[发明专利]改进GoogLeNet神经网络下多模态医学图像分类方法

说明书

本发明提供了一种改进GoogLeNet神经网络下多模态医学图像分类方法，对基于双模态影像MRI、PET生物特征进行训练提取特征并分类，在GoogLeNet模型的基础上进行修改，保持模型深度和宽度的前提下，提高网络特征提取性能，也更充分适应医学影像固有高维属性；由于双模态医学影像数据量的局限性，发明采用数据扩增方法，扩大数据样本数量，有效防止由于样本量的局限所带来的过拟合问题。最后通过双模态影像的分类结果，结合皮尔逊积矩相关系数PPMCC，以及临床评估数据MMSE表和CDR表来对NC、MCI、SMCI、PMCI以及AD阶段进行综合分类评估并分析出ROC曲线。本发明提高了分类效率和精度。

技术领域

本发明属于医学影像特征的深度学习领域，尤其涉及到一种改进GoogLeNet神经网络下多模态医学图像分类方法。

背景技术

随着医学影像技术的不断发展，核磁共振图像(Magnetic Resonance Imaging，MRI)、正电子发射型计算机断层显像(Positron Emission Computed Tomography，PET)、计算机断层扫描(Computed Tomography,CT)等各种影像清晰度和分辨率不断得到提升，这些手段的运用，对于阿尔兹海默病的诊断带来重要作用。

深度学习起源于神经网络，深度学习属于机器学习的一个分支，近些年来得到非常广泛的发展和应用。网络由多个单层而非线性的网络叠加而成，模型依赖于层与层的关系，卷积层和池化层交替出现，下一层被视为上一层的更高级的抽象。深度学习的模型深度和大量的模型参数，具备训练海量数据的优秀特性。采用深层次模型训练数据，实现复杂函数的逼近，最终实现对应影像分类并输出。

特别是近些年来，深度学习在机器视觉上的大量创新应用，已经被认同为极具潜力的分类与预测方法。其在基于医学影像的疾病分类、预测中，也获得了越多的关注。

目前用于机器视觉领域比较广泛的机器学习方法包含有：支持向量机、随机森林、KNN、逻辑回归、Stacked Auto-Encoder(SAE)“堆叠自动编码器”、LeNet、AlexNet、VGGNet等神经网络模型；通过以上方式提取图像特征，对图像进行特征提取和分类。

但是，基于以上方式进行的分类情况，无论采用哪一种方法，由于医学影像本身的高维度和高复杂度、数据库数量稀少、人工标注难度大等特点，为模型训练和最后的分类结果和精度带来了很大的局限。由此，提高医学影像分类精度，可以获得准确的异常识别和分类。

发明内容

有鉴于此，为了克服医学影像数据少、人工标记工作量大和AD分类精度不高等问题，提供了一种改进GoogLeNet神经网络下多模态医学图像分类方法，以此提高分类精度和效率。

本发明的技术解决方案是，提供了一种改进GoogLeNet神经网络下多模态医学图像分类方法，包括以下步骤：

步骤1：获取不同类别的多模态三维影像；

步骤2：构建改进的GoogLeNet卷积神经网络作为神经网络分类模型；

步骤3：将获取的影像数据随机打乱顺序，生成批次；

步骤4：将具有标签标注的样本数据进行预处理操作，准备好样本数据和测试数据样本，统一样本尺寸；

步骤5：对神经网络分类模型进行参数优化，获取优化的网络模型参数，保存网络模型；

步骤6：以获得的两种模态影像生物标记物作为步骤5生产的网络模型之输入，以不同类别作为分类结果输出；

步骤7：将预处理后的数据送入训练优化好的神经网络分类模型中，通过神经网络分类模型的分类器做出分类并输出分类结果；

步骤8：对经最后全连接层和SoftMax层，输出双模态分类结果后，结合MMSE表和CDR表生物学标记做出最终分类情况；