一种辅助诊断抑郁症装置制造方法及图纸

本发明专利技术实施例公开一种辅助诊断抑郁症装置，所述辅助诊断抑郁症装置包括预处理单元和特征提取和诊断单元；所述预处理单元包括去干扰器、矫正器、滤波器；所述特征提取和诊断单元包括图像处理单元和复合卷积神经网络单元；所述图像处理单元接收所述预处理单元输出的成像数据进行计算，得到包括低频振幅、低频振幅率、局部一致性和度中心度对应的四维影像特征矩阵；将所述四维影像特征矩阵输入至所述复合卷积神经网络单元进行处理，得到判定结果；其中，所述复合卷积神经网络单元包括训练好的复合卷积神经网络，通过模拟退火算法判定复合卷积神经网络的训练结果是否合格以得到训练好的复合卷积神经网络。的复合卷积神经网络。的复合卷积神经网络。

【技术实现步骤摘要】
一种辅助诊断抑郁症装置


[0001]本专利技术涉及计算机领域。更具体地，涉及一种辅助诊断抑郁症装置。

技术介绍

[0002]抑郁症(Major Depression Disorder,MDD)是一种常见而复杂的情感性精神障碍，患者以显著而持久的情绪低落、思维迟缓、精力缺乏及意志活动减退为主要临床表现，严重时可出现自杀倾向。2017年WHO报告患病率达4.4％，全世界已有超过3亿患者。预计到2030年，抑郁症将占据全球疾病负担的最大份额。而目前针对抑郁症的诊断通常依赖于患者的临床症状和专业医生的诊断访谈，易受到患者配合度以及医生主观因素的影响。
[0003]功能性磁共振成像具有无侵入性、无辐射、空间分辨率高以及对比度高等优点，可以进行任意解剖面的直接采集成像，提供多方位立体的脑图像信息。近年来，磁共振技术从脑结构、功能及代谢等多方面对抑郁症进行了广泛而深入的研究，为抑郁症的诊断提供客观证据。
[0004]随着计算机技术的进步，机器学习(machine learning)的研究也得到飞速发展。机器学习是研究怎样使用计算机模拟或实现人类学习活动的科学，是人工智能中最具智能特征，最前沿的研究领域之一。机器学习方法因其优秀的预测能力而被广泛应用于抑郁症辅助诊断研究。
[0005]而现有的分类方法以机器学习尤其是支持向量机(SVM)为主，分类准确率一直较低。此外，由于卷积神经网络(CNN)在图像处理，语音识别，计算机辅助诊断，自然语言处理等许多领域中的出色表现，有些研究者将脑影像数据直接作为CNN的输入，但没有取得较好的结果。

