[发明专利]一种基于循环深度神经网络的磁共振成像特征提取方法

权利要求书

1.一种基于循环深度神经网络的磁共振成像特征提取方法，其特征在于，包括以下步骤：

S1、基于深度卷积生成式对抗网络DCGAN对血氧水平依赖磁共振成像进行图像重建；

所述对血氧水平依赖磁共振成像进行图像重建的方法包括以下步骤：

S11、DCGAN的生成器输入随机噪声z，输出生成图像G(z)，DCGAN的判别器分别真实数据x和所述生成图像G(z)，输出D(x)和D[G(z)]；

S12、计算判别器损失函数：

公式(1)中，m表示磁共振成像的批数量，即每次采用所抽取的样本数量，计算真实样本与生成样本的交叉熵，并计算全部样本交叉熵的平均值作为判别器的损失函数，用以优化判别器；

S13、计算生成的生成器损失函数：

公式(2)中，G_loss表示生成数据经过判别器后，计算其交叉熵作为生成器的损失函数，用以优化生成器；

S14、进行DCGAN的训练，要求生成器生成接近真实的数据去欺骗判别器，要求判别器把生成数据和真实数据区分开，形成博弈的过程；

S15、重复S11-S14步骤，直至DCGAN达到纳什均衡点D[G(z)]＝0.5；

S2、对图像重建后的磁共振成像构建图像数据集，并将所述图像数据集按照每组包含相同数目的类别图片分成N组，选其中一组图像数据进行标记；

S3、将S2步骤选的标记后的所述一组图像数据用于训练构建的循环深度神经网络；

所述构建循环深度神经网络的方法包括以下步骤：

S31、构建混合注意力模块，并嵌入循环深度网络结构的ResNet101中；

S32、将特征金字塔网络FPN应用在Faster R-CNN网络结构的ResNets101中；

S33、构建SENet注意力模块，并将SENet注意力模块嵌入所述S32步骤已经得到的ResNets101网络结构中，得到金字塔注意力网络；

S34、重复S31-S33步骤，采用图像数据集进行训练及参数优化；

S4、利用S3步骤训练好的所述循环深度神经网络的权重信息，自动标记下一组图像数据；

S5、筛选修正S4步骤的标记结果，并将修正标记结果后的图像数据加入到图像数据的训练集，进行训练，重复S2-S4步骤直到所有图像数据训练完毕；

S6、利用S5步骤训练完毕的循环深度神经网络对图像重建后的图像数据进行特征提取，识别特征区域。

2.根据权利要求1所述的基于循环深度神经网络的磁共振成像特征提取方法，其特征在于，所述S5步骤的所有图像数据训练的方法包括以下步骤：

S51、判断是否所有组的图像数据都已经完成训练，没有则重复S4-S5步骤；

S52、判断是否需要扩充图像数据集，如果需要则进一步判断是否增加图像数据的被测部位的种类，如果增加则重复S3-S6步骤；如果不需要则结束图像数据训练。

3.根据权利要求1所述的基于循环深度神经网络的磁共振成像特征提取方法，其特征在于，所述循环神经网络包含14层卷积层和2层池化层以及Softmax层，其中在第4层和第6层卷积层后面分别设置池化层；第8层、第11层和第14层卷积层为特征金字塔，其特征图的分辨率分别为16*16像素、8*8像素和4*4像素，所述卷积层为深度可分离卷积，包含5组3*3大小的卷积核和1*1大小的卷积核配对实现；所述池化层为2*2大小的最大池化层；采用Softmax层计算相应的病变类别置信度，判断病变类别。

4.根据权利要求1所述的基于循环深度神经网络的磁共振成像特征提取方法，其特征在于，所述S31步骤的所述混合注意力模块的构建方法包括：

S311、设计空间域注意力模块结构；

S312、设计通道域注意力模块结构；

S313、设计基于FPN的Faster R-CNN结构。