一种智能化的医学图像处理装置与方法制造方法及图纸

一种智能化的医学图像处理装置与方法，利用人工智能的深度学习的卷积神经网络实现对正常老年组、在临床上确诊为稳定型和转化型的遗忘型轻度认知损害和在临床上确诊为阿尔兹海默病的四种情况进行四分类的分类方法，利用正常老年组、在临床上确诊为稳定型和转化型的遗忘型轻度认知损害和在临床上确诊为阿尔兹海默病的核磁共振的影像数据确定人工智能的深度学习的训练集、验证集和测试集，可以利用选取二维切片来将核磁共振的三维数据转化为二维数据。

Intelligent medical image processing device and method

Medical image processing device and an intelligent method, realize the classification methods of the normal elderly group, clinically diagnosed as stable type and transformation type of amnestic mild cognitive impairment and four cases clinically diagnosed with Alzheimer's disease were classified by four deep learning of the convolutional neural network of artificial intelligence. The normal elderly group, clinically diagnosed as stable type and transformation type of amnestic mild cognitive impairment and the clinical diagnosis of Alzheimer's disease magnetic resonance imaging data to determine the deep learning artificial intelligence training set, validation set and test set, can use the selected 2D slices to 3D NMR data into the two-dimensional data.

【技术实现步骤摘要】
一种智能化的医学图像处理装置与方法
本专利技术涉及一种智能化的医学图像处理装置与方法，特别地，涉及基于深度学习的卷积神经网络的利用头颅的核磁共振成像对全脑和/或海马体进行阿尔兹海默病、遗忘型轻度认知损害和正常老年组的两两之间的判别的图像处理与分析的装置与方法。
技术介绍
阿尔兹海默病是一种神经退行性疾病，根据临床的统计，有10％到15％的遗忘型轻度认知损害的受试者会在1年到8年左右的时间内成为阿尔兹海默病的患者，这样的在1年到8年左右的时间内成为阿尔兹海默病的患者的情况被称为转化型的遗忘型轻度认知损害。在10年以上的时间内没有成为阿尔兹海默病的患者的情况可以被称为稳定型的遗忘型轻度认知损害。已有的研究工作已经证实，在头颅的核磁共振成像的影像文件中，尽管每个受试者的核磁共振成像的影像数据存在个体差异，在生物统计学的意义上，阿尔兹海默病、遗忘型轻度认知损害和正常老年组的三个类别存在核磁共振成像的影像数据的三个类别之间的差异，同时，稳定型和转化型的遗忘型轻度认知损害的这两种情况之间的核磁共振成像的影像数据也存在差异。利用人工智能的机器学习的深度学习的方法利用头颅的核磁共振成像的影像数据对阿本文档来自技高网...

【技术保护点】
一种智能化的医学图像处理装置，该装置包括，用于存储图像预处理的程序、人工智能的深度学习的程序和头颅的核磁共振成像的图像数据的存储介质，利用人工智能的深度学习对头颅的核磁共振成像的图像数据进行处理和分析的计算机主机或计算机集群，用于显示图像预处理的程序、人工智能的深度学习的程序、各种头颅的核磁共振成像的图像数据和各种程序的运行过程和运行结果的显示装置，其特征在于：上述装置能够实现对任意给定的数量的正常老年组、稳定型的遗忘型轻度认知损害、转化型的遗忘型轻度认知损害和阿尔兹海默病的受试者的三维的头颅的核磁共振成像的图像数据的任意给定的数量的二维切片实现人工智能的深度学习的卷积神经网络的监督学习，根据...

