权利要求1所述的基于高分辨率医学影像的分型系统，其特征在于，所述编码器的输出同时与解码器的输入和分类模块的输入相连。

3.根据权利要求2所述的基于高分辨率医学影像的分型系统，其特征在于，在所述编码器中至少具有两层编码单元，在所述解码器中具有与编码器一一对应的解码单元，每层编码单元的输出与后一层编码单元的输入和对应层解码单元的输入相连。

4.根据权利要求3所述的基于高分辨率医学影像的分型系统，其特征在于，本层解码单元的输出和前层解码单元输入相连。

5.根据权利要求4所述的基于高分辨率医学影像的分型系统，其特征在于，所述分类模块中包含了1个通用处理单元和2个特殊处理单元，所述解码器输出与通用处理单元输入相连，通用处理单元的输出分别输入2个特殊处理单元，处理后分别为普通分类输出和额外分类输出。

6.根据权利要求5所述的基于高分辨率医学影像的分型系统，其特征在于，所述生成普通分类输出的通用处理单元为至少2层。

7.一种基于高分辨率医学影像的卒中分类方法，使用权利要求1-6中任意一项所述的神经网络，分为训练阶段和推理阶段，其特征在于，所述训练阶段包括：

S1：采集高分辨率医学影像，按照ROI质量进行人工分级标注；

S2：将所有人工分级标注后的数据按设定的比例随机分为训练集、调优集和测试集；

S3：获取所有数据的ROI，对图像进行归一化操作；

S4：对每一组超参数，使用训练集中的数据训练神经网络，当损失函数在校验集上不再下降之后，结束训练；

S5：对神经网络超参数的选择进行验证，如验证正确，则不再对超参数进行调整；

所述推理阶段包括：

S6：使用S5中确定的超参数，对输入的真实医学影像进行推理，得出分类输出、额外的分类输出和分割输出。

8.根据权利要求7所述的基于高分辨率医学影像的卒中分型方法，其特征在于，所述调整超参数的方法包括：

S51：为每种ROI质量的数据分别指定一种损失函数；

S52：将训练集中的数据和所述训练集数据对应的分型类别成对输入神经网络，使用预热学习率LR1训练神经网络；

S53：经过设定的训练轮次(epoch)后，将训练集的数据输入神经网络，使用正常学习率LR2训练神经网络，所述正常学习率LR2大于预热学习率LR1；

S54：验证神经网络输出与人工分型结果是否匹配，当调优集中所有ROI质量的损失函数不再下降之后，停止对神经网络的训练。

9.根据权利要求8所述的基于高分辨率医学影像的卒中分型方法，其特征在于，输入数据ROI质量最优分级的损失函数与其他输入数据ROI质量分级的损失函数不同。

10.根据权利要求9所述的基于高分辨率医学影像的卒中分型方法，其特征在于，所述输入数据ROI质量最优分级的损失函数是至少两个函数的加权和。