CN110874614B - 脑图像分类方法、计算机设备和可读存储介质 - Google Patents

Abstract

本发明涉及一种脑图像分类方法、计算机设备和可读存储介质，该方法包括：获取待分类的脑图像；将脑图像输入球面映射模型，得到脑图像对应的大脑皮层球面映射图；将大脑皮层球面映射图输入球面卷积网络，得到对脑图像的分类结果。该方法中计算机设备通过球面映射模型，能够将待分类的脑图像的特征准确地映射到大脑皮层球面映射图中，提高了得到的待分类的脑图像对应的大脑皮层球面映射图的准确度，由于得到的大脑皮层球面映射图能够准确地显示待分类的脑图像的大脑皮层的结构变化，这样能够使球面卷积网络更加准确地提取待分类的脑图像的大脑皮层的特征，从而对待分类的脑图像进行更加准确地分类，提高了得到的对待分类的脑图像的分类结果。

Description

脑图像分类方法、计算机设备和可读存储介质

技术领域

本发明涉及医学图像领域，特别是涉及一种脑图像分类方法、计算机设备和可读存储介质。

背景技术

神经和精神疾病会对大脑结构造成改变，以脑萎缩为例，脑萎缩是指由各种原因导致脑组织本身发生器质性病变而产生萎缩的一种现象，其病理表现为脑组织体积缩小，细胞数目减少，脑室和蛛网膜下腔扩大。而大脑皮层、小脑、脑干等的萎缩为许多疾病如阿尔茨海默症(Alzheimer’s disease，AD)、轻度认知障碍(Mild cognitive impairment，MCI)、帕金森病(Parkinson’s Disease,PD)等的神经影像学表现之一，磁共振成像(Magnetic Resonance Imaging，MRI)因其无放射性、对脑结构成像质量高，可见皮层、小脑、脑干等萎缩的特性，可用于对AD及其相关病症进行诊断。

传统技术中，基于深度卷积的神经网络通过保角映射将MRI图像直接展开为平面图像，然后对展开的平面图像进行卷积操作，从而获得MRI图像在不同层级的特征表示，根据MRI图像在不同层级的特征来对相应的MRI图像进行分类，对疾病进行辅助诊断。

但是，传统的对MRI图像分类的方法存在分类结果不准确的问题。

发明内容

基于此，有必要针对传统的对MRI图像分类的方法存在分类结果不准确的问题，提供一种脑图像分类方法、计算机设备和可读存储介质。

第一方面，本发明实施例提供一种脑图像分类方法，所述方法包括：

获取待分类的脑图像；

将所述脑图像输入球面映射模型，得到所述脑图像对应的大脑皮层球面映射图；

将所述大脑皮层球面映射图输入球面卷积网络，得到对所述脑图像的分类结果。

在其中一个实施例中，所述将所述脑图像输入球面映射模型，得到所述脑图像对应的大脑皮层球面映射图，包括：

将所述脑图像输入所述球面映射模型，得到所述脑图像对应的大脑皮层球面展开图；

将所述大脑皮层球面展开图映射至预设的标准球面上，得到所述脑图像对应的大脑皮层球面映射图。

在其中一个实施例中，所述将所述脑图像输入球面映射模型，得到所述脑图像对应的大脑皮层球面展开图，包括：

将所述脑图像输入所述球面映射模型，按照预设的展开规则展开所述脑图像，得到所述脑图像对应的大脑皮层球面展开图。

在其中一个实施例中，所述球面卷积网络的网络结构为以下任意一种：三维稠密连接网络结构；球面残差网络结构；三维稠密连接网络结合特征加权模块网络结构。

在其中一个实施例中，所述球面映射模型包括球面映射算法或球面映射网络。

在其中一个实施例中，当所述球面映射模型为球面映射网络时，所述球面映射模型的训练过程包括：

获取样本脑图像；

将所述样本脑图像输入预设的球面映射网络，得到所述样本脑图像对应的样本大脑皮层球面映射图；

根据所述样本大脑皮层球面映射图和预设的参考大脑皮层球面映射图，对所述预设的球面映射网络进行训练，得到所述球面映射网络。

在其中一个实施例中，所述根据所述样本大脑皮层球面映射图和预设的参考大脑皮层球面映射图，对所述预设的球面映射网络进行训练，得到所述球面映射网络之前，所述方法还包括：

