CN107423756-CN201710541367-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.pdfVIP

(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 CN 107423756 A (43)申请公布日 2017.12.01 (21)申请号 201710541367.8 (22)申请日 2017.07.05 (71)申请人 武汉科恩斯医疗科技有限公司 地址 430000 湖北省武汉市东湖高新区高 新大道999号 (72)发明人 王兴刚　刘涛　汪成　欧阳杰　 王良　罗博　杨巍　 (74)专利代理机构 湖北武汉永嘉专利代理有限 公司 42102 代理人 许美红 (51)Int.Cl. G06K 9/62(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) 权利要求书2页 说明书6页 附图2页 (54)发明名称 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 (57)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。 A 6 5 7 3 2 4 7 0 1 N C CN 107423756 A 权　利　要　求　书 1/2页 1.一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X ，i∈[1,……,N]，其中N为标本的总数量，每个标本有一个标注Y ，表示标本 i i 种类，并用下式表示标本： 其中M 为标本X 的核磁共振图像数 i i 量；对每个X 都进行标注后，形成训练集X； i 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。 2.根据权利要求1所述