基于脑部块特征加权表达的阿尔茨海默症诊断方法技术

本发明专利技术公开了基于脑部块特征加权表达的阿尔茨海默症诊断方法，利用脑部图像块作为输入，分级提取块级、区域级和个体级的图像特征，提取并融合多尺度特征表示，使用前一级子网络的输出作为输入，分层构建多尺度子网络，在块级子网络后引入块特征加权表达模块，构建基于块特征加权表示的分层全卷积网络模型，通过学习自动获取到每个块特征的重要程度并分配不同的权重；通过分层构建多尺度子网络和块特征加权表达对特征进行深度融合与全局关联，在信息相互作用过程中实现特征筛选、特征互补和全局特征理解。本发明专利技术利用脑部块特征加权表达对块级图像特征产生的增强或抑制调制作用，提高了阿尔茨海默症诊断的准确性。了阿尔茨海默症诊断的准确性。了阿尔茨海默症诊断的准确性。

【技术实现步骤摘要】
基于脑部块特征加权表达的阿尔茨海默症诊断方法


[0001]本专利技术涉及图像处理、模式识别
，具体涉及基于脑部块特征加权表达的阿尔茨海默症诊断方法。

技术介绍

[0002]阿尔茨海默症(Alzheimer's disease,AD)是一种多发于老年人群中不可逆转的神经退行性疾病，脑萎缩是患有阿尔茨海默症的重要生物标记物，现有的基于sMRI大脑图像疾病自动诊断的方法通常分为三个阶段，即：感兴趣区域(region of interest，ROI)的预先确定、特征提取和分类模型的构建。这些方法通常分为四类：基于体素的方法、基于感兴趣区域的方法、基于块的方法和基于整个图像的方法。基于体素的方法利用皮质的厚度、大脑组织的密度和体积来测量大脑的形态变化，由于体素的维数非常高，而模型训练的图像的数目相对较少，这种方法通常会遇到过拟合的问题；基于ROI的方法仅关注根据经验定义的特定大脑区域，可能无法覆盖整个大脑中所有的病理部位，并且手工标注的ROI特征与分类任务是两个独立的过程，无法实现与分类器相互协调；基于块的方法将图像局部块作为输入，进行块级别分析的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于脑部块特征加权表达的阿尔茨海默症诊断方法，其特征在于，包括以下步骤：S1、获取训练的图像数据集；S2、对图像数据集进行预处理，得到预处理后的sMRI图像数据集；S3、建立分层全卷积神经网络，设置网络的层数和节点数，在块级子网络后引入块特征加权表达模块，得到自动诊断AD的基于块特征加权表示的分层全卷积网络；S4、将脑部MRI图像输入所述的基于块特征加权表示的分层全卷积网络，输出所述脑部MRI图像的阿尔兹海默症分类检测结果。2.根据权利要求1所述的基于脑部块特征加权表达的阿尔茨海默症诊断方法，其特征在于，S2所述预处理是指对图像数据集依次进行包括前联合
‑
后联合校正、偏置场校正、去除非脑组织结构、线性配准(flirt)和非线性配准(fnirt)操作。3.根据权利要求1所述的基于脑部块特征加权表达的阿尔茨海默症诊断方法，其特征在于，所述步骤S3具体步骤如下：S31、采用分级全卷积神经网络模型，由输入图像、块级子网络、区域级子网络和个体级子网络四部分组成，对此四个部分进行分级整合处理，实现将特征提取和分类器构建相统一；所述输入图像为预处理后的sMRI图像数据集；S32、在块级子网络后引入块特征加权表达模块，得到自动诊断AD的基于块特征加权表示的分层全卷积网络。4.根据权利要求3所述的基于脑部块特征加权表达的阿尔茨海默症诊断方法，其特征在于，所述S31具体为：采用输入为sMRI图像中尺寸相同的块，以数据驱动的方式自动识别块，充分提取sMRI图像中与大脑萎缩相关的特征，块级子网络用P
‑
net表示，每个P
‑
net都用完全相同的网络结构，并且具有相同的权重，P
‑
net网络包括conv1
‑
conv7共七个卷积层，在conv 1、conv 2和conv5层后均加入最大池化的下采样层，在分类卷积C
‑
P层，采用Sigmoid函数作为分类层的激活函数，经过P
‑
net模块处理后，得到块级的特征表示和分类得分；在P
‑
Net网络的conv7层和分类卷积C
‑
P中加入跳跃连接，把经过跳跃连接后的数据输出作为后续区域级子网的输入，P
‑
net的分类得分作为块级特征的信息补充，通过使用块级的分类得分和块级特征信息作为区域...

【专利技术属性】
技术研发人员：唐奇伶，郑菲，王娇，刘子仪，刘李漫，
申请(专利权)人：中南民族大学，
类型：发明
国别省市：