一种阿尔兹海默症病理区域定位及分类预测方法技术

本发明专利技术公开了一种阿尔兹海默症病理区域定位及分类预测方法，包括步骤：构造阿尔兹海默症分类模型；构造基于反事实推理的可视化解释模型；将反事实图作为指导，引入三维坐标注意力机制，进一步增强分类模型；将解释模型与阿尔兹海默症分类模型进行迭代。其中反事实推理解释模型，采用反事实推理方法划分出细微的病理区域，利用生成病理区域的位置信息来指导分类模型，使分类模型专注于学习与疾病相关的判别区域，对病理区域敏感度更高；使用三维坐标注意力机制获取三维图像区域间的依赖关系并保留三维空间精确的位置信息，模型更易获取感兴趣的区域，对全脑结构进行分析，进而提高分类模型的训练效率及准确率，模型鲁棒性更强。强。强。

【技术实现步骤摘要】
一种阿尔兹海默症病理区域定位及分类预测方法


[0001]本专利技术涉及医学图像处理及视觉计算领域，具体为一种阿尔兹海默症病理区域定位及分类预测方法。

技术介绍

[0002]阿尔茨海默病(AD)是最常见的进行性神经退行性疾病，以认知功能进行性损害为特征，最终将导致不可逆转的神经元损失。AD导致与记忆、语言和其他认知功能相关的脑区神经细胞的损伤和破坏，它导致了世界上60％
‑
80％的痴呆症病例。与AD相关的脑萎缩表现为从认知正常(NC)到轻度认知损害(MCI)和症状谱中痴呆症的连续进展。
[0003]当前在各种脑成像影像中，结构磁共振成像(sMRI)被用于AD诊断的研究最为深入，因为它提供了大脑解剖结构中神经元丢失的成像生物标记物。具体地说，sMRI扫描得到的图像有助于检测和测量大脑的形态变化，如脑室扩大和局部萎缩，以及受试者间的解剖差异。近年来，随着深度学习在医学图像处理领域研究不断取得进展，在基于sMRI的AD诊断方面已取得诸多实质性进展，预计可达临床应用级别。但同时，由于深度学习模型的黑箱性质限制了它们在医疗领域的实际应用，特别是在公平、问责和透明度等方面。故而越来越需要模型输出的可解释性和模型内部工作的可解释性。从最终用户(医生，患者等)的角度来看，能够在人类认知的水平上解释，以及深度学习模型输出的可解释性至关重要的。然而，构建同时具有可解释性和高性能预测模型仍然是一个未解决的问题，因为它们之间很难进行权衡，即可解释模型的性能往往低于黑盒模型，特别是在医学视觉领域。
[0004]权衡模型性能和可解释性一直是可解释人工智能领域(XAI)的一个长期目标。在XAI早期，研究人员提出了各种方法来发现或识别对获得分类器结果影响最大的区域。这些XAI方法的主要目的是回答这样一个问题：“对于输入的X，哪个部分影响了分类器将其标记为Y的决定？”然而，最近的XAI方法在因果关系的意义上提供了更根本的解释：“如果输入X是X
′
，结果会是Z而不是Y吗？”。这种解释被定义为反事实推理的根源。反事实推理在人类认知水平上提供解释，因为它解释了模型在假设场景中的决定。
[0005]因此，采用基于反事实推理的阿尔兹海默症深层解释模型能输出更高级别的视觉解释。如生成一个以目标标签(即假设场景)为条件的反事实图，将此反事实图添加到输入图像，使其转换后的图像被诊断为目标类型。例如，当反事实图添加到患有AD的受试者sMRI图像时，会导致输入sMRI图像类别改变，从而将其诊断为正常受试者。在训练阶段利用反事实图作为特权信息，即利用反事实图影响类别判定的位置信息，进一步优化诊断模型，使诊断模型专注于学习和发现与疾病相关的判别区域，将解释模型与AD诊断模型相结合。同时为了获取三维图像区域间的依赖关系并保留三维空间精确的位置信息。将三维坐标注意力引入分类器每一个卷积层中，进一步增强分类器的泛化性，从而提高模型整体性能与可解释性。

