一種基于深度學習的磁共振影像特征提取及分類方法
【專利摘要】本發明提供了一種基于深度學習的磁共振影像特征提取及分類方法，包括：S1納入磁共振圖像并對其進行預處理操作和特征映射操作；S2構建包括輸入層、多個卷積層、至少一個池化層/下采樣層以及全連接層的多層卷積神經網絡，其中，卷積層和池化層/下采樣層依次交替設于輸入層和全連接層之間，且卷積層的數量比池化層/下采樣層的數量多1；S3使用步驟S2構建的多層卷積神經網絡對磁共振圖像進行特征提取；S4將步驟S3輸出的特征向量輸入Softmax分類器中，對磁共振圖像的疾病屬性做出判斷。其通過多層卷積神經網絡的非線性映射，自動得到高度可分的特征/特征組合用于分類，并且可以不斷優化網絡結構得到更好的分類效果。
【專利說明】
一種基于深度學習的磁共振影像特征提取及分類方法
技術領域
[0001] 本發明涉及醫學數據處理技術領域，尤其涉及一種磁共振影像特征提取及分類方法。
【背景技術】
[0002] 磁共振成像是一種高分辨率、無損傷、解剖結構顯示清楚的醫學成像技術，因此磁 共振成像技術在醫療診斷過程中起了重要的作用，尤其在腦組織相關的疾病診斷和研究中 得到了廣泛的應用。近十年以來，對于非腦組織/結構損傷的神經、精神疾病的診斷，磁共振 成像(MRI，Magnetic Resonance Imaging)作為神經影像中一種重要的腦成像方法，也已被 廣泛地用于認知神經科學和腦疾病的研究中。
[0003] 多元模式分類分析(MVPA，Multi_voxel Pattern Analysis)等機器學習算法常被 用于識別人腦磁共振圖像中的空間模式，實現大腦狀態的解碼，或者對健康和患病腦的區 分。常見的分類過程中，首先需要對不同模態磁共振圖像進行特征映射(如，針對結構像T1 的全腦灰質體積特征映射圖、針對彌散張量圖像的FA圖、針對靜息態磁共振圖像的ALFF圖 等），之后選取區分度較高的特征值(選取某個特征映射圖的部分或者全部)組成特征向量 作為分類器的輸入，使用改進的分類器對其進行分類。通常來說，在特征向量數據優化和分 類器參數尋優的條件下，可以取得不錯的分類效果（文獻報道的分類準確率范圍集中在 65%~85%)，但還達不到臨床應用或接近于臨床實用的水平。
[0004] 傳統使用MVPA等機器學習算法對磁共振圖像分類的過程中，需要人工選擇特征輸 入，而人工選定的輸入特征跟人的經驗有很大關系，致使分類效果一直未得到有效突破，與 臨床實際使用還有較大差距。
【發明內容】
[0005] 針對上述問題，本發明旨在提供一種基于深度學習的磁共振影像特征提取及分類 方法，有效解決了傳統的磁共振圖像分類過程中需要人工選擇特征輸入致使分類精度不高 的問題，其通過多層卷積神經網絡的非線性映射，自動得到高度可分的特征/特征組合用于 分類，并且可以不斷優化網絡結構得到更好的分類效果。
[0006] 本發明提供的技術方案如下：
[0007] -種基于深度學習的磁共振影像特征提取及分類方法，包括：
[0008] S1納入磁共振圖像并對其進行預處理操作和特征映射操作；
[0009] S2構建一個包括輸入層、多個卷積層、至少一個池化層/下采樣層以及全連接層 的多層卷積神經網絡，其中，所述卷積層和所述池化層/下采樣層依次交替設于所述輸入層 和所述全連接層之間，且所述卷積層的數量比所述池化層/下采樣層的數量多1;
[0010] S3使用步驟S2構建的所述多層卷積神經網絡對步驟S1中經預處理和特征映射后 的磁共振圖像進行特征提取；
[0011] S4將步驟S3中所述多層卷積神經網絡輸出的特征向量輸入Softmax分類器中，對 納入到的磁共振圖像的疾病屬性做出判斷。
[0012]在本技術方案中，步驟S2中構建的多層卷積神經網絡中卷積層和池化層/下采樣 層的數量根據實際情況進行確定，對多卷積神經網絡中的層次進行適當的擴展或縮減。當 訓練樣本數量較多時，可適當增加卷積層和池化層/下采樣層的數量;當訓練樣本數量較少 時，可適當減少卷積層和池化層/下采樣層的數量。
