本發(fā)明屬于醫(yī)學(xué)圖像處理技術(shù)領(lǐng)域，具體涉及一種基于深度學(xué)習(xí)算法處理頭部結(jié)構(gòu)像數(shù)據(jù)的方法，所述方法基于深度卷積神經(jīng)網(wǎng)絡(luò)和遞歸神經(jīng)網(wǎng)絡(luò)模型。

背景技術(shù)：

尼古丁依賴已經(jīng)被世界衛(wèi)生組織定性為一種疾病并列入國際疾病分類(ICD-10，F(xiàn)17.2)(WHO1992)，屬于精神活性物質(zhì)依賴，其發(fā)生、發(fā)展均與大腦的結(jié)構(gòu)與功能變化有密切關(guān)系。吸煙成癮不僅僅是生理上的依賴，還存在心理上的依賴，不但對(duì)人類大腦認(rèn)知及注意力等功能產(chǎn)生顯著影響，導(dǎo)致大腦結(jié)構(gòu)和功能改變，還是導(dǎo)致腦血管病、癡呆的危險(xiǎn)因素。

近年來人工智能技術(shù)蓬勃發(fā)展，在改變醫(yī)療健康方面有很大的潛力。深度學(xué)習(xí)方法是通過構(gòu)建深層網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行多層次特征學(xué)習(xí)的人工智能方法，已經(jīng)廣泛而有效地用于圖像識(shí)別、語音識(shí)別等領(lǐng)域。隨著深度學(xué)習(xí)方法在大規(guī)模圖片分類(ImageNet)上取得突破性進(jìn)展，深度學(xué)習(xí)在各個(gè)方面都受到了極大的關(guān)注，在圖像識(shí)別與語音識(shí)別領(lǐng)域都取得了很大的成功。

針對(duì)目前戒煙治療的盲目性、復(fù)吸率高等難題，有必要深入了解吸煙者的腦結(jié)構(gòu)和功能變化特點(diǎn)，為探索個(gè)體化戒煙治療方案乃至預(yù)測(cè)戒煙成功率提供理論依據(jù)。但目前深度學(xué)習(xí)方法在臨床醫(yī)學(xué)疾病診療方面的應(yīng)用研究和預(yù)測(cè)尚不多見，尤其是應(yīng)用于人腦，本發(fā)明首次將深度學(xué)習(xí)方法應(yīng)用于吸煙者腦結(jié)構(gòu)的判別中，探索一種臨床證實(shí)并判別吸煙者腦結(jié)構(gòu)變化的全新方法。另外，對(duì)于吸毒者，癲癇病患者等，同樣可以通過判別腦結(jié)構(gòu)變化進(jìn)行判斷或診斷。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足，提供一種基于深度學(xué)習(xí)算法處理頭部結(jié)構(gòu)像數(shù)據(jù)的方法，利用深度卷積網(wǎng)絡(luò)結(jié)合LSTM模型對(duì)頭部結(jié)構(gòu)像數(shù)據(jù)進(jìn)行分析，從而達(dá)到更好的分類效果。

為實(shí)現(xiàn)上述目的，本發(fā)明所述的基于深度學(xué)習(xí)算法處理頭部結(jié)構(gòu)像數(shù)據(jù)的方法包括以下步驟：

1)采集海量已備案的同類型的頭部磁共振結(jié)構(gòu)像數(shù)據(jù)及與醫(yī)療素材數(shù)據(jù)匹配的頭部磁共振結(jié)構(gòu)像數(shù)據(jù)作為醫(yī)療訓(xùn)練數(shù)據(jù)通過輸入裝置輸入并存儲(chǔ)于計(jì)算機(jī)中；

2)首先將計(jì)算機(jī)中存儲(chǔ)的多幀圖片分別通過卷積神經(jīng)網(wǎng)絡(luò)模型提取對(duì)應(yīng)的特征，然后將計(jì)算機(jī)中存儲(chǔ)的序列圖片的特征作為L(zhǎng)STM模型的序列輸入，并與整個(gè)序列對(duì)應(yīng)的標(biāo)簽一并作為L(zhǎng)STM模型的一個(gè)訓(xùn)練樣本；

