本发明涉及核磁共振图像自动筛选技术领域，特别涉及一种核磁共振图像自动筛选方法。
背景技术：
阿尔兹海默症（alzheimer’sdisease，简称ad），俗称老年痴呆症，是一种神经系统相关的脑部疾病。该疾病会破坏脑细胞，从而导致患者记忆力衰退，智商下降，直至痴呆，完全丧失基本生存能力。研究显示，从患病到可察觉，平均需要八年时间，在早期发现并及时采取治疗能够延缓疾病发展，改善ad患者的生活质量。
随着医疗图像技术的进步，ct、核磁共振等成像技术已经在医院得到普及。针对ad的诊断，除了基本能力测试之外，最常见的筛选手段就是利用核磁共振成像技术扫描大脑，形成大脑的结构像和功能像。医生可以通过脑部图像辨识是否发生ad病变。
根据脑部核磁共振图像判断是否发生ad病变本质是对图像进行分类。传统自动筛选方法的难点是借助医生的专业知识和经验，对和ad相关的核磁共振图像特征进行建模，模型效果严重依赖于特征。
近年来卷积神经网络在很多图像分类问题上取得了突破性进展，例如手写数字识别、车辆行人识别等。对比传统计算机自动分类方法，利用神经网络对图像进行分类的优势是省去了人工挑选分类特征的过程。深度学习的最大优势是自动学习特征，尤其是卷积神经网络对图像等高维数据的空间特征学习的能力。
基于上述情况，本发明提出了一种核磁共振图像自动筛选方法。旨在利用深度学习理论训练提高深度卷积神经网络（convolutionalneuralnetwork）模型，简称cnn模型，对头部核磁共振图像进行ad图像筛选的准确率。
技术实现要素：
本发明为了弥补现有技术的缺陷，提供了一种简单高效的核磁共振图像自动筛选方法。
本发明是通过如下技术方案实现的：
一种核磁共振图像自动筛选方法，其特征在于：利用卷积层、池层和全连接层搭建适应核磁共振图像分类问题的cnn模型，并设定目标函数和优化方法；cnn模型先将核磁共振图像进行预处理并标注是否为ad图像，经过预处理的所有核磁共振图像和标注信息组成样本集；使用样本集训练cnn模型自动学习分类筛选的特征，对权重参数进行调整，得到深度神经网络分类器；基于分类筛选的特征即可对核磁共振图像进行分析筛选。
核磁共振图像的预处理过程，包括以下步骤：
（1）使用高通滤波器进行过滤原始核磁共振图像的低频噪音；
（2）对结构像剔除非脑组织部位图像，对功能像进行头动校正、头盖骨剔除，然后进行高斯光滑；
（3）如果图像格式非jpeg编码，使用转码工具进行图像格式转换，得到jpeg格式的灰度图，最后更改图像尺寸到448mm*448mm大小，同时标注是否为ad图像；
核磁共振图像的预处理过程中，输入的核磁共振图像尺寸为448mm*448mm的灰度图像时，首先由32个3mm*3mm大小的卷积核学习输入图像的浅层特征，然后由maxpool层进行降采样，增加网络泛化性能，之后重复类似的结构，达到对高层抽象特征的学习。
所述cnn模型的目标函数为交叉熵损失函数，使用随机梯度下降法进行训练；初始学习率设定为0.01，对样本集进行7：3划分，分别得到训练集和测试集；每回合从训练集中循环随机抽取64张图像迭代训练，遍历一次训练集为一回合，每回合结束计算在测试集上的正确率；每经过100回合降低学习率为原来的十分之一继续训练，直到达到99%以上的正确率或1000回合结束。
所述cnn模型是一个卷积层+全连接层共九层的卷积神经网络alznet-9模型，其最后三层为全连接层，输出层输入到softmax函数，得到ad概率分布，即ad图像概率y和非ad图像概率1-y；若y>0.5，则结果为ad图像，否则为非ad图像。
本发明的有益效果是：该核磁共振图像自动筛选方法，利用深度学习理论训练提高了cnn模型对头部核磁共振图像进行ad图像筛选的准确率。
附图说明
附图1为本发明alznet-9模型示意图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图和实施例，对本发明进行详细的说明。应当说明的是，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
该核磁共振图像自动筛选方法，利用卷积层、池层和全连接层搭建适应核磁共振图像分类问题的cnn模型，并设定目标函数和优化方法；cnn模型先将核磁共振图像进行预处理并标注是否为ad图像，经过预处理的所有核磁共振图像和标注信息组成样本集；使用样本集训练cnn模型自动学习分类筛选的特征，对权重参数进行调整，得到深度神经网络分类器；基于分类筛选的特征即可对核磁共振图像进行分析筛选。
核磁共振图像的预处理过程，包括以下步骤：
（1）使用高通滤波器进行过滤原始核磁共振图像的低频噪音；
（2）对结构像剔除非脑组织部位图像，对功能像进行头动校正、头盖骨剔除，然后进行高斯光滑；
（3）如果图像格式非jpeg编码，使用转码工具进行图像格式转换，得到jpeg格式的灰度图，最后更改图像尺寸到448mm*448mm大小，同时标注是否为ad图像。
核磁共振图像的预处理过程中，输入的核磁共振图像尺寸为448mm*448mm的灰度图像时，首先由32个3mm*3mm大小的卷积核学习输入图像的浅层特征，然后由maxpool层进行降采样，增加网络泛化性能，之后重复类似的结构，达到对高层抽象特征的学习。
所述cnn模型的目标函数为交叉熵损失函数，使用随机梯度下降法进行训练；初始学习率设定为0.01，对样本集进行7：3划分，分别得到训练集和测试集；每回合从训练集中循环随机抽取64张图像迭代训练，遍历一次训练集为一回合，每回合结束计算在测试集上的正确率；每经过100回合降低学习率为原来的十分之一继续训练，直到达到99%以上的正确率或1000回合结束。
所述cnn模型是一个卷积层+全连接层共九层的卷积神经网络alznet-9模型，所述alznet-9模型详细设计如表1所示。其最后三层为全连接层，输出层输入到softmax函数，得到ad概率分布，即ad图像概率y和非ad图像概率1-y；若y>0.5，则结果为ad图像，否则为非ad图像。
表1alznet-9模型详细设计
表中conv<n>-m，n和m分别表示卷积核大小和个数。