利用预设的脑图像分割工具，对所述样本脑图像进行处理，得到所述预设的参考大脑皮层球面映射图。

在其中一个实施例中，所述球面卷积网络的训练过程包括：

获取样本大脑皮层球面映射图；

将所述样本大脑皮层球面映射图输入预设的球面卷积网络，得到对所述样本大脑皮层球面映射图对应的样本脑图像的样本分类结果；

根据所述样本分类结果和预先对所述样本大脑皮层球面映射图对应的样本脑图像标记的标签，对所述预设的球面卷积网络进行训练，得到所述球面卷积网络。

第二方面，本发明实施例提供一种脑图像分类装置，所述装置包括：

第一获取模块，用于获取待分类的脑图像；

第二获取模块，用于将所述脑图像输入球面映射模型，得到所述脑图像对应的大脑皮层球面映射图；

分类模块，用于将所述大脑皮层球面映射图输入球面卷积网络，得到对所述脑图像的分类结果。

第三方面，本发明实施例提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

获取待分类的脑图像；

将所述脑图像输入球面映射模型，得到所述脑图像对应的大脑皮层球面映射图；

将所述大脑皮层球面映射图输入球面卷积网络，得到对所述脑图像的分类结果。

第四方面，本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

获取待分类的脑图像；

将所述脑图像输入球面映射模型，得到所述脑图像对应的大脑皮层球面映射图；

将所述大脑皮层球面映射图输入球面卷积网络，得到对所述脑图像的分类结果。

上述实施例提供的脑图像分类方法、装置、计算机设备和可读存储介质中，计算机设备获取待分类的脑图像，将脑图像输入球面映射模型，得到脑图像对应的大脑皮层球面映射图，将大脑皮层球面映射图输入球面卷积网络，得到对脑图像的分类结果。在该方法中，计算机设备通过球面映射模型，能够将待分类的脑图像的特征准确地映射到大脑皮层球面映射图中，提高了得到的待分类的脑图像对应的大脑皮层球面映射图的准确度，由于得到的大脑皮层球面映射图能够准确地显示待分类的脑图像的大脑皮层的结构变化，这样能够使球面卷积网络更加准确地提取待分类的脑图像的大脑皮层的特征，从而对待分类的脑图像进行更加准确地分类，提高了得到的对待分类的脑图像的分类结果。

附图说明

图1为一个实施例提供的计算机设备的内部结构示意图；

图2为一个实施例提供的脑图像分类方法的流程示意图；

图3为一个实施例提供的得到待分类的脑图像的分类结果的流程示意图；

图4为另一个实施例提供的脑图像分类方法的流程示意图；

图5为另一个实施例提供的脑图像分类方法的流程示意图；

图6为另一个实施例提供的脑图像分类方法的流程示意图；

图7为一个实施例提供的脑图像分类装置结构示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请实施例提供的脑图像分类方法，可以适用于如图1所示的计算机设备。该计算机设备包括通过系统总线连接的处理器、存储器，该存储器中存储有计算机程序，处理器执行该计算机程序时可以执行下述方法实施例的步骤。可选的，该计算机设备还可以包括网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器，该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。可选的，该计算机设备可以是服务器，可以是个人计算机，还可以是个人数字助理，还可以是其他的终端设备，例如平板电脑、手机等等，还可以是云端或者远程服务器，本申请实施例对计算机设备的具体形式并不做限定。