3)采用3層LSTM模型，序列輸入MRI圖像中間100層圖片，每層圖片對(duì)應(yīng)1024維的特征，模型最后是一個(gè)兩類分類器的全連接層；

4)將所述醫(yī)療訓(xùn)練數(shù)據(jù)的圖像數(shù)據(jù)采用分割、關(guān)聯(lián)或文本數(shù)據(jù)挖掘方法整合或格式化為計(jì)算機(jī)可以理解的結(jié)構(gòu)化數(shù)據(jù)矩陣并從每個(gè)單元數(shù)據(jù)中提取數(shù)據(jù)特征；

5)將已形成結(jié)構(gòu)化數(shù)據(jù)矩陣的醫(yī)療訓(xùn)練數(shù)據(jù)導(dǎo)入設(shè)置于計(jì)算機(jī)內(nèi)對(duì)應(yīng)深度學(xué)習(xí)模型的存儲(chǔ)模塊中；

6)通過計(jì)算機(jī)對(duì)所述深度學(xué)習(xí)模型進(jìn)行優(yōu)化運(yùn)算，優(yōu)化運(yùn)算方法如下：a.設(shè)定深度學(xué)習(xí)基本框架，將所述醫(yī)療訓(xùn)練數(shù)據(jù)按照數(shù)據(jù)特征建立包括輸入層、至少一層隱層和輸出層的數(shù)據(jù)模型，輸入層包含若干個(gè)具有數(shù)據(jù)特征的節(jié)點(diǎn)，輸出層包含若干個(gè)具有醫(yī)療診斷數(shù)據(jù)特征的節(jié)點(diǎn)，每個(gè)隱層包含若干個(gè)與上一層輸出值具有映射對(duì)應(yīng)關(guān)系的節(jié)點(diǎn)；b.每個(gè)節(jié)點(diǎn)采用數(shù)學(xué)方程建立該節(jié)點(diǎn)的數(shù)據(jù)模型，采用人工或隨機(jī)方法預(yù)設(shè)所述數(shù)學(xué)方程中的相關(guān)參數(shù)值，輸入層中各節(jié)點(diǎn)值為所述數(shù)據(jù)特征，各隱層及輸出層中各節(jié)點(diǎn)輸入值為上層輸出值，每層中各節(jié)點(diǎn)的輸出值為該節(jié)點(diǎn)經(jīng)所述數(shù)學(xué)方程運(yùn)算后所得的值；c.初始化所述參數(shù)值，將所述輸出層中各節(jié)點(diǎn)的輸出值與對(duì)應(yīng)節(jié)點(diǎn)的醫(yī)療診斷數(shù)據(jù)特征比對(duì)，反復(fù)修正各節(jié)點(diǎn)參數(shù)值，依次循環(huán)，最終獲得使所述輸出層中各節(jié)點(diǎn)的輸出值生成與所述醫(yī)療診斷數(shù)據(jù)特征相似度為最大時(shí)的輸出值對(duì)應(yīng)的各節(jié)點(diǎn)中的參數(shù)值；

7)將獲取的已形成結(jié)構(gòu)化矩陣數(shù)據(jù)的醫(yī)學(xué)待分析數(shù)據(jù)導(dǎo)入深度學(xué)習(xí)模型中進(jìn)行與之匹配的醫(yī)學(xué)分析；

8)當(dāng)模型訓(xùn)練結(jié)束時(shí)，測(cè)試樣本也以同樣MRI序列層的格式進(jìn)行整理，然后用訓(xùn)練好的深度學(xué)習(xí)模型進(jìn)行分類判別該MRI圖像是否屬于吸煙者、藥物成癮者或疾病患者。

所述藥物成癮者包括吸毒者，疾病患者包括癲癇病患者。

所述頭部磁共振結(jié)構(gòu)像數(shù)據(jù)包括吸煙者與不吸煙者的頭部結(jié)構(gòu)磁共振圖像，頭部結(jié)構(gòu)磁共振圖像的參數(shù)為：3D T1-weighted MPRAGE T1加權(quán)序列，矢狀位掃描，176層，TR＝2530ms，TE＝3.39ms，層厚1mm，TI＝1100ms，F(xiàn)OV＝256mm×256mm，分辨率＝256×256。

