1.一种联合一阶和二阶特征的脑肿瘤MRI图像分类方法,其特征是,包括:获取待分类的脑肿瘤MRI图像,对脑肿瘤MRI图像进行预处理;
以预训练的ResNet18网络作为图像分类网络模型的主干网络,利用主干网络提取预处理后的脑肿瘤MRI图像的初始特征向量;
基于初始特征向量,通过全局平均池化获取脑肿瘤MRI图像的一阶特征向量;
基于初始特征向量,通过协方差池化获取脑肿瘤MRI图像的二阶特征向量;
基于一阶特征向量和二阶特征向量,通过对应的分类器分别进行类别预测,再将两种类别预测结果相加融合,得到最终的待分类的脑肿瘤MRI图像的分类结果。
2.如权利要求1所述的联合一阶和二阶特征的脑肿瘤MRI图像分类方法,其特征是,将预训练的ResNet18网络作为主干网络时,将预训练的ResNet18网络中最后一个下采样层去除。
3.如权利要求1所述的联合一阶和二阶特征的脑肿瘤MRI图像分类方法,其特征是,所述基于初始特征向量,通过协方差池化获取脑肿瘤MRI图像的二阶特征向量,包括:通过线性投影操作对初始特征向量的维度进行压缩;
利用重塑操作对压缩后的初始特征向量的维度进行分组;
针对分组后的每一组的特征向量,分别进行协方差池化,得到协方差矩阵;
利用L2归一化方法对所有协方差矩阵进行归一化操作;
拼接归一化后的多组协方差矩阵,获得最终的协方差矩阵;
基于最终的协方差矩阵,依次通过下采样操作和展平操作,得到图像的二阶特征向量。
4.如权利要求1所述的联合一阶和二阶特征的脑肿瘤MRI图像分类方法,其特征是,所述预处理包括对脑肿瘤MRI图像进行图像尺寸调整。
5.如权利要求1所述的联合一阶和二阶特征的脑肿瘤MRI图像分类方法,其特征是,所述图像分类网络模型的训练过程包括:获取标注不同脑肿瘤类型的脑肿瘤MRI图像数据集;
对图像数据集中的图像进行预处理,包括图像增强和图像尺寸调整;
构建图像分类网络模型,利用预处理后的图像数据集训练所述图像分类网络模型,利用反向传播更新网络参数进行学习,直至达到最大迭代次数,完成模型的训练。
6.如权利要求5所述的联合一阶和二阶特征的脑肿瘤MRI图像分类方法,其特征是,所述图像增强包括随机水平翻转图像、随机垂直翻转图像以及随机旋转图像。
7.一种联合一阶和二阶特征的脑肿瘤MRI图像分类系统,其特征是,包括:图像获取及预处理模块,用于获取待分类的脑肿瘤MRI图像,对脑肿瘤MRI图像进行预处理;
初始特征向量提取模块,用于以预训练的ResNet18网络作为图像分类网络模型的主干网络,利用主干网络提取预处理后的脑肿瘤MRI图像的初始特征向量;
一阶特征向量提取模块,用于基于初始特征向量,通过全局平均池化获取脑肿瘤MRI图像的一阶特征向量;
二阶特征向量提取模块,用于基于初始特征向量,通过协方差池化获取脑肿瘤MRI图像的二阶特征向量;
图像分类模块,用于基于一阶特征向量和二阶特征向量,通过对应的分类器分别进行类别预测,再将两种类别预测结果相加融合,得到最终的待分类的脑肿瘤MRI图像的分类结果。
8.如权利要求7所述的联合一阶和二阶特征的脑肿瘤MRI图像分类系统,其特征是,将预训练的ResNet18网络作为主干网络时,将预训练的ResNet18网络中最后一个下采样层去除。
9.如权利要求7所述的联合一阶和二阶特征的脑肿瘤MRI图像分类系统,其特征是,所述基于初始特征向量,通过协方差池化获取脑肿瘤MRI图像的二阶特征向量,包括:通过线性投影操作对初始特征向量的维度进行压缩;
利用重塑操作对压缩后的初始特征向量的维度进行分组;
针对分组后的每一组的特征向量,分别进行协方差池化,得到协方差矩阵;
利用L2归一化方法对所有协方差矩阵进行归一化操作;
拼接归一化后的多组协方差矩阵,获得最终的协方差矩阵;
基于最终的协方差矩阵,依次通过下采样操作和展平操作,得到图像的二阶特征向量。
10.如权利要求7所述的联合一阶和二阶特征的脑肿瘤MRI图像分类系统,其特征是,所述预处理包括对脑肿瘤MRI图像进行图像尺寸调整。