本發(fā)明涉及多發(fā)性硬化病灶的檢測及分類方法，具體為基于卷積神經網絡的多發(fā)性硬化病灶檢測及分類方法。
背景技術：
多發(fā)性硬化是中樞神經系統(tǒng)最常見的自免疫性疾病。全世界超過200萬病人，約萬分之三發(fā)病率。多發(fā)性硬化的地域差異明顯，高寒地區(qū)的發(fā)病率明顯比熱帶地區(qū)發(fā)病率高。雖然我國目前沒有權威的發(fā)病率數(shù)據(jù)，但是近30年來，我國罹患多發(fā)性硬化的病人逐年增高。迄今為止，多發(fā)性硬化的具體病因不明，目前普遍認為是由遺傳，環(huán)境，自身免疫系統(tǒng)，以及病毒感染導致。由于臨床表現(xiàn)多樣，多發(fā)于青壯年，具有高復發(fā)，高致殘的特點，對病人個體家庭以及國家和社會資源的壓力很大，因此多發(fā)性硬化癥的診斷和治療受到越來越多的關注。由于沒有有效的根治手段，當今的治療方法主要著眼于降低疾病發(fā)展和擴張的速度，減少復發(fā)次數(shù)和頻率，控制新出現(xiàn)的病灶，從而減緩疾病的發(fā)展，提高患者的生存質量。
核磁共振成像良好的軟組織分辨能力成為診斷多發(fā)性硬化最常用也是最重要的成像手段。多發(fā)性硬化所導致的髓鞘脫落缺損以及軸束損傷在傳統(tǒng)核磁共振成像方法中均能顯示。
深度學習在wikipedia中被定義為“一組針對具有多層輸入結構模型而設計的機器學習算法”(set of algorithms in machine learning that attempt to learn layered models of inputs)。其中所指的具有多層輸入結構的模型，主要指深層神經網絡，即包含多個隱藏層的人工神經網絡。卷積神經網絡是一種構造多層神經網絡的機器學習方法，具有發(fā)現(xiàn)數(shù)據(jù)中隱藏的分布式特征表示的能力。卷積神經網絡是近年來廣泛應用在模式識別、圖像處理領域的一種高效識別算法具有簡單結構、訓練參數(shù)少和適應性強的特點。它的權值共享網絡結構使之更類似與生物神經網絡降低了網絡的復雜度，減少了權值的數(shù)量。以二維圖像直接作為網絡的輸入避免了傳統(tǒng)是被算法中復雜的特征提取和數(shù)據(jù)重建過程。卷積神經網絡是為識別二維形狀特殊設計的一個多層感知器這種網絡結構對于平移、比例縮放、傾斜和其他形式的變形有著高度的不變形。
卷積神經網絡主要用于識別位移、縮放及其它形式扭曲不變形的二維圖像。由卷積神經網絡的特征檢測層通過訓練由于同一特征平面上的神經元權值相同所以網絡可以并行學習這種以局部權值共享的特殊結構在語音識別和圖像處理方面具有獨特的優(yōu)越性使其布局更類似于生物神經網絡。卷積神經網絡較一般神經網絡在圖像識別方面有如下優(yōu)點：1、以二維圖像為網絡的直接輸入減少了復雜特征提取和數(shù)據(jù)重建等計算過程。2、輸入圖像和網絡的拓撲結構能有很好的吻合。3、特征提取和模式分類同時進行并在訓練中產生。4、權值共享可以很大程度上減少網絡訓練參數(shù)是網絡結構的適應性更強。