[0013]進一步優選地，在步驟S1中具體包括：
[0014] S11輸入標準格式磁共振圖像，并進行格式變換；
[0015] S12對步驟S11中變換格式后的磁共振圖像進行濾波處理、去噪處理、分割處理、 時間校正處理、配準處理、重采樣處理以及平滑處理等；
[0016] S13將步驟S12中預處理操作之后的磁共振圖像在標準空間內進行特征映射，得 到標準空間內的特征映射圖。
[0017] 在本技術方案中，步驟S12中我們只是示例性的給出了7種對磁共振圖像進行預處 理的步驟，常規預處理步驟多達20~30項，這里我們不一一列舉。
[0018]進一步優選地，在步驟S3中具體包括：
[0019] S31輸入訓練樣本集，采用無監督學習方法預訓練所述多層卷積神經網絡中各層 的節點參數，實現訓練樣本集的特征提取；
[0020] S32輸入步驟S1中的磁共振圖像數據集，采用有監督學習方法對步驟S22中多層 卷積神經網絡中各層的節點參數進行微調訓練，實現步驟S22中提取的特征的微調。
[0021] 在本技術方案中，在步驟S31中的無監督學習過程是多層卷積神經網絡中各層節 點參數從無到有的一個過程，故這里輸入的訓練樣本集可以為標準數據集，也可以為納入 的特定磁共振圖像數據集，我們對該過程中輸入的訓練樣本集不做具體限定。
[0022] 進一步優選地，在步驟S32中，所述多層卷積神經網絡中各層神經元的連接權值 whj的微調過程為：
[0024]
為當輸入為（xk，yk) 時的輸出值，為第k個訓練樣本對應的第j個輸出，η為給定學習率。
[0025] 進一步優選地，在步驟S32中，所述多層卷積神經網絡中第I層卷積層后接第1+1層 池化層，則第1+1層卷積層的誤差求取方法如下：
[0027] 其中，為第1 + 1層池化層的誤差敏感項，δ1,為第I層卷積層的誤差敏感項， li(aj)1為第I層卷積層對應的第j個神經元激發函數的導數，符號?為矩陣點乘操作。
[0028] 進一步優選地，在步驟S32中，所述多層卷積神經網絡中第I層池化層后接第1+1層 卷積層，則第1+1層池化層的誤差求取方法如下：
[0030]其中，為第I層池化層的誤差敏感項，δ^1為第1+1層卷積層的誤差敏感項，Μ為第 1+1層卷積層中特征數量，κυ為卷積核，符號*為離散卷積操作。
[0031]進一步優選地，在步驟S4中具體包括：
[0032] S41對步驟S3輸出的特征進行局部歸一化處理和過擬合處理；
[0033] S42將經過局部歸一化處理和過擬合處理輸出的特征向量輸入Softmax分類器 中，對納入到的磁共振圖像的疾病屬性做出判斷。
[0034]進一步優選地，在步驟S41中，對步驟S3輸出的特征進行局部歸一化處理具體包括：
[0036] 其中，為核i在(X，y)處的神經元，N為某一層中核的總數。
[0037] 進一步優選地，在步驟S3和步驟S4中，使用隨機梯度下降算法優化參數：
[0041]其中，h(x)為目標函數，J(0)為損失函數，α為算法的學習速率，Θ。為Θ的最終更迭 參數，j為參數的個數，m為訓練樣本集的記錄條數。
[0042]本發明提供的基于深度學習的磁共振影像特征提取及分類方法，能夠帶來以下有 益效果：
[0043] 本發明提供的磁共振影像特征提取及分類方法中，在多層卷積神經網絡對輸入的 磁共振圖像進行了特征提取（即得到卷積和池化特征)之后，讓多層卷積神經網絡自己學習 挑選輸入的特征組合得到特征向量給分類器分類以得到最好的分類效果。相較于傳統的人 工選擇輸入特征、經過組合后得到一個輸出特征向量后給分類器進行分類更智能化，實現 更加精確地分類效果。且在該多層卷積神經網絡中將特征提取部分和分類識別部分銜接在 一起，其中特征學習部分隱式進行，大部分集中在該多層卷積神經網絡的中間隱含層，即在 訓練訓練樣本集的同時，進行特征學習，免去了繁瑣的手動提取特征和設計特征的過程，簡 化了流程，節約時間。
