本发明涉及辅助检测，具体涉及一种基于机器学习的磁敏感加权成像的检测系统及方法。
背景技术：
1、磁敏感加权成像(susceptibility weighted imaging，swi)是一种基于磁共振成像(mri)的技术，在微出血、脑出血及肿瘤出血等出血性病变的检出具有显著敏感性。磁敏感加权成像是利用不同组织间磁敏感性差异而产生对比增强机制的新成像技术。
2、目前，磁敏感加权成像通常需要专业的技术人员进行操作和解读；因此，这使得它在一些技术水平较低的地区难以普及，从而造成对技术人员要求较高，且存在所耗费时间较多的缺陷。
技术实现思路
1、为了克服现有技术中的不足，本发明的目的在于提供一种基于机器学习的磁敏感加权成像的检测系统及方法。
2、本发明提供的技术方案为：
3、第一方面，一种基于机器学习的磁敏感加权成像的检测系统，所述检测系统包括：
4、构建模块，用于建立磁敏感加权成像图像库；其中，所述磁敏感加权成像图像库中的各图像预先标注有roi区域；
5、特征模块，用于基于所述磁敏感加权成像图像库进行特征提取与筛选；
6、处理模块，用于根据筛选后的特征，使用预设的机器学习网络进行训练，以得到检测模型；
7、检测模块，用于读取待识别的swi图像，并传送至所述检测模型中进行识别，以获得对应检测的分类结果。
8、优选地，所述筛选包括：
9、将提取的特征值进行z-score正则化处理，并评估各特征的相关性，以排除一致性过高的特征。
10、优选地，所述特征模块在进行特征提取前，还先将各roi区域所对应的图像转换成具有多种不同尺度信息的图像作为输入,使得所述特征模块能提取到图像不同尺度的特征信息。
11、优选地，所述进行训练时，不同尺度的图像分别对应一种不同结构的机器学习网络，并作为预训练子模型；
12、通过模型输出类别概率的加权融合方法将各子模型形成一个集成模型，并将其作为所述检测模型。
13、优选地，所述特征提取的特征包括一阶特征、形态特征和纹理特征。
14、第二方面，本发明还提供了一种基于机器学习的磁敏感加权成像的检测方法，应用于第一方面所述的一种基于机器学习的磁敏感加权成像的检测系统，所述方法包括：
15、建立磁敏感加权成像图像库；其中，所述磁敏感加权成像图像库中的各图像预先标注有roi区域；
16、基于所述磁敏感加权成像图像库进行特征提取与筛选；
17、根据筛选后的特征，使用预设的机器学习网络进行训练，以得到检测模型；
18、读取待识别的swi图像，并传送至所述检测模型中进行识别，以获得对应检测的分类结果。
19、通过上述技术方案，本发明可以带来如下有益效果：
20、本发明通过将磁敏感加权成像与机器学习相结合的方式，实现了对待识别swi图像的智能处理；从而提高了检测识别的工作效率和准确性，也避免了主观因素的干扰；克服了目前对技术人员要求较高，在一些技术水平较低的地区难以普及且所耗费时间较多的缺陷。
1.一种基于机器学习的磁敏感加权成像的检测系统，其特征在于，所述检测系统包括：
2.根据权利要求1所述的一种基于机器学习的磁敏感加权成像的检测系统，其特征在于，所述筛选包括：
3.根据权利要求2所述的一种基于机器学习的磁敏感加权成像的检测系统，其特征在于，所述特征模块在进行特征提取前，还先将各roi区域所对应的图像转换成具有多种不同尺度信息的图像作为输入,使得所述特征模块能提取到图像不同尺度的特征信息。
4.根据权利要求3所述的一种基于机器学习的磁敏感加权成像的检测系统，其特征在于，所述进行训练时，不同尺度的图像分别对应一种不同结构的机器学习网络，并作为预训练子模型；
5.根据权利要求1至4中任一项所述的一种基于机器学习的磁敏感加权成像的检测系统，其特征在于，所述特征提取的特征包括一阶特征、形态特征和纹理特征。
6.一种基于机器学习的磁敏感加权成像的检测方法，其特征在于，应用于权利要求1所述的一种基于机器学习的磁敏感加权成像的检测系统，所述方法包括：
7.根据权利要求6所述的一种基于机器学习的磁敏感加权成像的检测方法，其特征在于，所述筛选包括：
8.根据权利要求7所述的一种基于机器学习的磁敏感加权成像的检测方法，其特征在于，所述方法还包括：
9.根据权利要求8所述的一种基于机器学习的磁敏感加权成像的检测方法，其特征在于，所述进行训练时，不同尺度的图像分别对应一种不同结构的机器学习网络，并作为预训练子模型；