以阿尔茨海默症(Alzheimer’s disease，AD)为例，AD是最为常见的神经退行性疾病之一，由于磁共振成像(Magnetic Resonance Imaging，MRI)具有无放射性、对脑结构成像质量高等特性，被广泛地适用于AD及其相关病症的诊断，这使得对计算机辅助检测(Computer Aided Diagnosis,CAD)的需求变得迫切。AD的计算机辅助诊断可以根据MRI等医学影像有效筛查AD患者及其前期轻度认知障碍(Mild cognitive impairment，MCI)阶段，大大降低医生的工作量，同时也可提高医生检测的准确度。目前CAD面临的主要问题是自动化程度不高、检测精度低、速度慢，CAD的处理通常要使用手工设计的特征提取器来提取特征，过程中会损失很多有用的信息，模型的学习能力受到很大的限制。基于三维的深度全卷积神经网络允许处理包含整个病变区域及其周围结构在内的所有信息，考虑了不同层之间的相关性，自动获取数据多个抽象级别的表示，可以放大有用的特征，从而高效、准确地诊断神经精神疾病。

下面以具体的实施例对本发明的技术方案以及本发明的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。

图2为一个实施例提供的脑图像分类方法的流程示意图。图3为一个实施例提供的得到待分类的脑图像的分类结果的流程示意图。本实施例涉及的是计算机设备将待分类的脑图像输入球面映射模型，得到待分类的脑图像对应的大脑皮层球面映射图，将得到的大脑皮层球面映射图输入球面卷积网络，得到对待分类的脑图像的分类结果的具体实现过程。如图2所示，该方法可以包括：

S201，获取待分类的脑图像。

其中，待分类的脑图像是通过医学成像设备所采集的患者脑部的医学图像。可选的，待分类的脑图像可以为脑部计算机断层成像(Computed Tomography,CT)图像，如T1加权图像或T2加权图像，也可以为脑部MRI图像，或其他脑部医学图像。可选的，计算机设备可以从PACS(Picture Archiving and Communication Systems，影像归档和通信系统)服务器中获取待分类的脑图像，也可以从医学影像设备中实时地获取待分类的脑图像。可选的，计算机设备获取到待分类的脑图像后，可以对待分类的脑图像进行预处理去除医学影像设备的工作情况对得到的图像质量的影响，为后续分析提供高质量影像，其中，预处理包括重采样处理、调整尺寸处理、去头骨处理、图像非均匀校正处理、直方图匹配处理和灰度归一化处理等。需要说明的是，经过预处理后的待分类的脑图像为图像尺寸为256×256×256mm³，方向均为标准笛卡尔LPI坐标系，灰度范围均为(-1,1)区间内的标准图像。

S202，将脑图像输入球面映射模型，得到脑图像对应的大脑皮层球面映射图。

具体的，计算机设备将获取的待分类的脑图像输入球面映射模型，得到该脑图像对应的大脑皮层球面映射图。其中，得到的待分类的脑图像对应的大脑皮层球面映射图中包含有待分类的脑图像的脑沟脑回信息。

S203，将大脑皮层球面映射图输入球面卷积网络，得到对脑图像的分类结果。

具体的，计算机设备将得到的上述大脑皮层球面映射图输入球面卷积网络，得到对待分类的脑图像的分类结果。可选的，球面卷积网络的网络结构可以为三维稠密连接网络结构、球面残差网络结构、三维稠密连接网络结合特征加权模块网络结构中的任意一种。可选的，得到的对待分类的脑图像的分类结果可以包括AD、稳定型轻度认知障碍(sMCI)、进展型轻度认知障碍(pMCI)和正常，需要说明的是，得到的对待分类的脑图像的分类结果还包括对各分类类别的可能性预测指数，例如，得到的某待分类的脑图像的分类结果可以为：正常：5％，sMCI：7％，pMCI：20％，AD：68％。

在本实施例中，计算机设备通过球面映射模型，能够将待分类的脑图像的特征准确地映射到大脑皮层球面映射图中，提高了得到的待分类的脑图像对应的大脑皮层球面映射图的准确度，由于得到的大脑皮层球面映射图能够准确地显示待分类的脑图像的大脑皮层的结构变化，这样能够使球面卷积网络更加准确地提取待分类的脑图像的大脑皮层的特征，从而对待分类的脑图像进行更加准确地分类，提高了得到的对待分类的脑图像的分类结果。

