基于深度学习的阿尔茨海默分类系统技术方案

本发明专利技术提供了一种基于深度学习的阿尔茨海默分类系统，包括：模块M1：获取AD多模态数据并进行预处理，得到预处理后的AD多模态数据；模块M2：将预处理后的AD多模态数据按照预设比例分为训练集及测试集；模块M3：构建联合网络模型，包括MAM U

【技术实现步骤摘要】
基于深度学习的阿尔茨海默分类系统


[0001]本专利技术涉及多模态图像智能识别
，具体地，涉及基于深度学习的阿尔茨海默分类系统。

技术介绍

[0002]阿尔茨海默症(Alzheimer's disease,AD)是最常见的进行性神经退行性疾病之一。据报道，AD已成为2019年第六大死因。AD通常起病隐匿，并逐渐发展，只有在患者出现不可逆转的行为和认知障碍后才能确诊。在疾病发展的初期阶段对AD进行准确的诊断可以及时有效的缓解病情。轻度认知障碍(Mild cognitive impairment，MCI)被认为是正常衰老和AD之间的过渡阶段，研究表明海马体是AD最早受影响的脑区之一，对于延缓AD的发病和治疗非常重要。因此对于海马体区域的精准分割将有助于提高AD的诊断。最终达到提高患者生存率和存活时间的目标。
[0003]随着计算机技术的快速发展，医学成像技术得到了前所未有的进步。越来越多具有不同模式的医学图像被应用于计算机辅助诊断。不同模态的医学图像可以提供不同类型的特征信息来识别AD和MCI或正常对照组(Normal control,NC)。磁共振成像(Magnetic resonance imaging,MRI)是一种非侵入性成像技术，可以生成大脑等内部身体结构的解剖图像，检测和测量AD患者的脑萎缩模式有助于了解与AD相关的大脑解剖和功能变化。正电子发射断层扫描(Positron Emission Computed Tomography，PET)可以捕捉大脑代谢的激活，揭示生物标记物的生理模式，例如通过脑脊液测量的病理性淀粉样沉积来辅助诊断AD。许多研究表明，利用多模态图像中的特异性特征有助于改善AD的诊断。
[0004]如今，以深度学习为代表的机器学习在图像分割及分类领域中发挥着重要的作用。2015年U
‑
net网络的提出使人们开始利用计算机强大的计算能力对医学图像进行处理和分析，大大促进了机器学习在医疗辅助诊断中的发展。
[0005]当前对于AD的研究大多集中于单个任务，所提取的特征都独立于分类模型可能会导致次优解，针对特定任务采用的网络模型鲁棒性和泛化性较差。此外，由于海马体病灶区域占整个脑部图像比例较小，目标区域和图像整体体素数量失衡会导致模型优化方向偏移。
[0006]专利文献CN113989551A(申请号：202111237755.X)公开了一种基于改进的ResNet网络的阿尔茨海默病的分类方法，主要解决现有分类检测算法过程中数据不均衡及池化中特征丢失的问题。其方案是：(1)对ResNet网络进行改进加入有效通道注意力ECA模块，搭建针对阿尔茨海默病的ResNet分类检测网络；(2)为减少池化操作过程中的信息丢失，将最大池化Maxpool修改为softpool；(3)使用焦点损失函数替换交叉熵损失函数来解决数据不均衡，以及模型难学习困难样本的问题；(4)选取每一个MRI 3D数据在Axial
‑
横截、Sagittal
‑
矢状、Coronal
‑
冠状三个轴向位置的2D形式切片；(5)对改进后ResNet网络进行训练和测试。
[0007]专利文献CN110236543A(申请号：201910435384.2)公开了一种基于深度学习的阿
尔茨海默病多分类诊断系统，包括：图像特征提取模块，用于根据神经网络模型对大脑三正交平面MRI图像的特征向量进行提取；指标特征选择模块，用于根据医学相关文献选择检查指标组成指标特征向量；向量线性融合模块，用于采用基于典型相关分析的多元数据线性融合方法将图像的特征向量和指标特征向量进行融合；疾病分类诊断模块，用于将融合后的向量输入多分类分类器来区分阿尔茨海默病的三个阶段。