[0044] 再有，在本發明中，在多層卷積網絡中各層之間（前神經元和下一級輸入神經元之 間)進行特征映射時，為了提高并行訓練的速度，給當前層神經元設置相同的權重，這樣，產 生的過程參數大大減小，增大了該多層卷積神經網絡的靈活性和可擴展性。尤其對于輸入 的磁共振圖像是多維向量的情況，減少了在特征提取以及分類過程中，數據重建帶來的復 雜度，對于大規模圖像識別任務，這個特點很實用。
[0045] 最后，在本發明中，采用使用隨機梯度下降算法優化樣本訓練過程中的參數，且訓 練樣本讀取過程是隨機的，讀取一次訓練樣本，更新一次權值，而不是等所有訓練樣本 m全 部讀完，大大降低了算法的復雜度。這樣，當m很大時，如100萬時，有可能在讀取了幾千條之 后函數已收斂，隨機梯度下降算法的使用是的使得J(0)快速收斂，適合訓練樣本集較大的 訓練過程。
【附圖說明】
[0046] 下面將以明確易懂的方式，結合【附圖說明】優選實施方式，對上述特性、技術特征、 優點及其實現方式予以進一步說明。
[0047] 圖1為本發明中基于深度學習的磁共振影像特征提取及分類方法的流程示意圖；
[0048] 圖2為本發明中多層卷積神經網絡示意圖；
[0049] 圖3為本發明具體實施例中偏頭痛患者磁共振圖像數據的分類流程圖；
[0050] 圖4為本發明具體實施例中該多層卷積神經網絡對提取出來的特征進行有監督學 習過程示意圖。
【具體實施方式】
[0051] 圖1為本發明提供的基于深度學習的磁共振影像特征提取及分類方法的流程示意 圖，從圖中可以看出，在該磁共振影像特征提取及分類方法包括:S1納入磁共振圖像并對其 進行預處理操作和特征映射操作；S2構建一個包括輸入層、多個卷積層、至少一個池化層/ 下采樣層以及全連接層的多層卷積神經網絡，其中，卷積層和池化層/下采樣層依次交替設 于輸入層和全連接層之間，且卷積層的數量比池化層/下采樣層的數量多1;S3使用步驟S2 構建的多層卷積神經網絡對步驟S1中經預處理和特征映射后的磁共振圖像進行特征提取； S4將步驟S3中多層卷積神經網絡輸出的特征向量輸入Softmax分類器中，對納入到的磁共 振圖像的疾病屬性做出判斷。
[0052]具體來說，在步驟S1中具體包括:S11輸入標準格式磁共振圖像，包括各模態/多模 態磁共振圖像數據，并進行格式變換，作為輸入數據;S12對步驟S11中納入到的磁共振圖像 進行濾波處理、去噪處理、分割處理、配準處理、重采樣處理以及平滑處理等;S13將步驟S12 中預處理操作之后的磁共振圖像在標準空間內進行特征映射，以將原始磁共振圖像轉換成 每個像素代表某一特征值的特征映射圖。
[0053]在步驟S2中構建的多層卷積神經網絡中卷積層和池化層/下采樣層的數量根據訓 練樣本的大小進行確定，在這里我們并不做具體限定。如，在一個具體實施例中，可以構建 一個包括輸入層I、卷積層C1、池化層/下采樣層S1、卷積層C2、池化層/下采樣層S2、卷積層 C3以及全連接層的多層卷積神經網絡。在另一各具體實施例中，可以構建一個包括輸入層 I、卷積層C1、池化層/下采樣層S1、卷積層C2、池化層/下采樣層S2、卷積層C3、池化層/下采 樣層S4、卷積層C4以及全連接層的多層卷積神經網絡。在上述具體實施例中，我們構建的多 層卷積神經網絡分別包括了 3個卷積層、2個池化層/下采樣層和4個卷積層、3個池化層/下 采樣層，在其他實施例中，還可以包括5個卷積層、4個池化層/下采樣層甚至更多，原則上來 說，只要構建的多層卷積神經網絡中，卷積層的數量比池化層/下采樣層數量多1，且卷積層后 接于輸入層，同時卷積層和數量比池化層/下采樣層交替設置，都包括在本發明的內容中。 [0054]可以看出，在構建的多層卷積神經網絡中，隱含層的核心部分由卷積層和池化層 交替迭代組成。在一個實施例中，如圖2所示，假定靜息態功能磁共振(Rs-fMRI)圖像大小為 1X1，卷積濾波器Filter尺寸大小為F1*F1，輸出i個特征圖（如圖示中的Ml、M2、……、Mi)， 則其和原始I X I的Rs-fMRI圖像進行二維圖像卷積產生輸出圖像為g(x，y) =f (x，y)*C(u, 4，其中以^1?1圖像的二維數字圖像用汽^7)表示，二維卷積函數用(：(1 1^)。以此得到1個 |/^]/[大小的卷積層(：01^1，其中，1 = 1-?1+1，具體得到的輸出特征圖為：
[0056]其中，Μ」表示被選擇的輸入的磁共振圖像集，b表示每個輸出特征圖的額外偏置。 [0057]之后，在卷積層Convl后接池化層Pooll，我們知道，池化層能夠對一定鄰域或范圍 內通過對鄰域內特征值的最大值對不同特征進行特征維數的縮放。在該實施方式中，池化 層Pooll的池化步進尺寸Pool Size大小為m，即將mXm的像素池化到一個像素，得到i個PX P大小的池化層輸出特征圖（如圖示中的P1、P2、……、Pi)，其中，P=M/m。經過池化層Poo 11 之后的統計特征，跟池化之前的特征相比，維度降低了很多，有效抑制了過擬合現象。
[0058] 接著，池化層Pool 1后繼續接卷積層Conv2(得到NX N個卷積層，如圖示中的N1、 N2、......、Nj)，卷積層Conv2與卷積層Convl相比，只是輸出層個數和卷積核濾波器大小不 同。同理，卷積層Conv2后接的池化層Pool2，與池化層Pool 1相比，只是池化步進尺寸大小不 同，以此卷積層和池化層相互交迭之后接全連接層FC，具體該全連接層FC的輸入是卷積和 池化層的輸出，映射成η維向量，全連接層FC后再接Softmax分類層，輸出的每一維都是圖像 屬于該類別的概率，完成對輸入的磁共振圖像疾病屬性的判斷。
[0059] 通過上述方法構建好了多層卷積神經網絡之后，如步驟S31中所述，采用無監督學 習方法確定多層卷積神經網絡中各神經網絡節點的參數。具體在該訓練過程中，首先訓練多 層卷積神經網絡中的第一層，再將第一層訓練好的隱含結點作為第二層的輸入結點，這樣依 次完成各層的預訓練。預訓練之后，為了更好的學習特征，再以監督學習的方式(與預訓練過 程的方向相反，通過帶標簽的數據訓練，使得誤差自向后傳遞)對該多層卷積神經網絡進行微 調，具體如步驟S32所述，對于訓練例( Xk，yk)，假定輸出為1=(對,窮,...,對)，那么誤差為：
[0061] 其中，為第k個訓練樣本對應的第j個輸出。
[0062] 基于此，該多層卷積神經網絡在預訓練的過程中，有超過允許范圍的誤差就要在 有監督學習的過程中進行節點參數微調，我們以隱含層到輸出層的連接權值的推導為 例進行說明。對誤差E k給定學習率II，則連接權值ω 的微調如下：
[0064]另外，在多層卷積神經網絡中，如果第I層為卷積層，第1+1層為池化層，用g+1表示 第1+1層池化層的誤差敏感項，用g表示第I層卷積層的誤差敏感項，則第1+1層卷積層的誤 差求取方法如下：
[0066] 其中，hKaj'為第I層卷積層對應的第j個神經元激發函數的導數，符號?為矩陣 點乘操作。
[0067] 相應的，在多層卷積神經網絡中，如果第I層為池化層，且該池化層中對應N個通 道，N個特征值;第1+1層為卷積層，包含Μ個特征，則第I層每個通道的誤差敏感項為第1+1層 的所有特征核對應的貢獻之和。當第1+1層中第j個特征核對應第I層中第i個通道，則第1+1 層池化層的誤差求取方法如下：