【技术特征摘要】
1.一种智能化的医学图像处理装置，该装置包括，用于存储图像预处理的程序、人工智能的深度学习的程序和头颅的核磁共振成像的图像数据的存储介质，利用人工智能的深度学习对头颅的核磁共振成像的图像数据进行处理和分析的计算机主机或计算机集群，用于显示图像预处理的程序、人工智能的深度学习的程序、各种头颅的核磁共振成像的图像数据和各种程序的运行过程和运行结果的显示装置，其特征在于：上述装置能够实现对任意给定的数量的正常老年组、稳定型的遗忘型轻度认知损害、转化型的遗忘型轻度认知损害和阿尔兹海默病的受试者的三维的头颅的核磁共振成像的图像数据的任意给定的数量的二维切片实现人工智能的深度学习的卷积神经网络的监督学习，根据上述的对任意给定的数量的正常老年组、稳定型的遗忘型轻度认知损害、转化型的遗忘型轻度认知损害和阿尔兹海默病的受试者的三维的头颅的核磁共振成像的图像数据的二维切片进行人工智能的深度学习的卷积神经网络的监督学习所得到的深度学习的神经网络模型，利用任意给定的数量的待识别的受试者的三维的头颅的核磁共振成像的图像数据的任意给定的数量的二维切片对上述的待识别的受试者进行正常老年组、稳定型的遗忘型轻度认知损害、转化型的遗忘型轻度认知损害和阿尔兹海默病的四分类的区分识别。2.一种智能化的医学图像处理方法，上述方法使用的装置包括，用于存储图像预处理的程序、人工智能的深度学习的程序和头颅的核磁共振成像的图像数据的存储介质，利用人工智能的深度学习对头颅的核磁共振成像的图像数据进行处理和分析的计算机主机或计算机集群，用于显示图像预处理的程序、人工智能的深度学习的程序、各种头颅的核磁共振成像的图像数据和各种程序的运行过程和运行结果的显示装置，其特征在于：上述方法能够实现对任意给定的数量的正常老年组、稳定型的遗忘型轻度认知损害、转化型的遗忘型轻度认知损害和阿尔兹海默病的受试者的三维的头颅的核磁共振成像的图像数据的任意给定的数量的二维切片实现人工智能的深度学习的卷积神经网络的监督学习，根据上述的对任意给定的数量的正常老年组、稳定型的遗忘型轻度认知损害、转化型的遗忘型轻度认知损害和阿尔兹海默病的受试者的三维的头颅的核磁共振成像的图像数据的二维切片进行人工智能的深度学习的卷积神经网络的监督学习所得到的深度学习的神经网络模型，利用任意给定的数量的待识别的受试者的三维的头颅的核磁共振成像的图像数据的任意给定的数量的二维切片对上述的待识别的受试者进行正常老年组、稳定型的遗忘型轻度认知损害、转化型的遗忘型的轻度认知损害和阿尔兹海默病的四分类的区分识别。3.根据权利要求2所述的方法，其特征在于：将指定数量的正常老年组的受试者的核磁共振成像的图像数据、指定数量的已经在临床上确诊为稳定型的遗忘型轻度认知损害、转化型的遗忘型轻度认知损害的受试者和指定数量的已经在临床上确诊为阿尔兹海默病的受试者的核磁共振成像的图像数据做成人工智能的深度学习的卷积神经网络的监督学习的训练集，将指定数量的正常老年组的受试者的核磁共振成像的图像数据、指定数量的已经在临床上确诊为稳定型的遗忘型轻度认知损害、转化型的遗忘型轻度认知损害的受试者的核磁共振成像的图像数据和指定数量的已经在临床上确诊为阿尔兹海默病的受试者的核磁共振成像的图像数据做成人工智能的深度学习的卷积神经网络的监督学习的验证集，将指定数量的正常老年组的受试者的核磁共振成像的图像数据、指定数量的已经在临床上确诊为稳定型的遗忘型轻度认知损害、转化型的遗忘型轻度认知损害的受试者的核磁共振成像的图像数据和指定数量的已经在临床上确诊为阿尔兹海默病的受试者的核磁共振成像的图像数据做成人工智能的深度学习的卷积神经网络的监督学习的测试集，构建人工智能的深度学习的卷积神经网络，利用人工智能的深度学习的卷积神经网络实现基于全脑和/或海马体的形态学特征的深度学习的计算机辅助识别和/或利用人工智能的深度学习的卷积神经网络实现基于全脑和/或海马体的纹理特征的深度学习的计算机辅助识别，基于全脑的形态学特征的人工智能的深度学习的辅助识别是指：从