1.一種基于深度學(xué)習(xí)算法處理頭部結(jié)構(gòu)像數(shù)據(jù)的方法，所述方法包括以下步驟：
1)采集海量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于計算機中；
2)將計算機中存儲的多幀圖片分別通過卷積神經(jīng)網(wǎng)絡(luò)模型提取對應(yīng)的特征，然后將計算機中存儲的序列圖片的特征作為LSTM模型的序列輸入，并與整個序列對應(yīng)的標(biāo)簽一并作為LSTM模型的一個訓(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，每層圖片對應(yīng)1024維的特征，模型最后是一個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結(jié)構(gòu)化數(shù)據(jù)矩陣并從每個單元數(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)置于計算機內(nèi)對應(yīng)深度學(xué)習(xí)模型的存儲模塊中；
6)通過計算機對所述深度學(xué)習(xí)模型進行優(yōu)化運算，優(yōu)化運算方法如下：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，輸入層包含若干個具有數(shù)據(jù)特征的節(jié)點，輸出層包含若干個具有醫(yī)療診斷數(shù)據(jù)特征的節(jié)點，每個隱層包含若干個與上一層輸出值具有映射對應(yīng)關(guān)系的節(jié)點；b.每個節(jié)點采用數(shù)學(xué)方程建立該節(jié)點的數(shù)據(jù)模型，采用人工或隨機方法預(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)點值為所述數(shù)據(jù)特征，各隱層及輸出層中各節(jié)點輸入值為上層輸出值，每層中各節(jié)點的輸出值為該節(jié)點經(jīng)所述數(shù)學(xué)方程運算后所得的值；c.初始化所述參數(shù)值，將所述輸出層中各節(jié)點的輸出值與對應(yīng)節(jié)點的醫(yī)療診斷數(shù)據(jù)特征比對，反復(fù)修正各節(jié)點參數(shù)值，依次循環(huán)，最終獲得使所述輸出層中各節(jié)點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的輸出值對應(yīng)的各節(jié)點中的參數(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)模型中進行與之匹配的醫(yī)學(xué)分析；
8)當(dāng)模型訓(xùn)練結(jié)束時，測試樣本也以同樣MRI序列層的格式進行整理，然后用訓(xùn)練好的深度學(xué)習(xí)模型進行分類判別該MRI圖像是否屬于吸煙者、藥物成癮者或疾病患者。
2.如權(quán)利要求1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，其特征在于，所述藥物成癮者包括吸毒者，疾病患者包括癲癇病患者。
3.如權(quán)利要求1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，其特征在于，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。
4.如權(quán)利要求3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，其特征在于，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選取1/4作為測試集，其中吸煙者15例，不吸煙者16例，其余作為訓(xùn)練集。
5.如權(quán)利要求4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，其特征在于，通過深度卷積網(wǎng)絡(luò)模型和遞歸神經(jīng)網(wǎng)絡(luò)有效處理圖片任務(wù)。
6.如權(quán)利要求5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，其特征在于，LSTM作為長短時記憶型的遞歸神經(jīng)網(wǎng)絡(luò)，將可變長度的輸入映射成為可變長度的輸出。
7.如權(quán)利要求6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，其特征在于，當(dāng)模型訓(xùn)練結(jié)束時，測試樣本也以同樣MRI序列層的格式進行整理，然后用訓(xùn)練好的深度學(xué)習(xí)模型進行分類判別，得出MRI圖像是否屬于吸煙者的結(jié)論。