[0069] 其中，Μ為第1+1層卷積層中特征數量，Kij為卷積核，符號*為離散卷積操作，在具體 實施例中，在該多層卷積神經網絡中，池化層默認為線性激發函數。具體，池化針對過擬合 問題，對一定鄰域或范圍內的不同特征進行特征維數的縮放，特征維數縮放算法通常是取 鄰域內特征值的最大或者均值。如，Aj = a(l，. . .，n)j = Pooling(Xj);其中Aj是池化之后的 輸出，alj是輸出后第1個特征向量的激活值。
[0070] 我們知道，泛化對于多層卷積神經網絡的訓練來說較為關鍵，而局部歸一化有助 于泛化。因此，在步驟S4中，首先對步驟S3輸出的特征進行局部歸一化處理和過擬合處理 (步驟S41);隨后再將經過局部歸一化處理和過擬合處理輸出的特征向量輸入Softmax分類 器中，對納入到的磁共振圖像的疾病屬性做出判斷(步驟S42)。
[0071] 具體，在步驟S41中，對步驟S3輸出的特征進行局部歸一化處理包括：
[0073] 其中，a'w為核i在(X，y)處的神經元，N為某一層中核的總數。要說明的是，在該多 層卷積神經網絡中的任一層中，特征核的順序是任意的，并在訓練開始時就已被決定，上述 局部歸一化實現了一種單側抑制的形式，這種單側抑制來源于真實的神經元，并為神經元 輸出中的大型活動創造競爭條件，這些神經元的輸出值是由不同核計算得到的。
[0074] 另外，在整個網絡訓練過程中，為了防止參數的過擬合，每次給定輸入訓練樣本之 后，雖然多層卷積神經網絡的訓練樣本呈現出不同的結構，但是所有結果都共享權重，這樣 就大大降低了神經元的復雜協同適應性，神經元之間不相互依賴，通過有用地結合其它許 多不同神經元的隨機子集，被迫學習更強大的功能。又，在整個網絡訓練過程中，為了防止 網絡參數陷入局部最優而非全局最優，我們使用隨機梯度下降算法優化參數：
[0076]其中，h(x)為目標函數，xo=l，由上式子可知，求h(x)實則演變為求參數θτ。為了確 定07效果好壞，使用損失函數J(0)評估h(X)函數的性能好壞，該錯誤函數如下式所示：
[0080] 其中，α為算法的學習速率，j為參數的個數，m為訓練樣本集的記錄條數。
[0081] 在一個具體實施例中：我們以某醫院偏頭痛患者和健康對照組的磁共振圖像為 例，其中，健康對照組用HC表示，共21人;偏頭痛患者用MIG表示，共47人(其中，有CA癥狀的 用MCA表示，共20人;無 CA癥狀的用MNCA表示，共27人）。
[0082] 數據預處理用SPM8軟件，基于上述對多卷積神經網絡的描述，在處理過程中，先將 原始的DIC0M類型數據進行格式轉換；去除前10個時間點；時間層校正；頭動校正且校正誤 差控制在2mm內；空間標準化;平滑處理。
[0083] 預處理完成之后，如圖3所示，將納入到的磁共振圖像Rs-fMRI在構建好的多層卷 積神經網絡模型(CNN網絡模型）中進行特征提取，以無監督學習的方式對其進行預訓練;之 后，為了更好的學習特征，再以監督學習的方式（帶有標簽數據），進行微調，以提高對Rs-fMRI 圖像的識別準確率，如圖 4 所示為該多層卷積神經網絡對提取出來的特征進行有監督 學習過程的示意圖，其向下生成底層，同時修改在無監督訓練時，底層向高層傳遞的層間權 重，使得高級特征更能表征Rs-fMRI圖像本身。特征學習完成后，再進入強分類器SoftMax模 型，完成疾病的診斷和分類。HC和MIG的識別結果如表1所示，HC、MCA及MNCA三分類的識別結 果如表2所示：
[0084] 表1:HC和MIG的識別結果
[0087] 表2 :HC、MCA及MNCA三分類的識別結果
[0089]由以上結果可以看出，本發明提供的基于深度學習的磁共振影像特征提取及分類 方法達到了磁共振圖像準確分類的結果，其中HC和MIG二分類準確率高達0.9787，HC、MCA及 MNCA的三分類識別率達0.8687。
[0090]應當說明的是，上述實施例均可根據需要自由組合。以上所述僅是本發明的優選 實施方式，應當指出，對于本技術領域的普通技術人員來說，在不脫離本發明原理的前提 下，還可以做出若干改進和潤飾，這些改進和潤飾也應視為本發明的保護范圍。
