本发明专利技术涉及一种基于细粒度深度学习的阿尔兹海默症辅助诊断模型分类方法，与现有技术相比解决了难以针对脑部PET影像细粒度分类的缺陷。本发明专利技术包括以下步骤：脑部PET影像的获取和预处理；细粒度深度学习阿尔兹海默症辅助诊断模型的建立；细粒度深度学习阿尔兹海默症辅助诊断模型的训练；待诊断脑部PET影像的获取；阿尔兹海默症辅助诊断结果的获得。可有效解决脑部PET影像细粒度分类精度不高问题，大大提高阿尔兹海默症诊断速度和诊断准确性，使得阿尔兹海默症辅助诊断更具有普适性。尔兹海默症辅助诊断更具有普适性。尔兹海默症辅助诊断更具有普适性。
【技术实现步骤摘要】
一种基于细粒度深度学习的阿尔兹海默症辅助诊断模型分类方法
[0001]本专利技术涉及医学影像处理
，具体来说是一种基于细粒度深度学习的阿尔兹海默症辅助诊断模型分类方法。
技术介绍
[0002]正电子发射型计算机断层显像(Positron Emission Computed Tomography，PET)其临床显像过程为：一些短寿命的物质，在衰变过程中释放出正电子，一个正电子在行进十分之几毫米到几毫米后遇到一个电子后发生湮灭，从而产生方向相反(180度)的一对能量为511KeV的光子(based on pair production)。这对光子，通过高度灵敏的照相机捕捉，并经计算机进行散射和随机信息的校正。便得到人体各部位横断面、冠状断面和矢状断面的影像，也可以得到在生物体内聚集情况的三维图像。
[0003]电子计算机断层扫描(Computed Tomography，CT)基本原理是图像重建，根据人体各种组织(包括正常和异常组织)对X射线吸收不等这一特性，将人体某一选定层面分成许多立方体小块(也称体素)X射线穿过体素后，测得的密度或灰度值称为象素。X射线束穿过选定层面，探测器接收到沿X射线束方向排列的各体素吸收X射线后衰减值的总和，为已知值，形成该总量的各体素X射线衰减值为未知值，当X射线发生源和探测器围绕人体做圆弧或圆周相对运动时。用迭代方法求出每一体素的X射线衰减值并进行图像重建，得到该层面不同密度组织的黑白图像。
[0004]PET
‑
CT的图像融合是将PET(功能分子影像)与CT(解剖影像)两种不同成像原理的设备同机组合，不是其功能的简单相加。而是在此基础上进行图像融合，融合后的图像既有精细的解剖结构又有丰富的生理.生化功能信息能为确定和查找肿瘤及其它病灶的精确位置定量、定性诊断提供依据。并可用X线对核医学图像进行衰减校正。
[0005]阿尔兹海默症(Alzheimer's disease，AD)是一种发病率较高的神经退行性疾病，目前AD的诊断主要通过计算机辅助脑部影像数据分析诊断，常见影像的包括磁共振成像(Magnetic Resonance Imaging，MRI)及正电子发射计算机断层显像(Positron Emission Computed Tomography，PET)等，其中PET在AD诊断中应用最为广泛。传统的诊断中方法太过于依赖患者和医生的主观意识，同时患者的年龄和学历等各种因素也会严重影响诊断的准确性，标准难以统一。近年来人工智能技术已经广泛应用于各行各业，特别是在医疗领域应用广泛。
[0006]因此，现阶段采用一种基于细粒度深度学习的阿尔兹海默症辅助诊断模型分类方法对脑部PET影像进行准确识别，从而达到阿尔兹海默症的辅助诊断效果已经成为急需解决的技术问题。
技术实现思路
[0007]本专利技术的目的是为了解决现有技术中的不足，针对细粒度脑部PET影像难以精准
分类阿尔兹海默症的缺陷，提供一种基于细粒度深度学习的阿尔兹海默症辅助诊断模型分类方法来解决上述问题。
[0008]为了实现上述目的，本专利技术的技术方案如下：
[0009]一种基于细粒度深度学习的阿尔兹海默症辅助诊断模型分类方法，包括以下步骤：
[0010]11)脑部PET影像训练集的获取和预处理：获取已确诊患有阿尔兹海默症的患者脑部PET影像数据和已确诊患有轻度阿尔兹海默症的患者脑部PET影像数据以及未患有阿尔兹海默症的患者脑部PET影像数据，并对脑部PET影像数据进行裁剪、归一化、数据增强等预处理；
[0011]12)细粒度阿尔兹海默症辅助诊断模型的建立：基于移动翻转瓶颈卷积结构构建细粒度阿尔兹海默症辅助诊断模型；
[0012]13)细粒度阿尔兹海默症辅助诊断模型的训练：将预处理后的脑部PET影像数据输入细粒度阿尔兹海默症辅助诊断模型，得到训练后的细粒度阿尔兹海默症辅助诊断模型；
[0013]14)待诊断影像的获取：获取待诊断的脑部PET影像数据并进行相同的预处理；
[0014]15)细粒度阿尔兹海默症辅助诊断结果的获得：将预处理后的待诊断的脑部PET影像数据输入训练后的细粒度阿尔兹海默症辅助诊断模型，获得阿尔兹海默症辅助诊断结果。
[0015]所述脑部PET影像训练集的获取和预处理包括以下步骤：
[0016]21)读取原始的脑部PET影像；
[0017]22)根据原始的脑部PET影像进行脑部自适应裁剪，其具体步骤如下：
[0018]221)通过检索遍历像素值获取各个位置的像素点；
