[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

说明书

本发明提供一种基于循环深度神经网络的磁共振成像特征提取方法，包括以下步骤：对血氧水平依赖磁共振成像进行图像重建，构建图像数据集，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作标记；将标记的一组图像数据训练循环深度神经网络；利用训练好的循环深度神经网络的权重信息自动标记下一组图像数据；将筛选修正标记结果后的图像数据加入到训练集，直到所有图像数据训练完毕，利用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。本发明采用特征融合技术与注意力机制结合构建循环深度神经网络，空间域和通道域嵌入注意力模块进行图像处理，大大提高了血氧水平依赖磁共振成像的识别效率。

技术领域

本发明涉及医学影像技术领域，具体而言，涉及一种基于循环深度神经网络的磁共振成像特征提取方法。

背景技术

磁共振成像(Magnetic Resonance Imaging，MRI)是利用磁共振现象进行成像的一种技术，磁共振成像的工作原理是，利用磁共振现象，采用射频激励激发人体中的氢原子，运用梯度场进行位置编码，采用接收线圈接收带有位置信息的电磁信号，最终对电磁信号进行傅里叶变换重建出图像信息。

深度学习因具有超强的学习能力，目前已被广泛应用于图像、视频、声音和自然语言处理等领域。近期，深度卷积生成式对抗神经网络(Deep Convolutional GenerativeAdversarial,DCGAN)被应用于血氧水平依赖磁共振成像中，引入具有强大特征提取能力的卷积神经网络，以提取图像不同频段的局部特征，进行局部感受，再将这些特征结合起来得到全局的图像特征。

但是现有的深度卷积生成式对抗网络存在的问题就是生成的图像质量普遍不高。虽然相比起生成式对抗神经网络GAN来说，网络中使用了卷积层增强了特征提取能力，但是生成较为复杂的、特征众多的图像依旧难以取得较好的效果，导致生成图像的观感不够接近真实图像，卷积层在提取图像特征时，并未很好地提取到图像病变区域的特征等，这样对识别效率造成很大影响，严重地甚至会有误诊现象的发生。

发明内容

鉴于此，本发明的目的在于通过特征融合技术与注意力机制结合的方法，构建循环深度神经网络，在循环深度神经网络中基于空间域和通道域嵌入多种注意力模块，有效提取图像病变区域的特征信息，提高血氧水平依赖磁共振成像的识别效率。

本发明提供一种基于循环深度神经网络的磁共振成像特征提取方法，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；