【主權項】
1. 一種基于深度學習的磁共振影像特征提取及分類方法，其特征在于，所述磁共振影 像特征提取及分類方法包括： S1納入磁共振圖像并對其進行預處理操作和特征映射操作； S2構建一個包括輸入層、多個卷積層、至少一個池化層/下采樣層W及全連接層的多層 卷積神經網絡，其中，所述卷積層和所述池化層/下采樣層依次交替設于所述輸入層和所述 全連接層之間，且所述卷積層的數量比所述池化層/下采樣層的數量多1; S3使用步驟S2構建的所述多層卷積神經網絡對步驟S1中經預處理和特征映射后的磁 共振圖像進行特征提取； S4將步驟S3中所述多層卷積神經網絡輸出的特征向量輸入Softmax分類器中，對納入 到的磁共振圖像的疾病屬性做出判斷。2. 如權利要求1所述的磁共振影像特征提取及分類方法，其特征在于， 在步驟S1中具體包括： S11輸入標準格式磁共振圖像，并進行格式變換； S12對步驟S11中變換格式后的磁共振圖像進行濾波處理、去噪處理、分割處理、時間校 正處理、配準處理、重采樣處理W及平滑處理； S13將步驟S12中預處理操作之后的磁共振圖像在標準空間內進行特征映射，得到標準 空間內的特征映射圖。3. 如權利要求1或2所述的磁共振影像特征提取及分類方法，其特征在于，在步驟S3中 具體包括： S31輸入訓練樣本集，采用無監督學習方法預訓練所述多層卷積神經網絡中各層的節 點參數，實現訓練樣本集的特征提取； S32輸入步驟S1中的磁共振圖像數據集，采用有監督學習方法對步驟S22中多層卷積神 經網絡中各層的節點參數進行微調訓練，實現步驟S22中提取的特征的微調。4. 如權利要求3所述的磁共振影像特征提取及分類方法，其特征在于，在步驟S32中，所 述多層卷積神經網絡中各層神經元的連接權值的微調過程為：其中，誤I為當輸入為(xk，yk)時的輸 出值，為第k個訓練樣本對應的第j個輸出，η為給定學習率。5. 如權利要求3所述的磁共振影像特征提取及分類方法，其特征在于，在步驟S32中，所 述多層卷積神經網絡中第I層卷積層后接第1+1層池化層，則第1+1層卷積層的誤差求取方 法如下：其中，踩1為第1+1層池化層的誤差敏感項，S為第I層卷積層的誤差敏感項，h的)'為第 I層卷積層對應的第j個神經元激發函數的導數，符號?為矩陣點乘操作。6. 如權利要求3所述的磁共振影像特征提取及分類方法，其特征在于，在步驟S32中，所 述多層卷積神經網絡中第I層池化層后接第1+1層卷積層，則第1+1層池化層的誤差求取方 法如下：其中，^為第I層池化層的誤差敏感項為第1 + 1層卷積層的誤差敏感項，Μ為第1+1 層卷積層中特征數量，Κυ為卷積核，符號*為離散卷積操作。7. 如權利要求1或2或4或5或6所述的磁共振影像特征提取及分類方法，其特征在于，在 步驟S4中具體包括： S41對步驟S3輸出的特征進行局部歸一化處理和過擬合處理； S42將經過局部歸一化處理和過擬合處理輸出的特征向量輸入Softmax分類器中，對納 入到的磁共振圖像的疾病屬性做出判斷。8. 如權利要求7所述的磁共振影像特征提取及分類方法，其特征在于，在步驟S41中，對 步驟S3輸出的特征進行局部歸一化處理具體包括：其中，a；^、.為核i在(x，y)處的神經元，N為某一層中核的總數。9. 如權利要求4或5或6或8所述的磁共振影像特征提取及分類方法，其特征在于，在步 驟S3和步驟S4中，使用隨機梯度下降算法優化參數：其中，h(x)為目標函數，J(0)為損失函數，α為算法的學習速率，為Θ的最終更迭參數， j為參數的個數，m為訓練樣本集的記錄條數。
【文檔編號】G06K9/62GK106096616SQ201610409373
【公開日】2016年11月9日
【申請日】2016年6月8日
【發明人】龔啟勇, 張俊然, 黃曉琦, 呂粟, 賈志云
【申請人】四川大學華西醫院