图4为另一个实施例提供的脑图像分类方法的流程示意图。本实施例涉及的是计算机设备将待分类的脑图像输入球面映射模型，得到待分类的脑图像对应的大脑皮层球面映射图的具体实现过程。如图4所示，在上述实施例的基础上，作为一种可选的实施方式，上述S202，包括：

S401，将脑图像输入球面映射模型，得到脑图像对应的大脑皮层球面展开图。

具体的，计算机设备将待分类的脑图像输入球面映射模型，得到待分类的脑图像对应的大脑皮层球面展开图。可选的，计算机设备可以将待分类的脑图像输入球面映射模型，按照预设的展开规则展开待分类的脑图像，得到待分类的脑图像对应的大脑皮层球面展开图。可选的，球面映射模型包括球面映射算法或球面映射网络。可选的，预设的展开规则可以为freesurfer分割工具中所使用的展开规则。

S402，将大脑皮层球面展开图映射至预设的标准球面上，得到脑图像对应的大脑皮层球面映射图。

具体的，计算机设备得到待分类的脑图像对应的大脑皮层球面展开图后，将得到的大脑皮层球面展开图按照上述预设的展开规则的逆过程映射至预设的标准球面上，得到待分类的脑图像对应的大脑皮层球面映射图。需要说明的是，计算机设备将大脑皮层球面展开图映射至预设的标准球面的过程是将待分类的脑图像的脑沟脑回信息映射至预设的标准球面的过程。

在本实施例中，计算机设备将待分类的脑图像输入球面映射模型，得到待分类的脑图像对应的大脑皮层球面展开图，将得到的待分类的脑图像对应的大脑皮层球面展开图映射至预设的标准球面上，从而得到待分类的脑图像对应的大脑皮层球面映射图，由于大脑皮层表面可视为高度折叠的弯曲表面，通过该过程可以将待分类的脑图像准确地投影至一个标准的球面上，得到的待分类的脑图像对应的大脑皮层球面映射图能够准确地反应待分类的脑图像的大脑皮层信息，提高了得到的待分类的脑图像对应的大脑皮层球面映射图的准确度。

图5为另一个实施例提供的脑图像分类方法的流程示意图。本实施例涉及的是当上述球面映射模型为球面映射网络时，计算机设备对球面映射模型进行训练的具体实现过程。如图5所示，在上述实施例的基础上，作为一种可选的实施方式，球面映射模型的训练过程可以包括：

S501，获取样本脑图像。

其中，样本脑图像是通过医学成像设备所采集的患者脑部的样本医学图像。可选的，样本脑图像可以为脑部计算机断层成像(Computed Tomography,CT)图像，如T1加权图像或T2加权图像，也可以为脑部MRI图像，或其他脑部医学图像。可选的，计算机设备可以从PACS(Picture Archiving and Communication Systems，影像归档和通信系统)服务器中获取样本脑图像，也可以从医学影像设备中实时地获取样本脑图像。可选的，计算机设备获取到样本脑图像后，可以对样本脑图像进行预处理去除医学影像设备的工作情况对得到的图像质量的影响，为后续分析提供高质量影像，其中，预处理包括重采样处理、调整尺寸处理、去头骨处理、图像非均匀校正处理、直方图匹配处理和灰度归一化处理等。需要说明的是，经过预处理后的样本脑图像为图像尺寸为256×256×256mm³，方向均为标准笛卡尔LPI坐标系，灰度范围均为(-1,1)区间内的标准图像。

S502，将样本脑图像输入预设的球面映射网络，得到样本脑图像对应的样本大脑皮层球面映射图；

具体的，计算机设备将样本脑图像输入预设的球面映射网络，得到样本脑图像对应的样本大脑皮层球面展开图，将得到的样本大脑皮层球面展开图映射至预设的标准球面上，得到样本脑图像对应的样本大脑皮层球面映射图。可选的，预设的球面映射网络的网络结构可以为V-Net网络结构。