每例頭部結(jié)構(gòu)磁共振圖像有176張圖片，吸煙組和不吸煙組各自隨機(jī)選取1/4作為測(cè)試集，其中吸煙者15例，不吸煙者16例，其余作為訓(xùn)練集。

通過深度卷積網(wǎng)絡(luò)對(duì)訓(xùn)練樣本的MRI序列層提取特征，然后將序列的特征向量輸入到LSTM遞歸神經(jīng)網(wǎng)絡(luò)。

LSTM作為長(zhǎng)短時(shí)記憶型的遞歸神經(jīng)網(wǎng)絡(luò)，將可變長(zhǎng)度的輸入映射成為可變長(zhǎng)度的輸出。

當(dāng)模型訓(xùn)練結(jié)束時(shí)，測(cè)試樣本也以同樣MRI序列層的格式進(jìn)行整理，然后用訓(xùn)練好的深度學(xué)習(xí)模型進(jìn)行分類判別，得出MRI圖像是否屬于吸煙者的結(jié)論。

本發(fā)明具有如下優(yōu)點(diǎn)：本發(fā)明所述的基于深度學(xué)習(xí)算法處理頭部結(jié)構(gòu)像數(shù)據(jù)的方法與現(xiàn)有技術(shù)相比，能有效減輕醫(yī)生或醫(yī)學(xué)研究人員的工作壓力且可對(duì)大量的醫(yī)療或醫(yī)學(xué)圖像數(shù)據(jù)進(jìn)行科學(xué)分析并獲得與之匹配的分析結(jié)果，能夠應(yīng)用深度學(xué)習(xí)中的深度卷積神經(jīng)元算法在計(jì)算機(jī)內(nèi)建立模型，該模型利用海量醫(yī)療數(shù)據(jù)選擇及優(yōu)化模型參數(shù)，通過“訓(xùn)練”模型自動(dòng)學(xué)習(xí)醫(yī)生或醫(yī)學(xué)研究人員的圖像分析過程，繼而幫助其處理大量的醫(yī)療或醫(yī)學(xué)數(shù)據(jù)，最終輔助醫(yī)生做出針對(duì)大量醫(yī)療數(shù)據(jù)的正確判斷和有效決策。本發(fā)明可大大降低醫(yī)生或醫(yī)學(xué)研究人員的工作壓力，提高其工作效率，可使醫(yī)生或醫(yī)學(xué)研究人員從繁重的對(duì)醫(yī)療或醫(yī)學(xué)數(shù)據(jù)的分析工作中解脫出來，從而將更多的精力用于其它更重要的工作中。本發(fā)明所述的基于深度學(xué)習(xí)算法處理頭部結(jié)構(gòu)像數(shù)據(jù)的方法不僅適用于判斷吸煙者的腦部特征，還可以用于各種成癮類型的判斷，或者疾病的診斷，如吸毒者，癲癇病患者等。

附圖說明

圖1是176層的MRI圖像的示意圖。

圖2是ConvLSTM模型的流程圖。

具體實(shí)施方式

以下實(shí)施例用于說明本發(fā)明，但不用來限制本發(fā)明的范圍。

本發(fā)明所述的基于深度學(xué)習(xí)算法處理頭部結(jié)構(gòu)像數(shù)據(jù)的方法包括以下步驟：

1)采集海量同類型的(指數(shù)據(jù)格式、采集方式完全相同)頭部磁共振結(jié)構(gòu)像數(shù)據(jù)及與醫(yī)療素材數(shù)據(jù)匹配的頭部磁共振結(jié)構(gòu)像數(shù)據(jù)作為醫(yī)療訓(xùn)練數(shù)據(jù)，通過輸入裝置輸入并存儲(chǔ)于計(jì)算機(jī)中；