每一位受试者的全脑的核磁共振成像的三维体素的图像中选取与冠状面、矢状面和水平面平行的指定数量和指定间距的以体素的尺寸大小为厚度的二维切片，上述的体素的尺寸大小可以根据核磁共振成像的图像的质量任意地设定，对上述的训练集，给每个来源于正常老年组的受试者的所有的上述二维切片标记上正常老年组的标签，给每个来源于在临床上确诊为稳定型的遗忘型轻度认知损害、转化型的遗忘型轻度认知损害的受试者的所有的上述二维切片标记上在临床上确诊为稳定型的遗忘型轻度认知损害、转化型的遗忘型轻度认知损害的标签，给每个来源于在临床上确诊为阿尔兹海默病的受试者的所有的上述二维切片标记上在临床上确诊为阿尔兹海默病的标签，将上述的每个二维切片划分为大小相同的互相不重叠的多个区域，将以每个区域的灰度的强度的数值为基础的反映该区域的图像信息的特征做为人工智能的深度学习的卷积神经网络的输入，利用上述的人工智能的深度学习的卷积神经网络对所有的上述的受试者的上述的二维切片的形态学特征进行识别，根据对上述形态学特征的识别得到针对上述的二维切片的对正常老年组、在临床上确诊为稳定型的遗忘型轻度认知损害、转化型的遗忘型轻度认知损害和在临床上确诊为阿尔兹海默病的四种情况进行四分类的分类方法，使用上述的针对上述的二维切片的对正常老年组、在临床上确诊为稳定型的遗忘型轻度认知损害、转化型的遗忘型轻度认知损害和在临床上确诊为阿尔兹海默病的四种情况进行四分类的分类方法对上述的验证集进行验证，在验证中调整上述卷积神经网络的结构和有关的参数，直到对上述四分类的分类方法达到上述的四种情况的两两之间的判别的准确率达到85％以上，基于海马体的形态学特征的人工智能的深度学习的辅助识别是指：从每一位受试者的左海马和右海马的核磁共振成像的三维体素的图像中选取与冠状面、矢状面和水平面平行的指定数量和指定间距的以体素的尺寸大小为厚度的二维切片，上述的体素的尺寸大小可以根据核磁共振成像的图像的质量任意地设定，对上述的训练集，给每个来源于正常老年组的受试者的所有的上述二维切片标记上正常老年组的标签，给每个来源于在临床上确诊为稳定型的遗忘型轻度认知损害、转化型的遗忘型轻度认知损害的受试者的所有的上述二维切片标记上在临床上确诊为稳定型的遗忘型轻度认知损害、转化型的遗忘型轻度认知损害的标签，给每个来源于在临床上确诊为阿尔兹海默病的受试者的所有的上述二维切片标记上在临床上确诊为阿尔兹海默病的标签，将上述的每个二维切片划分为大小相同的互相不重叠的多个区域，将以每个区域的灰度的强度的数值为基础的反映该区域的图像信息的特征做为人工智能的深度学习的卷积神经网络的输入，利用上述的人工智能的深度学习的卷积神经网络对上述二维切片的形态学特征进行识别，根据对上述形态学特征的识别得到针对上述的二维切片的对正常老年组、在临床上确诊为稳定型的遗忘型轻度认知损害、转化型的遗忘型轻度认知损害和在临床上确诊为阿尔兹海默病的四种情况进行四分类的分类方法，使用上述的针对上述的二维切片的对正常老年组、在临床上确诊为稳定型的遗忘型轻度认知损害、转化型的遗忘型轻度认知损害和在临床上确诊为阿尔兹海默病的四种情况进行四分类的分类方法对上述的验证集进行验证，在验证中调整上述卷积神经网络的结构和有关的参数，直到对上述四分类的分类方法达到上述的四种情况的两两之间的判别的准确率达到85％以上，基于全脑的纹理特征的人工智能的深度学习的辅助识别是指：从每一位受试者的全脑的核磁共振成像的三维体素的图像中选取与冠状面、矢状面或水平面平行的指定数量的二维切片组，每一个二维切片组具有给定数量的与冠状面、矢状面或水平面平行的连续相邻的以体素的尺寸大小为厚度的二维切片，上述的体素的尺寸大小可以根据核磁共振成像的图像的质量任意地设定，相互平行的相邻的两层二维切片是...

【专利技术属性】
技术研发人员：张熙，周波，郭艳娥，冯枫，安宁豫，姚洪祥，罗亚川，樊茂华，赵思远，
申请(专利权)人：中国人民解放军总医院，北京华诚兴业软件开发有限责任公司，
类型：发明
国别省市：北京,11