S503，根据样本大脑皮层球面映射图和预设的参考大脑皮层球面映射图，对预设的球面映射网络进行训练，得到球面映射网络。

具体的，计算机设备得到样本脑图像对应的样本大脑皮层球面映射图后，根据样大脑皮层球面映射图和预设的参考大脑皮层球面映射图获取预设的球面映射网络的损失函数的值，根据预设的球面映射网络的损失函数的值对预设的球面映射网络进行训练，直至预设的球面映射网络的损失函数的值达到稳定值时将对应的预设的球面映射网络确定为上述球面映射网络。

在本实施例中，计算机设备通过将样本脑图像输入预设的球面映射网络，得到样本脑图像对应的样本大脑皮层球面映射图，根据样本大脑皮层球面映射图和预设的参考大脑皮层球面映射图，对预设的球面映射网络进行训练，通过大量的样本脑图像能够对预设的球面映射网络进行比较准确地训练，从而提高了得到的球面映射网络的准确度。

在上述实施例的基础上，作为一种可选的实施方式，在根据样本大脑皮层球面映射图和预设的参考大脑皮层球面映射图，对预设的球面映射网络进训练，得到球面映射网络之前，上述方法还包括：利用预设的脑图像分割工具，对样本脑图像进行处理，得到预设的参考大脑皮层球面映射图。

具体的，计算机设备利用预设的脑图像分割工具，对样本脑图像进行处理，得到预设的参考大脑皮层球面映射图。可选的，预设的脑图像分割工具可以为freesurfer分割工具，也可以为其他的处理脑图像的分割工具。在本实施例中，计算机设备利用预设的脑图像分割工具，对样本脑图像进行处理，能够快速地得到样本脑图像所对应的预设的参考大脑皮层球面映射图，提高了得到预设的参考大脑皮层球面映射图的效率，进而提高了根据得到的样本大脑皮层球面映射图和预设的参考大脑皮层球面映射图对预设的球面映射网络进行训练，得到球面映射网络的效率。

图6为另一个实施例提供的脑图像分类方法的流程示意图。本实施例涉及的是计算机设备对球面球面卷积网络进行训练的具体实现过程。如图6所示，在上述实施例的基础上，作为一种可选的实施方式，球面卷积网络的训练过程可以包括：

S601，获取样本大脑皮层球面映射图。

具体的，计算机设备首先获取样本脑图像对应的样本大脑皮层球面映射图。可选的，计算机设备可以将样本脑图像输入上述球面映射模型得到样本脑图像对应的样本大脑皮层球面映射图。

S602，将样本大脑皮层球面映射图输入预设的球面卷积网络，得到对样本大脑皮层球面映射图对应的样本脑图像的样本分类结果。

具体的，计算机设备将得到的样本大脑皮层球面映射图输入预设的球面卷积网络，得到对该样本大脑皮层球面映射图对应的样本脑图像的样本分类结果。其中，样本大脑皮层球面映射图对应的样本脑图像的样本分类结果可以包括AD、稳定型轻度认知障碍(sMCI)、进展型轻度认知障碍(pMCI)和正常，需要说明的是，得到的对样本大脑皮层球面映射图对应的样本脑图像的样本分类结果还包括对各分类类别的可能性预测指数，例如，得到的对某样本大脑皮层球面映射图对应的样本脑图像的的样本分类结果可以为：正常：70％，sMCI：20％，pMCI：7％，AD：3％。

