一种儿童脑部MR图像病毒性脑炎分类系统

技术领域

本发明属于医学人工智能领域，尤其是涉及一种儿童脑部MR图像病毒性脑炎分类系统。

背景技术

儿童脑炎是儿科一种较为常见的疾病。一般情况下，可通过临床症状、实验室检查，以及影像学和脑电图检测进行综合判断。若经确诊，患者需要在专业医生的指导下，进行针对性治疗。

目前医生诊断主要通过临床症状、实验室检查(脑脊液检查)、影像学和脑电图检测等方法进行检查，然而临床症状不太准确；影像学和脑电图检测则只有重症时才能肉眼观察到病变区域；脑脊液检查较准确，但耗时较长，且需要抽取脑脊液，对儿童造成创伤和痛苦。

随着人工智能和深度学习的发展，在医学领域，很多研究者尝试使用智能算法对影像学数据脑电图数据进行自动识别。

如公开号为CN112561863A的中国专利文献公开了一种基于深度学习的粒细胞图片细粒度分类识别系统；包含定位模块和分类模块，其中定位模块利用Hourglass网络模型对输入的粒细胞图片进行特征提取，将粒细胞图片中的全部细胞分别进行定位，再将定位后的细胞裁剪出来，留下单个完整的细胞，并将全部裁剪出来的细胞进行尺寸归一化处理；分类模块采用构建的深度学习分类模型对定位模块定位出的粒细胞进行分类；辅助临床医生准确高效完成粒细胞分类识别计数任务，减小主观性带来的误差，减轻医生的工作量，辅助医生做出疾病判断；该系统能够有效解决非均衡数据下的细胞分类以及粒细胞间的细粒度分类，提升网络分类识别效果。

公开号为CN112132808A的中国专利文献公开了一种基于常态模型学习的乳腺X线图像病变检测方法和装置。所述方法包括从乳腺X线图像中分割出乳腺区域；提取图像块，进行亮度归一化处理；选取一部分正常区域图像块作为训练集，输入到双重深度卷积神经网络模型进行训练，得到常态模型；从训练集中选取若干正常区域图像块作为模板，输入到常态模型，得到模板图像的特征向量；将测试集输入到常态模型，得到测试图像的特征向量；将模板图像和测试图像的特征向量输入到最近邻分类器执行一类分类，得到测试结果。

然而，对于儿童病毒性脑炎而言，影像学数据的显示的特征不明显，使用常规的深度学习方法，很难对儿童是否患有病毒性脑炎进行准确的诊断。

发明内容

本发明提供了一种儿童脑部MR图像病毒性脑炎分类系统，可以在腰穿脑脊液检查、临床检查之外，只基于MR图像进行病毒性脑炎的诊断，具有较高的准确率。

一种儿童脑部MR图像病毒性脑炎分类系统，包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序，所述计算机存储器中存有训练好的分类模型，所述的分类模型采用改进的SE ResNet网络模型，共包含四个卷积部分，每个卷积部分由若干个子模块组构成，每个子模块组包含Inception子模块和SE Res子模块，最终通过全连接层获得最后的分类结果；

其中，Inception子模块通过不同尺度的卷积来提升对不同大小的特征的学习能力；SE Res子模块包含SE和Res两部分，SE部分通过压缩-扩张通道数来提升模型对于有效特征的学习能力，Res部分通过跳跃连接对SE部分的输入特征矩阵X和输出特征矩阵

所述计算机处理器执行所述计算机程序时实现以下步骤：

将待分类的儿童脑部MR影像输入训练好的分类模型中，得到病毒性脑炎分类结果。

进一步地，所述Inception子模块的结构如下：在获得上一层的数据输入X后，进入到多核卷积层L

SE Res子模块中，SE部分的结构如下：获取上一层的的输入数据X(c*w*h)，其中c,w,h分别代表特征矩阵的通道数、宽、高；首先用1*1大小的全局池化层进行池化，获得池化后的特征矩阵F

Res部分的结构如下：特征矩阵X(c*w*h)通过SE部分后得到

所述分类模型的训练过程如下：

(1)收集患有病毒性脑炎和正常儿童患者的T1W序列MR影像数据，对影像数据进行预处理；

(2)将预处理后的影像数据划分为训练集、验证集和测试集；

(3)将训练集送入到构建的分类模型中进行训练，利用验证集对分类模型的性能进行评估，根据评估的效果对模型的超参数进行调整，通过反复训练、验证，最终得到性能达标的分类模型。

步骤(1)中，所述的预处理包括对影像进行缩放，选取最大切片数作为标准，未达到此切片数的数据通过复制首尾切片进行补充，使各案例的输入数据保持一致；同时对影像进行尺度的归一化，并采用高斯滤波器滤除噪声。

