买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：长春理工大学

摘要：本发明涉及一种基于MD‑MAResNeXt神经网络的脑肿瘤图像分类方法，属于图像处理与分类技术领域，包括步骤：获取MRI脑肿瘤图像；预处理得到MRI脑肿瘤图像数据集；划分训练集和测试集；构建MD‑MAResNeXt神经网络，其包括多尺度特征提取模块、全局最大池化层、ResNeXt网络模块、多水平通道特征提取模块、全连接层和Softmax层；设置好参数后，使用训练集对MD‑MAResNeXt神经网络进行训练，得到脑肿瘤图像分类模型；使用测试集评估脑肿瘤图像分类模型的性能。本发明将原始图像中细微的局部特征和全局特征相融合，提高网络对肿瘤区域的关注度，减少冗余信息对分类结果的影响，提高分类精度。

主权项：1.一种基于MD-MAResNeXt神经网络的脑肿瘤图像分类方法，其特征在于，包括以下步骤：步骤一：从BraTS2017和BraTS2019数据集获取MRI脑肿瘤图像；步骤二：对所述MRI脑肿瘤图像进行预处理，得到作为神经网络初始输入数据的MRI脑肿瘤图像数据集；步骤二中对所述MRI脑肿瘤图像进行预处理的过程包括以下步骤：步骤2.1：对所述MRI脑肿瘤图像进行直方图处理，消除离群像素值，并利用窗技术对所述MRI脑肿瘤图像进行对比度和清晰度增强处理，得到增强后的MRI脑肿瘤图像；步骤2.2：利用N4ITK算法对增强后的MRI脑肿瘤图像进行偏置场矫正，得到矫正后的MRI脑肿瘤图像；步骤2.3：采用数据增强操作对全部矫正后的MRI脑肿瘤图像进行数据增强，并通过随机旋转或者随机擦除增加来自同一病例的图像的差异性；步骤三：对所述MRI脑肿瘤图像数据集进行五折交叉验证实验，划分得到训练集和测试集，所述训练集和所述测试集中图像的像素大小为224×224，通道数为3；步骤四：构建MD-MAResNeXt神经网络，所述MD-MAResNeXt神经网络包括多尺度特征提取模块、全局最大池化层、ResNeXt网络模块、多水平通道特征提取模块、全连接层和Softmax层；所述多尺度特征提取模块包括第一卷积层和第二卷积层，所述第一卷积层包括1×1的普通卷积模板和三个卷积尺寸为3×3、膨胀率d分别为1、2、3的空洞卷积模板，所述第二卷积层由一个输入通道为64、卷积核大小为1×1的普通卷积层将所述第一卷积层输出的各个特征图拼接在一起，得到同时包含全局与局部显著特征信息的特征图，并将得到的特征图输出至卷积核大小为3×3、步长为2的全局最大池化层；所述全局最大池化层对所述第二卷积层输出的特征图进行最大池化处理，最大池化处理后的特征图输出至所述ResNeXt网络模块；所述ResNeXt网络模块包括三层ResNeXt模块，三层ResNeXt模块分别输出不同水平图像特征至所述多水平通道特征提取模块，其中第一层ResNeXt模块的输入为所述全局最大池化层输出的64通道的图像特征，输出为256通道的图像特征；第二层ResNeXt模块的输入为第一层ResNeXt模块输出的256通道的图像特征，输出为512通道的图像特征；第三层ResNeXt模块的输入为第二层ResNeXt模块输出的512通道的图像特征，输出为1024通道的图像特征；所述多水平通道特征提取模块利用通道注意力机制对所述ResNeXt网络模块输出的不同水平图像特征进行重要特征信息的提取，获得多水平特征信息，并利用自适应全局平均池化的方式将112×112×256、56×56×512、28×28×1024的图像特征分别转化为1×1×256、1×1×512、1×1×1024的特征图，将转化后的特征图分别输入至所述全连接层；所述全连接层将1×1×1792的特征图展平并输出至所述Softmax层；所述Softmax层根据特征图进行类别映射，输出脑肿瘤图像预测分类结果；步骤五：设置好迭代次数、批次大小、优化算法、初始学习率、学习率衰减迭代次数和标签平滑系数后，使用所述训练集对所述MD-MAResNeXt神经网络进行训练，训练后得到脑肿瘤图像分类模型，所述脑肿瘤图像分类模型用于对待测脑肿瘤图像进行良恶性分类；步骤六：使用测试集评估所述脑肿瘤图像分类模型的性能。

全文数据：

权利要求：

百度查询： 长春理工大学 基于MD-MAResNeXt神经网络的脑肿瘤图像分类方法