S603，根据样本分类结果和预先对样本大脑皮层球面映射图对应的样本脑图像标记的标签，对预设的球面卷积网络进行训练，得到球面卷积网络。

具体的，计算机设备根据上述得到的对样本大脑皮层球面映射图对应的样本脑图像的样本分类结果和预先对样本大脑皮层球面映射图对应的样本脑图像标记的标签获取预设的球面卷积网络的损失函数的值，根据预设的球面卷积网络的损失函数的值对预设的球面卷积网络进行训练，直至预设的球面卷积网络的损失函数的值达到稳定值时将对应的预设的球面卷积网络确定为上述球面卷积网络。可选的，预先对上述样本大脑皮层球面映射图对应的样本脑图像标记的标签可以为正常，也可以为sMCI，也可以为pMCI。示例性地，例如，上述样本大脑皮层球面映射图对应的样本脑图像标记的标签为正常时，将该样本大脑皮层球面映射图输入预设的球面卷积网络，当得到的样本分类结果为：正常：96％，sMCI：5％，pMCI：2％，AD：3％时，此时得到的预设的球面卷积网络的损失函数的值为0.05，再改变该预设的球面卷积网络的参数时得到的结果不再发生变化时，则表示此时预设的球面卷积网络的损失函数的值已达到稳定值，则计算机设备将损失函数的值为0.05时对应的预设的球面卷积网络确定为上述球面卷积网络。

在本实施例中，计算机设备通过将样本大脑皮层球面映射图输入预设的球面卷积网络，得到对样本大脑皮层球面映射图对应的样本脑图像的样本分类结果，根据得到的样本分类结果和预先对该样本大脑皮层球面映射图对应的样本脑图像标记的标签，对预设的球面卷积网络进行训练，通过大量的样本大脑皮层球面映射图能够对预设的球面卷积网络进行比较准确地训练，从而提高了得到的球面卷积网络的准确度。

应该理解的是，虽然图2-6的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-6中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

图7为一个实施例提供的脑图像分类装置结构示意图。如图7所示，该装置可以包括：第一获取模块10、第二获取模块11和分类模块12。

具体的，第一获取模块10，用于获取待分类的脑图像；

第二获取模块11，用于将脑图像输入球面映射模型，得到脑图像对应的大脑皮层球面映射图；

分类模块12，用于将大脑皮层球面映射图输入球面卷积网络，得到对脑图像的分类结果。

可选的，球面卷积网络的网络结构为以下任意一种：三维稠密连接网络结构；球面残差网络结构；三维稠密连接网络结合特征加权模块网络结构。

可选的，球面映射模型包括球面映射算法或球面映射网络。

本实施例提供的脑图像分类装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。

在上述实施例的基础上，可选的，上述第二获取模块11包括：第一获取单元和第二获取单元。

具体的，第一获取单元，用于将脑图像输入球面映射模型，得到脑图像对应的大脑皮层球面展开图；

第二获取单元，用于将大脑皮层球面展开图映射至预设的标准球面上，得到脑图像对应的大脑皮层球面映射图。

本实施例提供的脑图像分类装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。

在上述实施例的基础上，可选的，上述第一获取单元，具体用于将脑图像输入球面映射模型，按照预设的展开规则展开脑图像，得到脑图像对应的大脑皮层球面展开图。

本实施例提供的脑图像分类装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。

在上述实施例的基础上，当球面映射模型为球面映射网络时，可选的，上述装置还包括：第三获取模块、第四获取模块和第一训练模块。

具体的，第三获取模块，用于获取样本脑图像；

第四获取模块，用于将样本脑图像输入预设的球面映射网络，得到样本脑图像对应的样本大脑皮层球面映射图；

第一训练模块，用于根据样本大脑皮层球面映射图和预设的参考大脑皮层球面映射图，对预设的球面映射网络进行训练，得到球面映射网络。

本实施例提供的脑图像分类装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。

在上述实施例的基础上，可选的，上述装置还包括：第五获取模块。

具体的，第五获取模块，用于利用预设的脑图像分割工具，对样本脑图像进行处理，得到预设的参考大脑皮层球面映射图。

本实施例提供的脑图像分类装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。

在上述实施例的基础上，可选的，上述装置还包括：第六获取模块、第七获取模块和第二训练模块。

具体的，第六获取模块，用于获取样本大脑皮层球面映射图；

第七获取模块，用于将样本大脑皮层球面映射图输入预设的球面卷积网络，得到对样本大脑皮层球面映射图对应的样本脑图像的样本分类结果；

第二训练模块，用于根据样本分类结果和预先对样本大脑皮层球面映射图对应的样本脑图像标记的标签，对预设的球面卷积网络进行训练，得到球面卷积网络。

本实施例提供的脑图像分类装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。

关于脑图像分类装置的具体限定可以参见上文中对于脑图像分类方法的限定，在此不再赘述。上述脑图像分类装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：

