基于深度学习的端对端脑影像数据处理方法及装置与流程

1.本发明属于医疗设备技术领域，具体涉及一种基于深度学习的端对端脑影像数据处理方法及装置。


背景技术：

2.克罗恩病(crohn’s disease，cd)属炎症性肠病之一，是一种慢性非特异性肉芽肿性炎症性肠病，主要临床表现为反复发作的腹痛、腹泻、体重减轻、发热、乏力、贫血、食欲不振等症状。脑肠轴(bga)指中枢神经系统与肠神经系统之间形成的双向通路。已有研究表明，脑肠轴的失衡在克罗恩病的发病机制中起着重要作用。对脑部的功能性磁共振影像进行分析，可以无创地体现克罗恩病患者神经系统受累情况，进而为探索克罗恩病的发病机制提供了依据。
3.传统的针对脑部的功能性磁共振影像的分析，通常主要以机器学习方法为工具。
4.然而，传统的机器学习方法中间过程会被切割为多个子任务，使得分析算法整体不连贯，往往不能通过一个输入
‑
输出形式的端对端方法实现，且得到的分析结果不一定是最佳结果，从而影响整体检测精度。


技术实现要素：

5.为了解决现有技术中存在的上述问题，本发明提供了一种基于深度学习的端对端脑影像数据处理方法及装置。本发明要解决的技术问题通过以下技术方案实现：
6.一种基于深度学习的端对端脑影像数据处理方法，包括：
7.获取对照组脑影像数据与待测组脑影像数据；
8.分别对所述对照组脑影像数据与所述待测组脑影像数据进行特征提取，对应得到待训练特征矩阵与待检测特征矩阵；
9.构建端对端卷积神经网络分类模型；
10.利用所述待训练特征矩阵对所述端对端卷积神经网络分类模型进行训练；
11.利用训练好的端对端卷积神经网络分类模型对所述待检测特征矩阵进行处理，得到检测结果。
12.在本发明的一个实施例中，所述对照组脑影像数据与所述待测组脑影像数据均为静息态功能磁共振脑影像数据。
13.在本发明的一个实施例中，分别对所述对照组脑影像数据与所述待测组脑影像数据进行特征提取，对应得到待训练特征矩阵与待检测特征矩阵，包括：
14.根据皮尔森相关系数计算所述对照组脑影像数据中脑区对之间的功能连接度特征，并将得到的功能连接度特征转换为矩阵形式，得到待训练特征矩阵；
15.相应的，根据皮尔森相关系数计算所述待测组脑影像数据中脑区对之间的功能连接度特征，并将得到的功能连接度特征转换为矩阵形式，得到待检测特征矩阵。
16.在本发明的一个实施例中，所述端对端卷积神经网络分类模型依次包括输入层、
若干隐层、全连接层、分类层以及输出层；其中，所述分类层包括softmax层、支持向量机以及随机森林。
17.在本发明的一个实施例中，所述若干隐层包括第一隐层、第二隐层和第三隐层，且述第一隐层为“十”字形结构，所述第二隐层和所述第三隐层均为“一”字形结构。
18.在本发明的一个实施例中，利用所述待训练特征矩阵对所述端对端卷积神经网络分类模型进行训练，包括：
19.将当前待训练特征矩阵通过输入层输入到所述端对端卷积神经网络分类模型中进行前向传播，得到模型分类结果；
20.根据所述模型分类结果计算损失值，并将所述损失值反向传播至输入层，以对所述端对端卷积神经网络分类模型的网络参数进行权值更新，完成当前待训练特征矩阵的训练过程；
21.采用相同的方法对所有待训练特征矩阵进行处理，从而完成一个epoch训练；
22.重复上述步骤，直至所有待训练特征矩阵完成一定轮次的epoch训练，以完成端对端卷积神经网络分类模型的训练。
23.在本发明的一个实施例中，将当前待训练特征矩阵通过输入层输入到所述端对端卷积神经网络分类模型中进行前向传播，得到模型分类结果，包括：
24.将当前待训练特征矩阵通过输入层输入到所述端对端卷积神经网络分类模型，并经过若干隐层和全连接层的处理，得到输出向量；
25.将所述输出向量分别输入至所述softmax层、所述支持向量机以及所述随机森林，对应得到卷积softmax分类结果、支持向量机分类结果以及随机森林分类结果；
26.使用投票法对所述卷积softmax分类结果、支持向量机分类结果和随机森林分类结果进行投票，得到模型分类结果。
27.本发明的另一个实施例还提供了一种基于深度学习的端对端脑影像数据处理装置，包括：
28.数据获取模块，用于获取对照组脑影像数据与待测组脑影像数据；
