[发明专利]基于深度卷积神经网络结合长短期记忆模型的核磁共振图像序列分类方法

摘要

本发明公开了一种基于深度卷积神经网络结合长短期记忆模型的核磁共振图像序列分类方法，包括以下步骤S1、搜集标本核磁共振图像数据，并对标本的核磁共振图像进行标注；S2、对核磁共振图像进行预处理，在不影响图片特征的情况下，对训练集X中的每张核磁共振图像进行缩小；S3、对训练集中的数据进行扩充；S4、构建并训练DCNN+LSTM分类模型；S5、输入新数据与处理预测结果。本发明能够快速区分核磁共振图像的种类，从而大幅提高图像识别效率。

主权项

一种基于深度卷积神经网络结合长短期记忆模型的核磁共振图像序列分类方法，其特征在于，包括以下步骤：S1、搜集标本核磁共振图像数据，并对标本的核磁共振图像进行标注设标本为Xi，i∈[1,……,N]，其中N为标本的总数量，每个标本有一个标注Yi，表示标本种类，并用下式表示标本：其中Mi为标本Xi的核磁共振图像数量；对每个Xi都进行标注后，形成训练集X；S2、对核磁共振图像进行预处理在不影响图片特征的情况下，对训练集X中的每张核磁共振图像进行缩小；S3、对训练集中的数据进行扩充对缩小后的图像，按照更小的预设尺寸，以1个像素为步幅，抠取出多张图片，以扩充训练集中的数据；S4、构建并训练DCNN+LSTM分类模型构建DCNN+LSTM分类模型，并通过预设算法调整DCNN+LSTM分类模型中的可训练参数，该DCNN+LSTM分类模型包括多层，其倒数三、四层为全连接层，倒数第二层为LSTM层，最后一层为输出层；且该DCNN+LSTM分类模型包括一个输入节点和多个输出节点，其输入节点的输入为经S2、S3步骤后的训练集中的每张核磁共振图像，每个输出节点的输出为核磁共振图像标本属于某一标本种类的概率；S5、输入新数据与处理预测结果将待分类标本的多张核磁共振图像按顺序输入到DCNN+LSTM分类模型的输入节点，计算每个输出节点的输出值，比较各个输出值，选择最大值作为最终输出。