[0019]222)将设置既定像素阈值筛选出阈值之上的像素值的索引坐标；
[0020]223)根据这些索引坐标进行二次筛选，选出坐标值中横纵坐标位置最大最小值，以这些坐标值来界定大脑极限边界位置；
[0021]224)对于获取的最大最小的横纵坐标值加入自适应边界系数；
[0022]225)该系数加入的评判条件是对于最大的坐标值进行自适应扩增，对于坐标值进行自适应缩减，然后扩增或缩减后的尺度需要在原来未裁剪前的尺度范围内，否则自适应系数为0。
[0023]23)对脑部自适应裁剪后的影像进行边缘填充；
[0024]24)对边缘填充后的影像进行归一化处理；
[0025]25)对归一化后的脑部PET影像进行数据增广，得到最终的预处理后的影像；数据增广的具体步骤如下：
[0026]251)以0.5的概率对图像进行中心旋转,左右最大旋转角度为180度；
[0027]252)以0.5的概率对图像进行仿射变换，变形程度0.15；
[0028]253)以0.5的概率对图像进行亮度变换，变换幅度为0到0.5；
[0029]254)以0.5的概率对图像进行对比度变换，变换幅度为0到0.5；
[0030]255)以0.5的概率对图像进行饱和度变换，变换幅度为0到0.5。所述细粒度阿尔兹海默症辅助诊断模型的建立包括以下步骤：
[0031]31)构建具备专注于其输入(或特征)子集能力的神经注意力机制模块(SE)；
[0032]首先对输入执行一次全局平均池化；
[0033]在顺序执行一次全连接层、激活函数Swish；
[0034]在顺序执行一次全连接层、激活函数Sigmoid；
[0035]之后拼接最后一次全连接层的输出与输入做为最终神经注意力机制模块的输出。
[0036]32)构建用于提取抽象特征的移动翻转瓶颈卷积层结构(MBConv)；
[0037]设定每个移动翻转瓶颈卷积层结构后会跟一个数字1或6(MBConv1或MBConv6)，这里的1或6就是倍率因子n即移动翻转瓶颈卷积层结构中第一个1x1的卷积层会将输入特征矩阵的通道数量(channels)扩充为n倍；
[0038]设定其中k3x3或k5x5表示移动翻转瓶颈卷积层结构中深度可变卷积(Depthwise Conv)所采用的卷积核大小。
本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于细粒度深度学习的阿尔兹海默症辅助诊断模型分类方法，其特征在于，包括以下步骤：11）脑部PET影像训练集的获取和预处理：获取已确诊患有阿尔兹海默症的患者脑部PET影像数据和已确诊患有轻度阿尔兹海默症的患者脑部PET影像数据以及未患有阿尔兹海默症的患者脑部PET影像数据，并对脑部PET影像数据进行裁剪、归一化、数据增强等预处理；12）细粒度阿尔兹海默症辅助诊断模型的建立：基于移动翻转瓶颈卷积结构构建细粒度阿尔兹海默症辅助诊断模型；13）细粒度阿尔兹海默症辅助诊断模型的训练：将预处理后的脑部PET影像数据输入细粒度阿尔兹海默症辅助诊断模型，得到训练后的细粒度阿尔兹海默症辅助诊断模型；14）待诊断影像的获取：获取待诊断的脑部PET影像数据并进行相同的预处理；15）细粒度阿尔兹海默症辅助诊断结果的获得：将预处理后的待诊断的脑部PET影像数据输入训练后的细粒度阿尔兹海默症辅助诊断模型，获得阿尔兹海默症辅助诊断结果。2.根据权利要求1所述的一种基于细粒度深度学习的阿尔兹海默症辅助诊断模型分类方法，其特征在于，所述脑部PET影像训练集的获取和预处理包括以下步骤：21）读取原始的脑部PET影像；22）根据原始的脑部PET影像进行脑部自适应裁剪，其具体步骤如下：221）通过检索遍历像素值获取各个位置的像素点；222）将设置既定像素阈值筛选出阈值之上的像素值的索引坐标；223）根据这些索引坐标进行二次筛选，选出坐标值中横纵坐标位置最大最小值，以这些坐标值来界定大脑极限边界位置；224）对于获取的最大最小的横纵坐标值加入自适应边界系数；225）该系数加入的评判条件是对于最大的坐标值进行自适应扩增，对于坐标值进行自适应缩减，然后扩增或缩减后的尺度需要在原来未裁剪前的尺度范围内，否则自适应系数为0；23）对脑部自适应裁剪后的影像进行边缘填充；24）对边缘填充后的影像进行归一化处理；25）对归一化后的脑部PET影像进行数据增广，得到最终的预处理后的影像；数据增广的具体步骤如下：251）以0.5的概率对图像进行中心旋转,左右最大旋转角度为180度；252）以0.5的概率对图像进行仿射变换，变形程度0.15；253）以0.5的概率对图像进行亮度变换，变换幅度为0到0.5；254）以0.5的概率对图像进行对比度变换，变换幅度为0到0.5；255）以0.5的概率对图像进行饱和度变换，变换幅度为0到0.5。3.根据权利要求1所述的一种基于细粒度深度学习的阿尔兹海默症辅助诊断模型分类方法，其特征在于，所述细粒度阿尔兹海默症辅助诊断模型的建立包括以下步骤...
【专利技术属性】
技术研发人员：张军，徐凯，
申请(专利权)人：安徽大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。