29.特征提取模块，用于分别对所述对照组脑影像数据与所述待测组脑影像数据进行特征提取，对应得到待训练特征矩阵与待检测特征矩阵；
30.模型建立模块，用于构建端对端卷积神经网络分类模型；
31.模型训练模块，用于利用所述待训练特征矩阵对所述端对端卷积神经网络分类模型进行训练；
32.数据检测模块，用于利用训练好的端对端卷积神经网络分类模型对所述待检测特征矩阵进行处理，得到检测结果。
33.本发明的另一个实施例还提供了一种基于深度学习的端对端脑影像处理设备，其特征在于，包括：
34.存储器，用于存放计算机程序；
35.处理器，用于执行存储器上所存放的程序时，实现上述实施例提供的方法步骤。
36.本发明的另一个实施例还提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述实施例提供的方法步骤。
37.本发明的有益效果：
38.1、本发明通过构建端对端卷积神经网络分类模型，将整个分析流程整合为一个整体，并基于深度学习算法实现分类结果，使得分析算法更为连贯，且模型的输出直接体现输入数据表达信息，从而使得检测结果更为准确；
39.2、本发明提供的基于深度学习的端对端脑影像数据处理方法可应用在脑影像分析设备上，不仅能够提供更为精确的检查结果，还可以提高检测效率。
40.以下将结合附图及实施例对本发明做进一步详细说明。
附图说明
41.图1是本发明实施例提供的一种基于深度学习的端对端脑影像数据处理方法流程图；
42.图2是本发明实施例提供的端对端卷积神经网络分类模型的结构示意图；
43.图3是本发明实施例提供的一种基于深度学习的端对端脑影像数据处理装置结构示意图。
具体实施方式
44.下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。
45.实施例一
46.请参见图1，图1是本发明实施例提供的一种基于深度学习的端对端脑影像数据处理方法流程图，具体包括以下步骤：
47.s1：获取对照组脑影像数据与待测组脑影像数据。
48.在本实施例中，对照组脑影像数据与待测组脑影像数据均为静息态功能磁共振脑影像数据。其中，对照组脑影像数据的每个样本均具有异常或者非异常的标签。具体地，在本实施例中，异常样本可以为已经确认的克罗恩病个体的脑影像数据，非异常样本可以是健康个体的脑影像数据。
49.具体地，本实施例主要通过功能性核磁共振成像设备获取对照组和待测组的静息态功能磁共振脑影像数据。
50.s2：分别对所述对照组脑影像数据与所述待测组脑影像数据进行特征提取，对应得到待训练特征矩阵与待检测特征矩阵。
51.在本实施例中，在对脑影像数据进行特征提取之前，需要先进行预处理，具体过程如下：
52.先将功能性核磁共振脑影像的前5个时间序列去除以避免信号不稳定并使受试者适应扫描噪声；然后再对脑影像进行事件曾校正以及头部运动校正，在基于记录的运动校正时，将被测试个体在每个方向上的最大平移设置为2mm，并且对被测个体在功能性核磁共振成像期间的最大角运动设置为2
°
；再将全部功能图像标准化到mni152模板，并用各向同性高斯核(半高全宽[fwhm]＝4mm)平滑以去除功能性核磁共振脑影像的线性趋势；使用时间滤波器降低功能性核磁共振脑影像的低频漂移和高频生理噪声；使用白质和脑脊液作为协变量进行滋扰回归，最终得到对照组脑影像数据与待测组脑影像数据。
[0053]
进一步地，对经过预处理的对照组脑影像数据进行特征提取包括：根据皮尔森相关系数计算对照组脑影像数据中脑区对之间的功能连接度特征，并将得到的功能连接度特征转换为矩阵形式，得到待训练特征矩阵。
[0054]
首先，对经过预处理的对照组的静息态功能磁共振脑影像数据进行计算，获得每个脑区对之间的功能连接度(fc)作为待训练特征。
[0055]
然后，取一个宽和高相同且等于脑区数量的矩阵，每一行的元素值代表某一个脑区与其他脑区之间的功能连接度，按照脑区顺序将每一行规定为每个脑区功能连接度特征值的填充区域；
[0056]
最后，将每个脑区对的功能连接度特征值，按照脑区顺序填充为矩阵中每个点的元素值，得到待训练特征矩阵。
[0057]
