技术摘要：
本发明提供一种基于深度学习的脑梗死分类方法。本发明利用深度学习的概念采用网络并行计算不同任务，对网络提取到的特征在后续的特征层进行特征的融合，从而利用融合特征进行脑梗死方面的分类。该方法不仅利用CT和MR信息可以互相补足的特征，对信息进行充分利用，同时  全部
背景技术：
脑梗死又称缺血性卒中，中医称之为卒中或中风。本病系由各种原因所致的局部 脑组织区域血液供应障碍，导致脑组织缺血缺氧性病变坏死，进而产生临床上对应的神经 功能缺失表现。脑梗死依据发病机制的不同分为脑血栓形成、脑栓塞和腔隙性脑梗死等主 要类型。其中脑血栓形成是脑梗死最常见的类型。 而由于医学领域目前研究人员仍采用传统算法对图像进行分析处理，即便能够满 足医学处理的精度需求，但是十分的费时费力，需要多位专家人员对图像进行分析研究由 于脑卒中的多样性，评估组织损伤必须需要准确数据模型，深度学习算法在这一领域显示 出了潜力，因为它们能够在大数据环境下捕获复杂的图像特征，同时对显著水平的噪声保 持鲁棒性。
技术实现要素：
针对现有技术中存在的不足，本发明提供一种基于深度学习的脑梗死分类方法。 本发明的目的是利用深度学习的概念采用网络并行计算不同任务，对网络提取到的特征在 后续的特征层进行特征的融合，从而利用融合特征进行脑梗死方面的分类。该方法不仅利 用CT和MR信息可以互相补足的特征，对信息进行充分利用，同时在后续的特征层上进行融 合，去除冗余信息，减少计算机的计算资源，并且提升了脑梗死检测精度。 为达上述目的，本发明所采用的技术方案为： 一种基于深度学习的脑梗死分类方法，步骤如下： 步骤(1)、数据预处理 首先通过具有脑梗死诊断经验的医生选取脑梗死CT以及MR的DICOM医学图像，并 且选取MR和CT各1000张正常的脑图像作为对照，构成初期的训练数据集，另挑选MR和CT图 像各250张，其中脑正常和脑梗死的比例也为1:1，构成初期的测试集； 对获得的DICOM医学图像数据进行预处理，从DICOM医学图像中提取信息得到JPG 格式图片，得到脑梗死MR和CT的JPG图，将图像大小统一为512*512，并且将脑梗死图像标记 为1，脑正常图像标记为0，从而得到训练数据集以及测试数据集； 步骤(2)、将训练数据集输入到深度残差网络中训练网络参数，其中CT图像为一组 训练，MR为一组训练，在经过部分残差网络卷积后进行特征相加得到新的特征之后，输入到 残差网络的全连接层进行特征叠加，保存调整后的参数，得到脑梗死识别模型； 步骤(3)、对步骤(1)预处理后的测试数据集输入脑梗死识别模型中进行识别，得 到识别结果。 进一步地，步骤(2)中所述深度残差网络包括两个部分残差网络、一全连接层和一 3 CN 111612739 A 说　明　书 2/4 页 输出层；所述的部分残差网络包括一输入层、一初始卷积层和多个残差模块，其中一个部分 残差网络训练MR图像，另一个部分残差网络训练CT图像； 所述初始卷积层对原始训练数据进行卷积提取抽象化特征； 所述多个残差模块一方面用于对初始卷积层提取的抽象化特征进行再一次提取， 精炼为更加具体并且具有代表性的特征，另一方面用于防止因网络深度增加所引起的梯度 爆炸和梯度消失现象的产生； 所述特征叠加方式即将卷积后得到的CT和MR图像的特征进行权重的相加，而不是 通道的扩展； 所述全连接层包括多个节点，用于将特征相加后的特征进行进一步组合，用于后 续分类。 更进一步地，所述每个残差模块分为一条主径和一条捷径，主径用于特征的进一 步压缩提取，捷径用于保证残差网络学习恒等函数非常容易，从而保证网络的性能不会受 到影响； 更进一步地，在第一个残差模块前存在一个pooling最大池化操作，用于特征维度 的压缩以减少过拟合现象的产生；在每个残差块中存在卷积，池化以及Ba t c h  Normaliztion批量归一化，提高训练速度以及准确度，其中批量归一化即减均值除方差，把 每一层的输出均值和方差规范化，将输出从饱和区拉倒了非饱和区(导数)，解决了梯度消 失问题。 与现有技术相比，本发明具有以下特点： 第一，本发明针对的是脑梗死以及脑正常的医学图像分类，对CT和MR图像同时进 行学习，并且由于MR图像包含大部分CT信息，所以在数据集构建上包含MR和CT图像，在图像 格式上采用更为广泛的JPG格式的图片来做分析，在适用上具有很强的广泛性。 第二，传统的脑梗死研究主要集中于其机制的研究，对于脑正常以及脑梗死的分 类受限于传统算法并没有过多深入的研究，并且只是局限于单一模态的学习，在信息层面 上提取到的信息并不充分，本发明采用CT和MR信息互补，同时学习两大医学图像的特征信 息，并且进行特征的融合，以提取到对脑梗死以及脑正常更加具有代表性的特征。 第三，传统的医学图像识别是基于传统的算法包括隐马尔可夫链，基于几何特征 的算法以及经典的机器学习算法例如支持向量机来用做图像的分类，但是其缺点十分明 显，一方面传统算法极大程度依赖于的人工提取的特征，并且数据的计算十分复杂，特征的 提取也是在人工提取的特征上进行精炼，从而降低了训练所得模型的泛化能力，除此之外， 在模型的准确率难以达到要求，并且目前对于脑梗死以及脑正常图像的研究，针对于深度 学习来说，大多数采用单一的网络进行研究学习，而对于本发明采用的对图像进行并行计 算并且在全连接层之前进行特征的融合以提取到高层次具体化的特征即将CT和MR图像同 时但分别输入到架构好的两组网络中进行训练，并且通过卷积、池化等操作对CT和MR图像 进行特征的并行提取，将学习到的特征一步步具象化，学习得到层次化的特征表示，不局限 于人所定义的特征，从而更加有利于不仅对于脑梗死的分类有所提升，并且在普通疾病分 类检测方面也有研究的潜力，对于模型的泛化能力的表现也优于传统算法。 4 CN 111612739 A 说　明　书 3/4 页 附图说明 图1是本发明方法的流程图； 图2是本发明网络的总体结构图； 图3是本发明一实施例的残差模块内部结构示意图。