2)首先將計(jì)算機(jī)中存儲(chǔ)的多幀圖片分別通過卷積神經(jīng)網(wǎng)絡(luò)模型提取對(duì)應(yīng)的特征，然后將計(jì)算機(jī)中存儲(chǔ)的序列圖片的特征作為L(zhǎng)STM模型的序列輸入，并與整個(gè)序列對(duì)應(yīng)的標(biāo)簽一并作為L(zhǎng)STM模型的一個(gè)訓(xùn)練樣本；

3)采用3層LSTM模型，序列輸入MRI圖像中間100層圖片，每層圖片對(duì)應(yīng)1024維的特征，模型最后是一個(gè)兩類分類器的全連接層；

4)將所述醫(yī)療訓(xùn)練數(shù)據(jù)的圖像數(shù)據(jù)采用分割、關(guān)聯(lián)或文本數(shù)據(jù)挖掘方法整合或格式化為計(jì)算機(jī)可以理解的結(jié)構(gòu)化數(shù)據(jù)矩陣并從每個(gè)單元數(shù)據(jù)中提取數(shù)據(jù)特征；

5)將已形成結(jié)構(gòu)化數(shù)據(jù)矩陣的醫(yī)療訓(xùn)練數(shù)據(jù)導(dǎo)入設(shè)置于計(jì)算機(jī)內(nèi)對(duì)應(yīng)深度學(xué)習(xí)模型的存儲(chǔ)模塊中；

6)通過計(jì)算機(jī)對(duì)所述深度學(xué)習(xí)模型進(jìn)行優(yōu)化運(yùn)算，優(yōu)化運(yùn)算方法如下：a.設(shè)定深度學(xué)習(xí)基本框架，將所述醫(yī)療訓(xùn)練數(shù)據(jù)按照數(shù)據(jù)特征建立包括輸入層、至少一層隱層和輸出層的數(shù)據(jù)模型，輸入層包含若干個(gè)具有數(shù)據(jù)特征的節(jié)點(diǎn)，輸出層包含若干個(gè)具有醫(yī)療診斷數(shù)據(jù)特征的節(jié)點(diǎn)，每個(gè)隱層包含若干個(gè)與上一層輸出值具有映射對(duì)應(yīng)關(guān)系的節(jié)點(diǎn)；b.每個(gè)節(jié)點(diǎn)采用數(shù)學(xué)方程建立該節(jié)點(diǎn)的數(shù)據(jù)模型，采用人工或隨機(jī)方法預(yù)設(shè)所述數(shù)學(xué)方程中的相關(guān)參數(shù)值，輸入層中各節(jié)點(diǎn)值為所述數(shù)據(jù)特征，各隱層及輸出層中各節(jié)點(diǎn)輸入值為上層輸出值，每層中各節(jié)點(diǎn)的輸出值為該節(jié)點(diǎn)經(jīng)所述數(shù)學(xué)方程運(yùn)算后所得的值；c.初始化所述參數(shù)值，將所述輸出層中各節(jié)點(diǎn)的輸出值與對(duì)應(yīng)節(jié)點(diǎn)的醫(yī)療診斷數(shù)據(jù)特征比對(duì)，反復(fù)修正各節(jié)點(diǎn)參數(shù)值，依次循環(huán)，最終獲得使所述輸出層中各節(jié)點(diǎn)的輸出值生成與所述醫(yī)療診斷數(shù)據(jù)特征相似度為最大時(shí)的輸出值對(duì)應(yīng)的各節(jié)點(diǎn)中的參數(shù)值；

7)將獲取的已形成結(jié)構(gòu)化矩陣數(shù)據(jù)的醫(yī)學(xué)待分析數(shù)據(jù)導(dǎo)入深度學(xué)習(xí)模型中進(jìn)行與之匹配的醫(yī)學(xué)分析；

8)當(dāng)模型訓(xùn)練結(jié)束時(shí)，測(cè)試樣本也以同樣MRI序列層的格式進(jìn)行整理，然后用訓(xùn)練好的深度學(xué)習(xí)模型進(jìn)行分類判別該MRI圖像是否屬于吸煙者、藥物成癮者或疾病患者。

