[发明专利]一种基于多维信息融合和深度学习的脑部医学影像分析方法

权利要求书

1.一种基于多维信息融合和深度学习的脑部医学影像分析方法，其特征在于，包括如下步骤：

S1、开发测试环境平台搭建：

搭建深度学习训练用工作站，配置训练框架；

S2、对主流深度学习算法和网络模型进行研究：

对主流的深度学习算法、网络模型、医学影像分析检测框架和数据集进行测试，并分析各种深度学习算法和卷积网络模型在图像分割、目标检测和疾病分类分级方面的优缺点；

S3、制作医学影像训练数据集、验证数据集和测试数据集：

针对医学影像分析的要求和特点，选择一定数量的针对典型脑部疾病的医学影像作为样本，对于同一病历，采集多种类型、不同角度的医学影像，加注多级分类标签；

S4、基于多个深度学习网络的医学影像分析诊断研究：

基于特定类型的医学影像数据集和对病灶进行检测、分类和分级的应用需求，分别训练不同的深度学习卷积神经网络，得到针对某一特定医学影像的病灶目标分割检测、分类分级的初步结果，然后通过构建加权贝叶斯网络，对多个初步结果进行处理得到最后的分析诊断结果；

S5、基于层级特征融合的卷积神经网络结构改进研究：

借鉴Dense Net和改进的Multi-Scale Dense Net，融合利用医学影像不同层次的特征来提升分类分级的准确度，对Multi-Scale Dense Net进行剪枝处理，以降低网络结构复杂度；

设计中间层分类网络，以提取并融合不同粒度的特征，保证中间层分类具有较高的准确率；

将中间层分类网络提取到的影像特征与Multi-Scale Dense Net最后层提取到的特征进行融合，在网络最后层进行病灶目标分类分级；

S6、基于多维度医学影像信息融合研究：

采用针对同一病症的sMRI、fMRI和PET的多种医学影像，对这些影像进行配准，然后利用卷积神经网络对它们提取相应特征，并对不同类型的医学影像提取的特征进行融合，以获得更加丰富的病灶目标的特征；

对融合后的特征进行降维，减少冗余特征，同时确保关键特征不会丢失，最后再通过一个卷积神经网络进行最后的分类分级，以保证分析诊断的准确率。

2.根据权利要求1所述的一种基于多维信息融合和深度学习的脑部医学影像分析方法，其特征在于，在S5中：

将sMRI、fMRI和PET的医学影像输入改进后的Muti-Scale DenseNet中，经过中间层分类网络后得到脑部疾病的大类别，同时得到用于大分类的目标特征；

将中间层网络提取得到的目标特征与主干网络提取到的特征进行融合，获得关于目标不同分类级别的特征；

基于不同级别的特征预测目标的病症的分级结果。

3.根据权利要求1所述的一种基于多维信息融合和深度学习的脑部医学影像分析方法，其特征在于，获取的病灶目标的特征包括结构特征和代谢特征。

4.根据权利要求1所述的一种基于多维信息融合和深度学习的脑部医学影像分析方法，其特征在于，还包括：

S7、在构建脑部疾病数据库和脑部疾病分析框架和网络模型的基础上，开发脑部疾病分析诊断系统。

5.根据权利要求4所述的一种基于多维信息融合和深度学习的脑部医学影像分析方法，其特征在于，将脑部疾病分析诊断系统集成在能够联网的便携式移动设备中，移动设备中内置有数据共享模块，以共享医学影像信息和对应的诊断结果，提高信息交换效率。

6.根据权利要求1所述的一种基于多维信息融合和深度学习的脑部医学影像分析方法，其特征在于，通过对脑部结构、病症位置、病症分类和分级等信息进行标注，来构建专用训练数据集。

7.根据权利要求1所述的一种基于多维信息融合和深度学习的脑部医学影像分析方法，其特征在于，开发自动标注工具，在加注多级分类标签时，能对数据集自动进行多级分类标记，降低数据集标注工作量。

8.根据权利要求1所述的一种基于多维信息融合和深度学习的脑部医学影像分析方法，其特征在于，针对医学影像的分析要求包括对医学影像的检测定位、分割、分类和分析共四种要求。