目前卷積神經網絡已經被廣泛應用于二維圖像處理、模式識別、機器視覺等領域并能很好地解決相關問題。多發(fā)性硬化是最常見的自免疫性疾病之一，準確診斷患病與否是治療該疾病的前提。深度學習是一種構造多層神經網絡的機器學習方法，具有發(fā)現(xiàn)數(shù)據(jù)中隱藏的分布式特征表示的能力。針對腦電信號（MRI圖像），本發(fā)明提出了一種無監(jiān)督的卷積神經網絡對腦部MRI圖像進行訓練與識別，通過檢測腦部白質纖維素髓鞘的缺失狀況，以達到根據(jù)腦電信號中是否存在白質纖維素髓鞘的缺失，幫助醫(yī)護人員對腦白質疾病的診斷、判斷受試者是否患有多發(fā)性硬化的目的。
技術實現(xiàn)要素：
本發(fā)明的主要目的是引入了深度學習的手段，克服了傳統(tǒng)的醫(yī)護人員通過依靠圖像體像素點的大小和多少來估算白質纖維素的大小的缺點，提供的一種基于基于卷積神經網絡的多發(fā)性硬化病灶檢測及分類方法，幫助醫(yī)護人員完成對多發(fā)性硬化病灶的判斷。
本發(fā)明是采用如下的技術方案實現(xiàn)的：基于卷積神經網絡的多發(fā)性硬化病灶檢測及分類方法，包括以下步驟：
（1）通過核磁共振儀獲得所需的腦電信號，包括存在白質纖維素髓鞘缺失的腦電信號和不存在白質纖維素髓鞘缺失的腦電信號；
（2）利用平滑濾波器對腦電信號進行濾波處理，去除腦電信號中的噪聲；
（3）取不存在白質纖維素髓鞘缺失的腦電信號、存在白質纖維素髓鞘缺失的腦電信號作為訓練樣本，對每個訓練樣本白質纖維素髓鞘部分進行標記，將標記好的腦電信號輸入到卷積神經網絡中，對其進行訓練；
（4）取待分類的腦電信號對其進行濾波處理，同時對待分類的腦電信號的白質纖維素髓鞘部分進行標記，將標記好的待分類的腦電信號輸入到卷積神經網絡中，由輸出結果得出該腦電信號屬于哪一種類型，即存在白質纖維素髓鞘缺失的和不存在白質纖維素髓鞘缺失的兩種信號中的一種。
本發(fā)明通過核磁共振儀獲得所需的腦電信號，包括存在白質纖維素髓鞘缺失的和不存在白質纖維素髓鞘缺失的兩種源信號，然后采用平滑濾波器對已采集到的腦電信號進行濾波去噪。對經過濾波器處理的腦電信號進行標記，這一步工作主要由有經驗的醫(yī)護人員進行完成，然后將標記好的腦電信號輸入到卷積神經網絡中（本發(fā)明選擇的是caffe中的AlexNet框架），用卷積層提取特征，池化層對提取的特征進行壓縮，經過反復的卷積與池化得到魯棒性很高的特征，然后將特征輸入到全連接層。利用大量的數(shù)據(jù)對全連接層網絡進行訓練，隨機設定初值，計算當前網絡的輸出，然后根據(jù)當前網絡輸出與label之間的差值去改變前面各層的參數(shù)直至收斂，這樣一個卷積神經網絡就訓練好了，然后利用訓練好的卷積神經網絡對新輸入的腦電信號進行分類，幫助醫(yī)護人員完成對多發(fā)性硬化病灶的判斷。
附圖說明
圖1為本發(fā)明的流程圖。
具體實施方式
基于卷積神經網絡的多發(fā)性硬化病灶檢測及分類方法，包括以下步驟：
（1）通過核磁共振儀獲得所需的腦電信號，包括存在白質纖維素髓鞘缺失的腦電信號和不存在白質纖維素髓鞘缺失的腦電信號；
（2）利用平滑濾波器對腦電信號進行濾波處理，去除腦電信號中的噪聲；
（3）取不存在白質纖維素髓鞘缺失的腦電信號、存在白質纖維素髓鞘缺失的腦電信號作為訓練樣本，對每個訓練樣本白質纖維素髓鞘部分進行標記，將標記好的腦電信號輸入到卷積神經網絡中（選用caffe中的AlexNet框架），對其進行訓練；
（4）取待分類的腦電信號對其進行濾波處理，同時對待分類的腦電信號的白質纖維素髓鞘部分進行標記，將標記好的待分類的腦電信號輸入到卷積神經網絡中，由輸出結果得出該腦電信號屬于哪一種類型，即存在白質纖維素髓鞘缺失的和不存在白質纖維素髓鞘缺失的兩種信號中的一種。