所述藥物成癮者包括吸毒者，疾病患者包括癲癇病患者。

訓(xùn)練好的深度學(xué)習(xí)模型是指模型訓(xùn)練的訓(xùn)練樣本中包含的圖像達(dá)到100個(gè)以上，用訓(xùn)練樣本中的全部圖像對(duì)深度學(xué)習(xí)模型分別進(jìn)行了訓(xùn)練，訓(xùn)練完成的深度學(xué)習(xí)模型即為訓(xùn)練好的深度學(xué)習(xí)模型。

實(shí)施例一

所述頭部磁共振結(jié)構(gòu)像數(shù)據(jù)包括吸煙者與不吸煙者的頭部結(jié)構(gòu)磁共振圖像，頭部結(jié)構(gòu)磁共振圖像的參數(shù)為：3D T1-weighted MPRAGE T1加權(quán)序列，矢狀位掃描，176層，TR＝2530ms，TE＝3.39ms，層厚1mm，TI＝1100ms，F(xiàn)OV＝256mm×256mm，分辨率＝256×256，重復(fù)2次。

如圖1所示，每例頭部結(jié)構(gòu)磁共振圖像有176張圖片，吸煙組和不吸煙組各自隨機(jī)選取1/4作為測(cè)試集，其中吸煙者15例，不吸煙者16例，其余作為訓(xùn)練集。

通過深度卷積網(wǎng)絡(luò)模型和遞歸神經(jīng)網(wǎng)絡(luò)(RNN)有效處理圖片任務(wù)。LSTM作為長(zhǎng)短時(shí)記憶型的遞歸神經(jīng)網(wǎng)絡(luò)，能夠?qū)⒖勺冮L(zhǎng)度的輸入映射成為可變長(zhǎng)度的輸出。

圖2示出了ConvLSTM模型的流程圖，如圖2所示，首先將多幀圖片分別通過卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks，簡(jiǎn)稱CNN)模型提取對(duì)應(yīng)的特征，然后將序列圖片的特征作為L(zhǎng)STM模型的序列輸入，并與整個(gè)序列對(duì)應(yīng)的標(biāo)簽一并作為L(zhǎng)STM模型的一個(gè)訓(xùn)練樣本。采用3層LSTM模型，序列輸入MRI圖像中間100層圖片，對(duì)應(yīng)googlenet提取的1024維度特征向量，模型最后是一個(gè)兩類分類器的全連接層(即全連接層分類器)。

當(dāng)模型訓(xùn)練結(jié)束時(shí)，測(cè)試樣本也以同樣MRI序列層的格式進(jìn)行整理，然后用訓(xùn)練好的深度學(xué)習(xí)模型進(jìn)行分類判別，得出該MRI圖像是否屬于吸煙者的結(jié)論。

實(shí)施例二

實(shí)施例二中每例頭部結(jié)構(gòu)磁共振圖像同樣有176張圖片，吸毒組和不吸毒組各自隨機(jī)選取1/4作為測(cè)試集，其中吸毒者15例，不吸毒者16例，其余作為訓(xùn)練集。

其余的方法與實(shí)施例一相同。

實(shí)施例三

實(shí)施例三中每例頭部結(jié)構(gòu)磁共振圖像同樣有176張圖片，癲癇病患者組和非癲癇病患者組各自隨機(jī)選取1/4作為測(cè)試集，其中癲癇病患者15例，非癲癇病患者16例，其余作為訓(xùn)練集。

其余的方法與實(shí)施例一相同。

本發(fā)明所述的基于深度學(xué)習(xí)算法處理頭部結(jié)構(gòu)像數(shù)據(jù)的方法利用LSTM模型對(duì)頭部結(jié)構(gòu)像數(shù)據(jù)分析，從而更好的達(dá)到分類效果。

雖然，上文中已經(jīng)用一般性說明及具體實(shí)施例對(duì)本發(fā)明作了詳盡的描述，但在本發(fā)明基礎(chǔ)上，可以對(duì)之作一些修改或改進(jìn)，這對(duì)本領(lǐng)域技術(shù)人員而言是顯而易見的。因此，在不偏離本發(fā)明精神的基礎(chǔ)上所做的這些修改或改進(jìn)，均屬于本發(fā)明要求保護(hù)的范圍。