您好,欢迎来到北京快3平台-官网平台!
全国销售热线:400-0731618

当前位置主页 > 新闻资讯 >

贴心完善,保障您购买无忧~

北京快3一种基于深度学习的白质纤维束重建方法
发布时间发布时间:2020-11-28 18:07

  本发明涉及数字图像分析与处理的技术领域,尤其是指一种基于深度学习的白质纤维束重建方法。

  数字图像,尤其是生物医学大脑白质纤维显微图像中,大脑白质结构是由无数个神经纤维聚集在大脑内部组成的,颜色较浅,也叫做脑白质。白质纤维由数百万条“沟通管线”组成,管线里包覆著一根长长的轴突(又称突起),管线外包覆著称为髓磷脂的白色脂质,而这些“白色缆线”的功能是负责沟通不同脑区的灰质(神经元)、在神经元间传递动作电位。脑白质结构异常主要变现为中枢神经细胞的髓鞘损害,导致大脑某些高级功能缺失。在医学影像学研究中,常常需要对白质纤维的解剖结构和功能特性进行分析和处理,如白质纤维束重建、特征提取与识别、病灶定位等。白质纤维束重建,是进行上述分析的基础与重要环节,然而,大脑白质纤维存在大量的交叉、汇聚和分支,如何选择纤维束重建方法,是我们要解决的至关重要的问题。

  与确定性纤维束追踪算法不同,概率性纤维束追踪算法以两个或者多个特定区域之间相互连接的可能性概率分布为着眼点,用概率分布函数确定纤维束追踪的主方向,并对体素之间的相关性进行量化,使用张量模型来估计每个体素最大可能的纤维束走行方向。概率性纤维束追踪算法提高了追踪的精度,既能显示较小的纤维束,可以进行纤维束分叉计算,但是这种算法计算量较大、耗时长,达不到临床应用的要求。

  本发明的目的在于克服现有技术的缺点和不足,提供了一种基于深度学习的白质纤维束重建方法,该方法能够准确的构建交叉、分叉的白质纤维束,为白质纤维束的临床研究和生理病理机制提供帮助。

  为实现上述目的,本发明所提供的技术方案为:一种基于深度学习的白质纤维束重建方法,包括以下步骤:

  2)输入图像信号稀疏性特征到卷积神经网络的训练分类器中,分类结果向前预测输出;

  3)将步骤2)中获得的预测输出结果与相应的理想输出结果进行对比,获得分类误差;

  4)将步骤3)中获得的分类误差反向传播,以减小预测输出与理想输出间的误差,训练出最佳的网络模型,然后再根据所述分类误差重新调整卷积神经网络的训练分类器;

  5)反复迭代步骤2)至步骤4),对多个训练样本图像进行多次训练,直到所述分类误差小于预定值,此时的模型就是训练好的白质纤维束重建的网络模型;

  6)把测试样本集图像中的信号稀疏性特征输入到步骤5)中获得的训练好的网络模型中,得到最终的预测结果;

  7)采用连续曲线)中获得的结果描述成白质纤维的走向和分布,构建三维白质纤维束。

  在步骤1)中,采用压缩感知理论提取图像中信号稀疏性特征,该压缩感知理论的三个要素是信号的稀疏变换、系数信号的非相关测量及稀疏信号的重建算法,此算法用低速率对信号随机稀疏采样,通过在变换空间建立新的信号描述和处理理论框架,根据先验知识直接重构出图像。

  压缩感知理论能够在不破坏原始信号信息的情况下,拾取信号的一部分信息(这部分信息足以代表原信号),能够精确的恢复原信号,有效的去除图像中冗余的特征。

  在步骤2)中,定义一个卷积神经网络的分类器由多层感知器(Multilayer Perceptron,MLP)和SOFTMAX构成,其特征映射结构采用影响函数核小的sigmoid函数作为卷积网络的激活函数,使得特征映射具有位移不变性;所述的卷积神经网络是一种有监督的深度学习方法,它是一个多层的神经网络,卷积网络在本质上是一种输入到输出的映射,它能够学习大量的输入与输出之间的映射关系,北京快3而不需要任何输入和输出之间的精确的数学表达式,只要用已知的模式对卷积网络加以训练,网络就具有输入输出对之间的映射能力。

  这里表示第n个样本对应的第k个标签输出,表示第n个样本对应的网络输出的第k个输出。

  2、直接在样本图像的频域空间提取图像信号稀疏性特征,提高了三维重建的准确率。

  本实施例所提供的基于深度学习的白质纤维束重建方法,主要包括两个过程。第一个过程为模型训练过程,通过训练大量的样本图像获取网络模型;第二个过程是将训练好的网络模型用于预测过程,完成白质纤维束的三维重建。

  1)提取训练样本集图像中信号稀疏性的特征,具体是采用压缩感知(compressive sensing,CS)理论提取图像中信号稀疏性特征。CS理论的三个要素是信号的稀疏变换、系数信号的非相关测量及稀疏信号的重建算法,此算法用较低的速率对信号随机稀疏采样,通过在变换空间建立新的信号描述和处理理论框架,根据先验知识直接重构出图像。

  压缩感知理论能够在不破坏原始信号信息的情况下,拾取信号的一部分信息(这部分信息足以代表原信号),能够精确的恢复原信号,有效的去除图像中冗余的特征。

  2)输入图像信号稀疏性特征到卷积神经网络的训练分类器中,分类结果向前预测输出;其中定义一个卷积神经网络的分类器由多层感知器(Multilayer Perceptron,MLP)和SOFTMAX构成,其特征映射结构采用影响函数核小的sigmoid函数作为卷积网络的激活函数,使得特征映射具有位移不变性。所述多层感知器采用2-3个全连接层。

  所述卷积神经网络(convolutional neural network,CNN)是一种有监督的深度学习方法,它是一个多层的神经网络。卷积网络在本质上是一种输入到输出的映射,它能够学习大量的输入与输出之间的映射关系,而不需要任何输入和输出之间的精确的数学表达式,只要用已知的模式对卷积网络加以训练,网络就具有输入输出对之间的映射能力。这种网络结构对平移、比例缩放、倾斜或者共他形式的变形具有高度不变性。

  3)将步骤2)中获得的预测输出结果与相应的理想输出结果进行对比,获得分类误差,其中对于第n个样本的分类误差En,表示为

  这里表示第n个样本对应的第k个标签输出,表示第n个样本对应的网络输出的第k个输出。

  4)将步骤3)中获得的分类误差反向传播,以减小预测输出与理想输出间的误差,训练出最佳的网络模型,然后再根据所述分类误差重新调整卷积神经网络的训练分类器;

  5)反复迭代步骤2)至步骤4),对多个训练样本图像进行多次训练,直到所述分类误差小于预定值,此时的模型就是训练好的白质纤维束重建的网络模型;

  6)把测试样本集图像中的信号稀疏性特征输入到步骤5)中获得的训练好的网络模型中,得到最终的预测结果;

  7)采用连续曲线)中获得的结果描述成白质纤维的走向和分布,构建三维白质纤维束。

  以上所述之实施例子只为本发明之较佳实施例,并非以此限制本发明的实施范围,故凡依本发明之形状、原理所作的变化,均应涵盖在本发明的保护范围内。

联系信息

电话:400-0731618

邮箱:3979828@qq.com

地址:河南省信阳市汽车站龙祥大厦33楼22号

联系我们

若您有合作意向,请您使用以下方式联系我们,您给我们多大的信任,我们给您多大的惊喜!

Copyright ©2015-2020 北京快3平台-官网平台 版权所有 北京快3保留一切权力!