技术实现思路

[0008]针对现有技术中的缺陷，本专利技术的目的是提供一种基于深度学习的阿尔茨海默分类系统。
[0009]根据本专利技术提供的一种基于深度学习的阿尔茨海默分类系统，包括：
[0010]模块M1：获取AD多模态数据并进行预处理，得到预处理后的AD多模态数据；
[0011]模块M2：将预处理后的AD多模态数据按照预设比例分为训练集及测试集；
[0012]模块M3：构建联合网络模型，包括MAM U
‑
net分割网络和T
‑
DenseNet分类网络；
[0013]模块M4：利用训练集训练联合模型直至损失函数收敛，得到训练后的联合模型；
[0014]模块M5：利用测试集通过训练后的联合模型进行预测，并根据预测结果和预设标注信息计算准确率，如果准确率未达到预设要求，则重复触发模块M4至模块M5直至准确率达到预设要求；
[0015]所述MAM U
‑
net分割网络是基于MAM注意力机制模块完成海马体区域分割任务；
[0016]所述T
‑
DenseNet分类网络是基于Dense模块完成高级别语义特征提取任务；
[0017]所述联合模型是基于MAM U
‑
net分割网络、T
‑
DenseNet分类网络、concate层以及全连接层，根据将预处理后的AD多模态数据对阿尔兹海默进行分类。
[0018]优选地，所述模块M1采用：对获取的AD多模态数据进行预处理，得到统一标准AD多模态数据集；对得到的统一标准AD多模态数据集标注海马体区域。
[0019]优选地，所述MAM U
‑
net分割网络包括：压缩特征图模块和将压缩特征图解压缩模块；
[0020]所述压缩特征图模块包括卷积层、MAM模块、下采样、MAM模块、下采样以及ResNet模块；将T1WI和PET图像构成的双通道三维特征图I0经过卷积层得到弱语义特征I1；弱语义特征I1输入至MAM模块得到包含通道和空间信息的特征图I2；将特征图I2经过下采样处理得到特征图I3；将特征图I3输入至MAM模块得到特征图I4；将特征图I4经过下采样处理得到特征图I5；最后将特征图I5输入至ResNet模块中得到较高级别的语义特征I6；
[0021]所述将压缩特征图解压模块包括ResNet模块、上采样、MAM模块、上采样、MAM模块以及卷积层；将较高级别的语义特征I6输入到ResNet模块中得到特征图I7，特征图I7经过上采样操作得到特征图I8，特征图I8与特征图I4进行矩阵相加操作后输入到MAM模块中得到特征图I9，将特征图I9经过上采样处理得到特征图I
10
，特征图I
10
与特征图I2再次进行矩阵相加操作后输入到MAM模块得到特征图I
11
，最后将特征图I
11
经过卷积操作获得分割结果Result
Seg
。
[0022]优选地，所述MAM模块包括空间注意力机制以及通道注意力机制；
[0023]所述空间注意力机制为通过两个池化操作聚合特征映射的通道信息生成本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的阿尔茨海默分类系统，其特征在于，包括：模块M1：获取AD多模态数据并进行预处理，得到预处理后的AD多模态数据；模块M2：将预处理后的AD多模态数据按照预设比例分为训练集及测试集；模块M3：构建联合网络模型，包括MAM U
‑
net分割网络和T
‑
DenseNet分类网络；模块M4：利用训练集训练联合模型直至损失函数收敛，得到训练后的联合模型；模块M5：利用测试集通过训练后的联合模型进行预测，并根据预测结果和预设标注信息计算准确率，如果准确率未达到预设要求，则重复触发模块M4至模块M5直至准确率达到预设要求；所述MAM U
‑
net分割网络是基于MAM注意力机制模块完成海马体区域分割任务；所述T
‑
DenseNet分类网络是基于Dense模块完成高级别语义特征提取任务；所述联合模型是基于MAM U
‑
net分割网络、T
‑
DenseNet分类网络、concate层以及全连接层，根据将预处理后的AD多模态数据对阿尔兹海默进行分类。2.根据权利要求1所述的基于深度学习的阿尔茨海默分类系统，其特征在于，所述模块M1采用：对获取的AD多模态数据进行预处理，得到统一标准AD多模态数据集；对得到的统一标准AD多模态数据集标注海马体区域。3.根据权利要求1所述的基于深度学习的阿尔茨海默分类系统，其特征在于，所述MAM U
‑
net分割网络包括：压缩特征图模块和将压缩特征图解压缩模块；所述压缩特征图模块包括卷积层、MAM模块、下采样、MAM模块、下采样以及ResNet模块；将T1WI和PET图像构成的双通道三维特征图I0经过卷积层得到弱语义特征I1；弱语义特征I1输入至MAM模块得到包含通道和空间信息的特征图I2；将特征图I2经过下采样处理得到特征图I3；将特征图I3输入至MAM模块得到特征图I4；将特征图I4经过下采样处理得到特征图I5；最后将特征图I5输入至ResNet模块中得到较高级别的语义特征I6；所述将压缩特征图解压模块包括ResNet模块、上采样、MAM模块、上采样、MAM模块以及卷积层；将较高级别的语义特征I6输入到ResNet模块中得到特征图I7，特征图I7经过上采样操作得到特征图I8，特征图I8与特征图I4进行矩阵相加操作后输入到MAM模块中得到特征图I9，将特征图I9经过上采样处理得到特征图I
10
，特征图I
10
与特征图I2再次进行矩阵相加操作后输入到MAM模块得到特征图I
11
，最后将特征图I
11
经过卷积操作获得分割结果Result
Seg
。4.根据权利要求3所述的基于深度学习的阿尔茨海默分类系统，其特征在于，所述MAM模块包括空间注意力机制以及通道注意力机制；所述空间注意力机制为通过两个池化操作聚合特征映射的通道信息生成两个二维映射：和分别表示通道中的平均池特征和最大池特征；然后通过卷积层将它们连接并卷积，生成空间特征图；其中，表示矩阵，矩阵的大小为C/r
×1×
1；C表示通道的数量；r表示缩减率；W和H分别表示特征图的宽和高；所述通道注意力机制将输入的特征图经过最大池化和平均池化操作分别生成最大池特征和平均池特征，接着将最大池特征和平均池特征输入共享网络生成通道特征图；所述共享网络包括多层感知机MLP和隐藏层，对输入的最大池特征和平均池特征进行融合，得到一个相同大小的通道特征图；
将得到的通道特征图和空间特征图经过权重计算得到MAM模块输出的特征图；其中，ω表示权重。5.根据权利要求4所述的基于深度学习的阿尔茨海默分类系统，其特征在于，所述空间特征图采用：其中，σ表示sigmoid激活函数；f7×7表示大小为7
×
7的...

【专利技术属性】
技术研发人员：耿道颖，周锟，于泽宽，朴思蓉，
申请(专利权)人：粤港澳大湾区精准医学研究院广州，
类型：发明
国别省市：