相应的，对经过预处理的待测组脑影像数据进行特征提取包括：根据皮尔森相关系数计算所述待测组脑影像数据中脑区对之间的功能连接度特征，并将得到的功能连接度特征转换为矩阵形式，得到待检测特征矩阵。详细过程同上述对照组脑影像数据的特征的提取过程。
[0058]
s3：构建端对端卷积神经网络分类模型。
[0059]
具体地，请参见图2，图2是本发明实施例提供的端对端卷积神经网络分类模型的结构示意图，其包括：输入层、若干隐层、全连接层、分类层以及输出层；其中，所述分类层包括softmax层、支持向量机以及随机森林。
[0060]
进一步地，所述若干隐层包括第一隐层、第二隐层和第三隐层，全连接层包括第四隐层、第五隐层和第六隐层。
[0061]
本实施例主要通过对brainnetcnn网络进行改进，以得到用于处理脑影像数据的端对端卷积神经网络分类模型(crohncnn)。该crohncnn模型的，具体过程如下：
[0062]
a)将第一隐层卷积核由矩阵形式改为“十”字形，使卷积核的感受野由周围邻域变为脑区对的连接域。本实施例设置32个卷积核，使得该隐层处理后的特征矩阵增加为原来32倍。
[0063]
b)将第二隐层卷积核由矩阵形式改为“一”字形，使卷积核的感受野由脑区对的连通域变为行卷积域，卷积核数量不变，使得该层处理后的特征矩阵由矩阵变为向量。
[0064]
c)将第三隐层卷积核保持“一”字形，方向转为在不同向量之间的卷积，使得32个向量经过本层卷积核处理后变为1个向量。
[0065]
d)由第四隐层、第五隐层和第六隐层组成全连接层，以对第三隐层的输出向量进行处理。其中，第四隐层、第五隐层、第六隐层的神经元个数逐渐降低。
[0066]
e)设置三个分类模块分别连接全连接层，用以对样本进行分类。其中，三个分类模块分别为softmax层、支持向量机分类层、随机森林分类层。
[0067]
具体地：
[0068]
e1)设置softmax层的神经元个数为2，即采用2个分别代表0和1的神经元，其中，0表示异常样本，1表示非异常样本。使用全连接层中第六隐层的输出的向量作为softmax层的输入，以得到卷积softmax分类结果；
[0069]
e2)使用全连接层中第六隐层的输出的向量作为支持向量机分类层的输入，以得到支持向量机分类结果；
[0070]
e3)使用全连接层中第六隐层的输出向量作为随机森林分类层的向量作为输入，以得到随机森林分类结果。
[0071]
f)将上述三个分类模块通过集成方式进行融合，并使用投票法对卷积softmax分类结果、支持向量机分类结果和随机森林分类结果进行投票，票数最多的标签作为crohncnn网络的最终检测结果。
[0072]
s4：利用所述待训练特征矩阵对所述端对端卷积神经网络分类模型进行训练。
[0073]
41)将当前待训练特征矩阵通过输入层输入到所述端对端卷积神经网络分类模型中进行前向传播，得到模型分类结果。
[0074]
在本实施例中，神经网络模型从输入层处理数据，经过隐层处理后直到输出层输出数据的过程称为前向传播。
[0075]
具体地，步骤41)包括：
[0076]
41
‑
1)将当前待训练特征矩阵通过输入层输入到所述端对端卷积神经网络分类模型，并经过若干隐层和全连接层的处理，得到输出向量。
[0077]
在本实施例中，神经网络模型输入层的输入数据为待训练特征矩阵，是一个二维矩阵形式的数据，从该矩阵开始，使用卷积核遍历二维矩阵上所有元素后，进入多个隐层处理输入数据。
[0078]
首先，通过第一隐层将特征矩阵增加为原来32倍，然后通过第二隐层将特征矩阵由矩阵变为向量，再通过第三隐层将输出数据变为1个向量，最后通过全连接层处理，输出向量数据。
[0079]
41
‑
2)将全连接层的输出向量分别输入至所述softmax层、所述支持向量机以及所述随机森林，对应得到卷积softmax分类结果、支持向量机分类结果以及随机森林分类结果。
[0080]
具体地，softmax层的2个分别代表0和1的神经元各自得到一个数值类型为浮点数的概率值，概率值大的神经元所代表的整型数字就为该卷积softmax层最终输出的分类结果。
[0081]
同时，支持向量机和随机森林分别得到对应的分类结果。
[0082]
41
‑