获取待分类的脑图像；

将脑图像输入球面映射模型，得到脑图像对应的大脑皮层球面映射图；

将大脑皮层球面映射图输入球面卷积网络，得到对脑图像的分类结果。

上述实施例提供的计算机设备，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

获取待分类的脑图像；

将脑图像输入球面映射模型，得到脑图像对应的大脑皮层球面映射图；

将大脑皮层球面映射图输入球面卷积网络，得到对脑图像的分类结果。

上述实施例提供的计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种脑图像分类方法，其特征在于，所述方法包括：

获取待分类的脑图像；

将所述脑图像输入球面映射模型，得到所述脑图像对应的大脑皮层球面展开图；

将所述大脑皮层球面展开图映射至预设的标准球面上，得到所述脑图像对应的大脑皮层球面映射图；

将所述大脑皮层球面映射图输入球面卷积网络，得到对所述脑图像的分类结果。

2.根据权利要求1所述的方法，其特征在于，所述将所述脑图像输入球面映射模型，得到所述脑图像对应的大脑皮层球面展开图，包括：

将所述脑图像输入所述球面映射模型，按照预设的展开规则展开所述脑图像，得到所述脑图像对应的大脑皮层球面展开图。

3.根据权利要求1所述的方法，其特征在于，所述球面卷积网络的网络结构为以下任意一种：三维稠密连接网络结构；球面残差网络结构；三维稠密连接网络结合特征加权模块网络结构。

4.根据权利要求1所述的方法，其特征在于，所述球面映射模型包括球面映射算法或球面映射网络。

5.根据权利要求4所述的方法，其特征在于，当所述球面映射模型为球面映射网络时，所述球面映射模型的训练过程包括：

获取样本脑图像；

将所述样本脑图像输入预设的球面映射网络，得到所述样本脑图像对应的样本大脑皮层球面映射图；

根据所述样本大脑皮层球面映射图和预设的参考大脑皮层球面映射图，对所述预设的球面映射网络进行训练，得到所述球面映射网络。

6.根据权利要求5所述的方法，其特征在于，所述根据所述样本大脑皮层球面映射图和预设的参考大脑皮层球面映射图，对所述预设的球面映射网络进行训练，得到所述球面映射网络之前，所述方法还包括：

利用预设的脑图像分割工具，对所述样本脑图像进行处理，得到所述预设的参考大脑皮层球面映射图。

7.根据权利要求1所述的方法，其特征在于，所述球面卷积网络的训练过程包括：

获取样本大脑皮层球面映射图；

将所述样本大脑皮层球面映射图输入预设的球面卷积网络，得到对所述样本大脑皮层球面映射图对应的样本脑图像的样本分类结果；

根据所述样本分类结果和预先对所述样本大脑皮层球面映射图对应的样本脑图像标记的标签，对所述预设的球面卷积网络进行训练，得到所述球面卷积网络。

8.一种脑图像分类装置，其特征在于，所述装置包括：

第一获取模块，用于获取待分类的脑图像；

第二获取模块，用于将所述脑图像输入球面映射模型，得到所述脑图像对应的大脑皮层球面展开图；将所述大脑皮层球面展开图映射至预设的标准球面上，得到所述脑图像对应的大脑皮层球面映射图；

分类模块，用于将所述大脑皮层球面映射图输入球面卷积网络，得到对所述脑图像的分类结果。

9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-7中任一项所述方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-7中任一项所述方法的步骤。

Images