基于深度学习和纤维束空间统计分析的疾病分类系统技术方案

本发明专利技术公开了基于深度学习和纤维束空间统计分析的疾病分类系统，包括：获取模块，获取待分类的脑部图像；预处理模块，其被配置为：对待分类的脑部图像进行预处理；图像生成模块，基于预处理后的脑部图像，生成各项异性分数图像、平均扩散率图像和径向扩散率图像；体素提取模块，从各项异性分数图像中提取第一体素矩阵；从平均扩散率图像中提取第二体素矩阵；从径向扩散率图像中提取第三体素矩阵；将三个矩阵进行拼接得到拼接矩阵；分类模块，将拼接矩阵，输入到训练后的深度学习分类模型中，得到疾病分类结果。将体素按照块进行提取，防止了信息的丢失，将其拼接后使用深度学习模型进行分类，具备较好的分类准确率。具备较好的分类准确率。具备较好的分类准确率。

【技术实现步骤摘要】
基于深度学习和纤维束空间统计分析的疾病分类系统


[0001]本专利技术涉及人工智能与医学图像分类
，特别是涉及基于深度学习和纤维束空间统计分析的疾病分类系统。

技术介绍

[0002]本部分的陈述仅仅是提到了与本专利技术相关的
技术介绍
，并不必然构成现有技术。
[0003]目前，基于DTI图像的阿尔茨海默病(Alzheimer's disease，AD)诊断主要有基于感兴趣区域(region of interest，ROI)的方法、基于结构连接矩阵(Structural connection matrix，SCN)的方法、纤维束空间统计分析(tract based spatial statistics，TBSS)的方法。
[0004]但是，这些方法都存在着一定的问题，在基于感兴趣区域(region of interest，ROI)的方法中，需要预先对感兴趣区域进行定义，识别出具有显著差异的脑区，这通常需要医生具有广泛的临床经验，对于医生的素质提出了较高的要求，常有判断错误的情况发生。
[0005]对于结构连接矩阵(St本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度学习和纤维束空间统计分析的疾病分类系统，其特征是，包括：获取模块，其被配置为：获取待分类的脑部图像；预处理模块，其被配置为：对待分类的脑部图像进行预处理；图像生成模块，其被配置为：基于预处理后的脑部图像，生成各项异性分数图像、平均扩散率图像和径向扩散率图像；体素提取模块，其被配置为：从各项异性分数图像中提取第一体素矩阵；从平均扩散率图像中提取第二体素矩阵；从径向扩散率图像中提取第三体素矩阵；将三个矩阵进行拼接得到拼接矩阵；分类模块，其被配置为：将拼接矩阵，输入到训练后的深度学习分类模型中，得到疾病分类结果。2.如权利要求1所述的基于深度学习和纤维束空间统计分析的疾病分类系统，其特征是，所述预处理模块，其被配置为：消除待分类脑部图像的涡流和头部运动的失真，移除颅骨，获得大脑图像。3.如权利要求1所述的基于深度学习和纤维束空间统计分析的疾病分类系统，其特征是，所述图像生成模块，其被配置为：使用最小二乘法，对预处理后的脑部图像进行处理，进行弥散张量成像，生成各项异性分数图像、平均扩散率图像和径向扩散率图像。4.如权利要求1所述的基于深度学习和纤维束空间统计分析的疾病分类系统，其特征是，所述从各项异性分数图像中提取第一体素矩阵；具体包括：以训练集中每个被筛选出来的有差异体素的坐标为中心，提取出一个正方体块；将所有的正方体块，按照空间位置进行拼接，得到第一体素矩阵。5.如权利要求4所述的基于深度学习和纤维束空间统计分析的疾病分类系统，其特征是，所述训练集中每个被筛选出来的有差异体素的坐标，获取过程包括：在训练集中，将所有的各向异性分数图像配准到标准空间；然后，将配准后的图像仿射变换到标准空间中；将训练集中所有被试者的各向异性分数图像在标准空间内合成一个4D文件；同时，生成所有被试者的平均各向异性分数图像；根据平均各向异性分数图像，得到平均各向异性分数图像的骨架；所述骨架为白质纤维束骨架，根据所有被试者生成的平均FA图像，得到白质纤维束骨架；将平均各向异性分数图像的骨架，作为训练集所有被试者各项异性分数图像的骨架；确定训练集中已知患者各项异性分数图像的骨架与训练集中已知正常对照组各项异性分数图像的骨架之间存在差异的体素，对存在差异的体素进行筛选，得到训练集中每个被筛选出来的有差异体素的坐标。6.如权利要求5所述的基于深度学习和纤维束空间统计分析的疾病分类系统，其特征是，所述确定训练集中患者各项异性分数图像...

【专利技术属性】
技术研发人员：乔建苹，方坤伦，闫航，
申请(专利权)人：山东师范大学，
类型：发明
国别省市：