3)使用投票法对所述卷积softmax分类结果、支持向量机分类结果和随机森林分类结果进行投票，并将票数最多的标签作为crohncnn的最终检测结果，得到最终的模型分类结果。
[0083]
42)根据所述模型分类结果计算损失值，并将所述损失值反向传播至输入层，以对所述端对端卷积神经网络分类模型的网络参数进行权值更新，完成当前待训练特征矩阵的训练过程。
[0084]
具体地，得到的分类结果表示该样本通过神经网络处理得到的标签。将该标签和每个样本本身的标签通过损失函数进行差异性对比后，得到一个损失值。
[0085]
设置该损失值以前向传播的逆方向为传播方向，对所有隐层的网络参数进行权值更新，直至输入层，该过程为一次反向传播。
[0086]
若当前待训练特征矩阵完成一次前向传播与反向传播后，表明该样本完成了一次迭代。
[0087]
43)采用相同的方法对所有待训练特征矩阵进行处理，从而成一个epoch训练。
[0088]
当所有待训练特征矩阵，也即所有样本都完成一次迭代后，称端对端卷积神经网络分类模型crohncnn完成1个epoch的训练。
[0089]
44)重复上述步骤，直至所有待训练特征矩阵完成一定轮次的epoch训练，以完成端对端卷积神经网络分类模型的训练。
[0090]
具体地，本实施例使用所有待训练特征矩阵完成100次epoch后，完成神经网络模型的训练过程，得到训练好的端对端卷积神经网络分类模型crohncnn。
[0091]
s5：利用训练好的端对端卷积神经网络分类模型对所述待检测特征矩阵进行处理，得到检测结果。
[0092]
具体地，将待检测特征矩阵作为crohncnn模型的输入，将所有待检测特征矩阵输入到crohncnn模型的输入层，通过卷积神经网络前向传播，经过处理后得到输出标签0或1，分别代表异常样本和非异常样本，并以该结果作为该待检测样本的最终检测结果。
[0093]
本实施例通过构建端对端卷积神经网络分类模型，将整个分析流程整合为一个整体，并基于深度学习算法实现分类结果，使得分析算法更为连贯，且模型的输出直接体现输入数据表达信息，从而使得检测结果更为准确。将本发明提供的基于深度学习的端对端脑影像数据处理方法应用在脑影像分析设备上，不仅能够提供更为精确的检查结果，还可以提高检测效率。
[0094]
此外，本实施例还利用gpu平台加速对数为模型构建和数据检测提供了加速运算，进一步提升了算法整体效率。
[0095]
实施例二
[0096]
在上述实施例一的基础上，本实施例提供了一种基于深度学习的端对端脑影像数据处理装置。请参见图3，图3是本发明实施例提供的一种基于深度学习的端对端脑影像数据处理装置结构示意图，其包括：
[0097]
数据获取模块，用于获取对照组脑影像数据与待测组脑影像数据；
[0098]
特征提取模块，用于分别对所述对照组脑影像数据与所述待测组脑影像数据进行特征提取，对应得到待训练特征矩阵与待检测特征矩阵；
[0099]
模型建立模块，用于构建端对端卷积神经网络分类模型；
[0100]
模型训练模块，用于利用所述待训练特征矩阵对所述端对端卷积神经网络分类模型进行训练；
[0101]
数据检测模块，用于利用训练好的端对端卷积神经网络分类模型对所述待检测特征矩阵进行处理，得到检测结果。
[0102]
本实施例提供的基于深度学习的端对端脑影像数据处理装置可实现上述实施例一提供的基于深度学习的端对端脑影像数据处理方法，具体过程在此不再赘述。
[0103]
实施例三
[0104]
在上述实施例一的基础上，本实施例还提供了一种基于深度学习的端对端脑影像处理设备，该设备可应用于脑影像分析设备上用以对脑影像数据进行处理。其包括处理器和存储器，存储器用于存放计算机程序，用于处理器执行所述计算机程序时，可实现上述实施例一所述的方法步骤。
[0105]
实施例四
[0106]
在上述实施例一的基础上，本实施例还提供了一种计算机可读存储介质，所述计
算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述实施例一所述的方法步骤。
[0107]
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。