技术实现思路

[0006]针对现有技术的不足，本专利技术提供了一种阿尔兹海默症病理区域定位及分类预测方法，解决了上述
技术介绍
中提出的问题。
[0007]为实现以上目的，本专利技术通过以下技术方案予以实现：一种阿尔兹海默症病理区域定位及分类预测方法，包括以下步骤：
[0008]S1、从ADNI数据库中获取阿尔兹海默症患者、正常受试者及轻度认知障碍患者的三类核磁共振成像的图像数据，并对所获得图像样本进行数据预处理；
[0009]S2、将预处理后的三类sMRI图像数据进行零均值单位方差归一化、分位数归一化，并进行下采样调整图像尺寸，得到下采样后的图像数据；
[0010]S3、使用3D
‑
Resnet18网络，构造sMRI图像的AD/MCI/NC分类诊断模型，获取图像分类的每一层分类特征；
[0011]S4、基于分类模型构造多路反事实推理的可视化解释模型，从S3预先训练的分类模型中提取相应分类特征作为反事实图中的编码器，基于循环生成对抗网络(CycleGAN)生成多路反事实解释模型；
[0012]S5、将反事实图生成器生成的反事实图作为病理区域位置信息指导，并在S3分类模型的基础上，进一步改进，引入三维坐标注意力机制，加强分类模型的表现；
[0013]S6、将S5训练完成后的分类模型特征输入S4中的模型，重复S4和S5进行迭代，迭代后计算预测模型分类的准确率，并保留到截至当前迭代准确率最高的模型；达到设定的迭代次数后，输出最优模型。
[0014]可选的，所述sMRI图像数据预处理及尺寸调整方法包含以下步骤：
[0015]S11、将获取的ADNI影像数据进行前连合(AC)
‑
后连合(PC)校正，得到所需标准空间的数据；
[0016]S12、使用HD
‑
BET脑部剥离工具，剥离脑颅骨及颈部组织等非脑组织，得到剥离后的图像数据；
[0017]S13、使用FSL软件的FLIRT工具，将剥离后的图像通过FLIRT线性变换配准到标准的MNI152 1mm的脑模板空间上；
[0018]S14、将配准后的图像数据使用ANTs软件的N4BiasFieldCorrection函数进行偏置场校正，最后得到图像尺寸为193mm
×
229mm
×
193mm的影像数据；
[0019]S15、将校正后的数据进行零均值单位方差归一化、分位数归一化(设置为10％和90％)，并进行下采样将图像缩小2倍，最终输入到模型中的sMRI图像尺寸为96mm
×
114mm
×
96mm。
[0020]可选的，所述基于反事实推理的阿尔兹海默症深层解释模型能输出更高级别的视觉解释，包括：
[0021]在预先训练的阿尔兹海默症分类模型的基础上，构造基于反事实推理的可视化解释模型，使反事实图生成器能够将图像数据经过反事实映射转化为任意目标类型的数据，例如，当反事实图添加到患有AD的受试者sMRI图像时，会导致输入sMRI图像类别改变，从而将其诊断为正常受试者，基于循环生成对抗网络(CycleGAN)框架构建阿尔兹海默症多路反事实推理解释模型，其主要包含三个模块：反事实图生成器(CMG)、结果评估器及鉴别器；
[0022]反事实图生成器用于合成以目标标签t为条件的反事实图CM
x,t
，它由编码器和
生成器组成，编码器和生成器的网络设计是基于U
‑
Net的一种变体，将目标标签经过平铺操作与编码器每一层提取的数据特征相连接，并通过跳跃连接传递到生成器中，记表示编码器中第l个卷积层的输出特征图，给定目标标签t进行平铺，使其形状能够与特征图相匹配，为了更好提取目标标签的相关信息采用3D卷积，其具有可学习的3
×3×
3卷积核、各个维度中的步长设置为1并采用零填充的，然后通过非线性LReLU激活函数，得出以下结果：
[0023][0024]其中，表示通道级联的运算本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种阿尔兹海默症病理区域定位及分类预测方法，其特征在于：包括以下步骤：S1、从ADNI数据库中获取阿尔兹海默症患者、正常受试者及轻度认知障碍患者的三类核磁共振成像的图像数据，并对所获得图像样本进行数据预处理；S2、将预处理后的三类sMRI图像数据进行零均值单位方差归一化、分位数归一化，并进行下采样调整图像尺寸，得到下采样后的图像数据；S3、使用3D
‑
Resnet18网络，构造sMRI图像的AD/MCI/NC分类诊断模型，获取图像分类的每一层分类特征；S4、基于分类模型构造多路反事实推理的可视化解释模型，从S3预先训练的分类模型中提取相应分类特征作为反事实图中的编码器，基于循环生成对抗网络(CycleGAN)生成多路反事实解释模型；S5、将反事实图生成器生成的反事实图作为病理区域位置信息指导，并在S3分类模型的基础上，进一步改进，引入三维坐标注意力机制，加强分类模型的表现；S6、将S5训练完成后的分类模型特征输入S4中的模型，重复S4和S5进行迭代，迭代后计算预测模型分类的准确率，并保留到截至当前迭代准确率最高的模型；达到设定的迭代次数后，输出最优模型。2.根据权利要求1所述的一种阿尔兹海默症病理区域定位及分类预测方法，其特征在于：所述sMRI图像数据预处理及尺寸调整方法包含以下步骤：S11、将获取的ADNI影像数据进行前连合(AC)
‑
后连合(PC)校正，得到所需标准空间的数据；S12、使用HD
‑
BET脑部剥离工具，剥离脑颅骨及颈部组织等非脑组织，得到剥离后的图像数据；S13、使用FSL软件的FLIRT工具，将剥离后的图像通过FLIRT线性变换配准到标准的MNI152 1mm的脑模板空间上；S14、将配准后的图像数据使用ANTs软件的N4BiasFieldCorrection函数进行偏置场校正，最后得到图像尺寸为193mm
×
229mm
×
193mm的影像数据；S15、将校正后的数据进行零均值单位方差归一化、分位数归一化(设置为10％和90％)，并进行下采样将图像缩小2倍，最终输入到模型中的sMRI图像尺寸为96mm
×
114mm
×
96mm。3.根据权利要求1所述的一种阿尔兹海默症病理区域定位及分类预测方法，其特征在于：所述基于反事实推理的阿尔兹海默症深层解释模型能输出更高级别的视觉解释，包括：在预先训练的阿尔兹海默症分类模型的基础上，构造基于反事实推理的可视化解释模型，使反事实图生成器能够将图像数据经过反事实映射转化为任意目标类型的数据，例如，当反事实图添加到患有AD的受试者sMRI图像时，会导致输入sMRI图像类别改变，从而将其诊断为正常受试者，基于循环生成对抗网络(Cycle...

【专利技术属性】
技术研发人员：葛威，徐皓，
申请(专利权)人：中南民族大学，
类型：发明
国别省市：