多中心MRI图像分类方法

本发明涉及图像处理，尤其涉及多中心mri图像分类方法。

背景技术：

1、核磁共振图像(magnetic resonance imaging，mri)为研究人脑提供了一种非入侵性的解决方案，它通过利用无线电波和磁区域来描绘人体的组织和器官。与其他技术相比，mri具有更高的组织对比度、更低的成本以及更准确地识别萎缩区域等特点。因此，mri技术已成为脑疾病临床早期诊断最常用的工具。

2、基于mri的分类方法主要分为两大类：基于传统机器学习的图像分类方法与基于卷积神经网络(convolutional neural networks,cnn)的图像分类方法。其中，传统机器学习的分类方法通常需要人工或半人工方式来辅助进行特征提取，这样不同的人会根据其掌握的知识和主观意识来提取图像特征，因此导致提取出的特征因人而异，且可能会丢失潜在的重要特征。相比之下，基于cnn的图像分类方法通过构建端到端的模型，避免了人工设计特征的问题，并且具有出色的特征提取能力，因此具有更好的性能。然而，目前的基于cnn的图像分类方法大多面向单中心mri的研究，这些方法通常假设来自不同中心的mri符合同一分布。但是，这个假设忽略了各个医院成像设备参数的差异，这可能导致mri存在一定的异质性问题。因此，如果使用从已知中心数据(源域)训练的模型来处理未知中心数据，模型的性能可能会大幅下降，即模型具有较弱的泛化能力。

3、为此，需要对现有技术作进一步的改进。

技术实现思路

1、本发明所要解决的技术问题是针对上述现有技术，而提供一种能解决多中心mri的异质性问题且提高模型泛化能力的多中心mri图像分类方法。

2、本发明解决上述技术问题所采用的技术方案为：一种多中心mri图像分类方法，其特征在于包括如下步骤：

3、s1、获取一定数量的mri图像及每幅mri图像所对应的标签，并对所有的mri图像进行预处理，形成样本集，其中样本集中的所有mri图像所对应的成像中心为至少有四个；

4、s2、依据不同中心，将样本集分成训练集、验证集和测试集；其中训练集中的mri图像的成像中心至少有两个，并且训练集、验证集和测试集中mri图像的成像中心均不相同；

5、s3、构建网络模型；构建的网络模型包括编码器、解码器d和分类器，其中编码器包括第一中心编码器e1、第二中心编码器e3和内容编码器e2；

6、s4、将训练集中所有的训练样本分批次输入到s3中构建的网络模型中进行训练，并使用验证集中所有验证样本验证训练后的网络模型性能；经过多次训练与验证后，筛选出最优的网络模型；

7、将训练集中的任意两个训练样本分别记为第一mri图像ia和第二mri图像ib，ia和ib的成像中心不同，使用ia和ib对网络模型进行训练的具体过程为：

8、s4-1、将第一mri图像ia输入到第一中心编码器e1中，得到第一中心特征图sa；将第二mri图像ib输入到第二中心编码器e3中，得到第二中心特征图sb，并且将第一mri图像ia和第二mri图像ib同时输入到内容编码器e2中，得到第一mri图像ia所对应的第一内容特征向量ca以及第二mri图像ib所对应的第二内容特征向量cb；

9、s4-2、分别分时段使用解码器d进行重建图像，具体为：

10、将第一内容特征向量ca和第一中心特征图sa输入到解码器中，得到第一重建图像iaa，将第二内容特征向量cb和第二中心特征图sb输入到解码器中，得到第二重建图像ibb，将第一内容特征向量ca和第二中心特征图sb输入到解码器中，得到第三重建图像iab，将第二内容特征向量cb和第一中心特征图sa输入到解码器中，得到第四重建图像iba；

11、s4-3、将第一内容特征向量ca和第二内容特征向量cb输入到分类器中，得到分类结果，并根据分类结果计算分类损失lcls；

12、s4-4、计算网络模型的总损失ltotal，总损失ltotal计算公式为：

13、ltotal＝αlrec+βlver+lpair+lcls

14、其中，α和β均为超参数权重；lrec为重建损失函数，lrec＝||iaa-ia||1+||iab-ib||1+||iba-ia||1+||ibb-ib||1，‖.|1为l1距离；lver为垂直损失函数，lver＝lcos(sa，ca)+lcos(sb，cb)，lcos(sa，ca)为计算sa和ca的余弦相似度，lcos(sb，cb)为计算sb和cb的余弦相似度；lpair为配对损失函数，lpair＝-μlog(lcontent(ca，cb))+β1lstyle(sa，sb)，μ和β1为平衡lcontent(ca，cb)和lstyle(sa，sb)的超参数权重，lcontent(ca，cb)表示ca和cb的内容配对损失，当ca和cb所对应的图像标签为同一类别时，则lcontent(ca，cb)的结果为计算ca和cb的余弦相似度，否则记为0；lstyle(sa，sb)为计算sa和sb的余弦相似度；lcls＝-∑xgt(x)log(pre(x))，x为分类器的输入，gt(x)为x的真实标签，pre(x)为将x输入到分类器中得到的预测值；

15、s4-5、根据s4-4中的总损失ltotal更新网络模型的网络参数，得到一次训练后的网络模型；

16、s5、将测试集中的待测试mri图像输入到最优的网络模型中，即得到待测试图像的分类结果。

17、本方案中，所述第一中心编码器e1、第二中心编码器e3和内容编码器e2均采用3dresnet10网络搭建。

18、优选地，所述解码器d包括依次相连接的第1卷积层、第l上采样层、...第n上采样层、第1个anain层、第一激活函数、第2个卷积层、第2个anain层、第二激活函数、上采样操作、第3个卷积层、第3个anain层、第三激活函数和全连接层；

19、其中每个上采样层均包括一个残差模块resblk网络和一个设于残差模块resblk网络后的上采样操作，残差模块resblk网络包括依次相连接的第1个自适应实例归一化层、第1个特征提取层......第m个自适应实例归一化层、第m个特征提取层和残差模块，每个特征提取层包括一个激活函数和一个设于激活函数后的卷积层，n和m均为正整数。

20、优选地，所述第一激活函数和第二激活函数为leakyrelu，所述第三激活函数为tanh。

21、优选地，所述上采样操作均采用最近邻插值法，放大为原来的两倍。

22、优选地，所述分类器包括p个依次相连接的全连接层，p为正整数，最后一个全连接层的输出即为分类结果。

23、与现有技术相比，本发明的优点在于：通过使用两幅不同成像中心的第一mri图像和第二mri图像对构建的网络模型进行训练，并且将第一mri图像和第二mri图像输入到对应的中心编码器而得到两幅中心特征图，同时将第一mri图像和第二mri图像同时输入到内容编码器而得到两个内容特征向量，从而利用中心特征图和内容特征向量两两进行重建，并设计相应的损失函数与网络协同工作，从而达到优化的目的。因此该分类方法中的网络模型能适应不同成像中心的图像分类，并且网络模型的泛化能力强，解决了现有技术中多中心mri的异质性问题。