步骤(2)中，将预处理后的影像数据按7:1:2划分为训练集、验证集和测试集。

步骤(3)中，采用监督训练方法对分类模型进行训练。

与现有技术相比，本发明具有以下有益效果：

1、本发明创新性地提出了利用儿童脑部MR图像对儿童是否患有病毒性脑炎进行判断，不再需要腰穿脑脊液检查，因而也无需进行手术，减少了儿童患者的痛苦，也极大地提升了诊断的效率。

2、本发明中的分类模型采用改进的SE ResNet网络模型，在Inception网络模型的基础上加入了SE Res模块，Inception网络模型通过不同尺度的卷积来提升对不同大小的特征的学习能力，SE Res模块首先通过压缩-扩张通道数来提升模型对于有效特征的学习能力，然后通过跳跃连接提升模型对于不同维度特征的学习能力；大大提升了诊断的效率和准确率。

附图说明

图1为本发明一种儿童脑部MR图像病毒性脑炎分类系统的实施流程图；

图2为本发明中分类模型的整体结构图；

图3为分类模型中每个卷积部分的结构图；

图4为本发明分类模型中Inception子模块的网络结构示意图；

图5为本发明分类模型中SE Res子模块的网络结构图。

具体实施方式

下面结合附图和实施例对本发明做进一步详细描述，需要指出的是，以下所述实施例旨在便于对本发明的理解，而对其不起任何限定作用。

一种儿童脑部MR图像病毒性脑炎分类系统，包括计算机存储器、计算机处理器以及存储在计算机存储器中并可在计算机处理器上执行的计算机程序，计算机存储器中存有训练好的分类模型。

如图1所示，整个系统的实施流程如下：

1、图像预处理

收集患有病毒性脑炎和正常儿童T1W期MR影像数据，对影像进行缩放，因为每个案例扫描的MR切片数不一致，本方法选取最大切片数作为标准，未达到此切片数的数据通过复制首尾切片进行补充，使各案例的输入数据保持一致，也包括对影像进行尺度的归一化，采用高斯滤波器滤除噪声。

2、数据分组

将70％的数据集作为训练集，10％的数据集作为验证集，20％的数据集作为测试集。

3、模型构建

构建分类模型，分类模型采用改进的SE ResNet网络模型，此网络是在Inception网络模型的基础上加入了SE Res模块。Inception网络模型通过不同尺度的卷积来提升对不同大小的特征的学习能力，SE Res模块首先通过压缩-扩张通道数来提升模型对于有效特征的学习能力，然后通过跳跃连接提升模型对于不同维度特征的学习能力。

如图2和图3所示，模型共包含四个卷积块，卷积块1-卷积块4，每个卷积块由若干个子模块组构成，每个子模块组包含Inception子模块和SE Res子模块。

Inception子模块的结构如图4所示，首先在通过Inception子模块获取不同尺度的特征。在获得上一层的数据输入X后，进入到多核卷积层L

因为Inception子模块最终获取的特征数较多，为了提升计算速度和模型精度，本方法采用SE Res子模块对特征进行加权筛选。

SE Res子模块的结构如图5所示，SE Res子模块包含SE和Res两部分。SE部分中，获取上一层的输入数据X(c*w*h)，其中c,w,h分别代表特征矩阵的通道数、宽、高。首先用1*1大小的全局池化层进行池化，获得池化后的特征矩阵F

最终模型通过全连接卷积层，得到输入案例是否为病毒性脑炎的概率。

4、模型训练和分类测试

分割模型训练时，将训练集送入到分类模型中；验证集对模型的超参数进行调整，使用优化器更新参数，对网络进行优化，对学习率进行自动调参，得到训练完成的分类网络；测试集用来估计学习过程完成之后的模型的泛化能力。

5、评估阶段

在测试集上，对模型的分类效果进行评估：对分类任务的评估，需要计算每一类的精确率(Precision)和召回率(Recall)。每一类的精确率用正确分类到本类的案例(TruePositive,TP)除以所有分类到本类的案例数(TP+FP)，当不属于本类的案例被模型分到本类时，计数为假阳性(False Positive，FP)。每一类的召回率正确分类到本类的案例(TruePositive,TP)除以本类的真实案例数(TP+TN)，当属于本类的案例被模型分到其它类时，计数为假阴性(True Negative，TN)。最终智能脑炎诊断分类模型在测试集上的分类性能AUC进行评估，AU曲线是以假正率(FP_rate)和假负率(TP_rate)为轴的ROC(ReceiverOperating Characteristic)曲线下面的面积。

以上所述的实施例对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的具体实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换，均应包含在本发明的保护范围之内。