技术实现思路

[0006]本专利技术的目的在于提供一种辅助诊断抑郁症装置，以解决相关技术存在的问题中的至少一个。
[0007]为达到上述目的，本专利技术采用下述技术方案：
[0008]本专利技术提供了一种辅助诊断抑郁症装置，包括：
[0009]预处理单元和特征提取和诊断单元；
[0010]所述预处理单元包括去干扰器、矫正器、滤波器；
[0011]所述去干扰器用于对静息态磁共振脑功能影像数据进行去干扰处理，去除不稳定信号；
[0012]所述矫正器用于进行时间层矫正和头动矫正；
[0013]所述滤波器用于在0.01～0.1Hz频段进行滤波；
[0014]所述特征提取和诊断单元包括图像处理单元和复合卷积神经网络单元；
[0015]所述图像处理单元接收所述预处理单元输出的成像数据进行计算，得到包括低频振幅、低频振幅率、局部一致性和度中心度对应的四维影像特征矩阵；
[0016]将所述四维影像特征矩阵输入至所述复合卷积神经网络单元进行处理，得到判定结果；
[0017]其中，所述复合卷积神经网络单元包括训练好的复合卷积神经网络，通过模拟退火算法判定复合卷积神经网络的训练结果是否合格以得到训练好的复合卷积神经网络。
[0018]可选的，所述预处理单元还包括格式转换器，用于将DICOM格式的静息态磁共振脑功能影像数据转换为NIFTI格式，以便后续处理。
[0019]可选的，所述复合卷积神经网络采用密集卷积神经网络，包括依次连接的大小为3*3*3，卷积核数为16的卷积核、Dense Net网络结构、全平均池化层和Softmax层，模型初始学习率参数值为0.1；
[0020]所述Desnse Net网络结构包括多个Dense Block层和Transition层，所述Dense Block层包括归一化层、激活层和大小为3*3*3，步长为1的卷积核，用于特征的提取和传递，所述Transition层包括依次连接的大小为1*1*1的卷积核和平均池化层，用于控制特征图的维度和压缩。
[0021]可选地，所述全连接层的运算函数为：
[0022][0023]其中，为第m层中第i个神经元的输出，b
m
为第m层中第i个神经元的偏置，σ
i,j
为第i个神经元与第m
‑
1层的第j个神经元的连接权值，N为第m
‑
1层神经元的个数，f为Relu激活函数。
[0024]可选的，所述Softmax层的运算函数为：
[0025][0026]其中，X
j
为第j个输入变量，X
i
为第i个输入变量，N为输入变量的总数，y
j
为输出类别为j的概率。
[0027]可选地，通过训练集对所述复合卷积神经网络进行训练，所述训练集包括预处理之后的健康人和抑郁症患者的静息态磁共振脑功能影像数据。
[0028]可选地，通过模拟退火算法的适应度函数判定复合卷积神经网络的训练结果是否合格包括：
[0029]S10：通过所述模拟退火算法判定所述复合卷积神经网络的现有输出结果是否满足算法停止条件，若不满足，则随机生成一个新的学习率x
o
±
x
Δ
，其中，x
o
为所述复合卷积神经网络的当前学习率，x
Δ
为变化值，通过计算修改后的复合卷积神经网络的目标函数值，例如为交叉熵损失函数；
[0030]S20：若修改后的复合卷积神经网络的目标函数值小于之前的复合卷积神经网络的目标函数值，则采用新的学习率，若修改后的复合卷积神经网络的目标函数值大于等于之前的复合卷积神经网络的目标函数值，则概率接受学习率x
o
+x
Δ
作为新的学习率。
[0031]该概率的确定方式为生成随机数r∈(0,1)同时计算概率函数P，若r＞P，接受解决方案x0+x
Δ
，否则保持原有方案x
o
；
[0032]重复步骤S10、S20，直到满足复合卷积神经网络的适应度函数值小于预设值。
[0033]其中，通过公式计算概率函数：
[0034][0035]其中，k为玻尔兹曼常数，T为温度。
[0036]可选地，所述适应度函数为：
[0037][0038]其中，f为适应度，o为期望输出，y为实际输出，R为训练样本个数；
[0039]使用适应度函数验证所述复合神经网络的输出，适应度函数值小于预定数值为神经网络训练迭代终止条件。
[0040]可选地，所述辅助诊断抑郁症装置还包括磁共振扫描仪，用于获取用户的静息态磁共振脑功能影像数据信息。
[0041]可选地，所述辅助诊断抑郁症装置还包括存储模块，用于存储影像数据、诊断结果数据。
[0042]本专利技术的有益效果如下：
[0043]本实施例提供的辅助诊断抑郁症装置，使用复合卷积神经网络处理静息态磁共振脑影像辅助诊断抑郁症，并使用模拟退火算法、适应度函数对所述复合卷积神经网络处理静息态磁共振脑影像的输出结果进行优化，对卷积神经网络的训练结果进行质控，进一步提高模型的计算精度，提高了判断结果的准确性。
附图说明
[0044]下面结合附图对本专利技术的具体实施方式做进一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种辅助诊断抑郁症装置，其特征在于，包括预处理单元和特征提取和诊断单元；所述预处理单元包括去干扰器、矫正器、滤波器；所述去干扰器用于对静息态磁共振脑功能影像数据进行去干扰处理，去除不稳定信号；所述矫正器用于进行时间层矫正和头动矫正；所述滤波器用于在0.01～0.1Hz频段进行滤波；所述特征提取和诊断单元包括图像处理单元和复合卷积神经网络单元；所述图像处理单元接收所述预处理单元输出的成像数据进行计算，得到包括低频振幅、低频振幅率、局部一致性和度中心度对应的四维影像特征矩阵；将所述四维影像特征矩阵输入至所述复合卷积神经网络单元进行处理，得到判定结果；其中，所述复合卷积神经网络单元包括训练好的复合卷积神经网络，通过模拟退火算法判定复合卷积神经网络的训练结果是否合格以得到训练好的复合卷积神经网络。2.根据权利要求1所述的辅助诊断抑郁症装置，其特征在于，所述预处理单元还包括格式转换器，用于将DICOM格式的静息态磁共振脑功能影像数据转换为NIFTI格式，以便后续处理。3.根据权利要求1所述的辅助诊断抑郁症装置，其特征在于，所述复合卷积神经网络采用密集卷积神经网络，包括依次连接的大小为3*3*3，卷积核数为16的卷积核、Dense Net网络结构、全平均池化层和Softmax层；所述Desnse Net网络结构包括多个Dense Block层和Transition层，所述Dense Block层包括归一化层、激活层和大小为3*3*3，步长为1的卷积核，用于特征的提取和传递，所述Transition层包括依次连接的大小为1*1*1的卷积核和平均池化层，用于控制特征图的维度和压缩。4.根据权利要求3所述的辅助诊断抑郁症装置，其特征在于，还包括，所述全连接层的运算函数为：其中，为第m层中第i个神经元的输出，b
m
为第m层中第i个神经元的偏置，σ
i,j
为第i个神经元与第m
‑
1层的第j个神经元的连接权值，N为第m
‑
1层神经元的个数，f为Relu激活函数。5.根据权利要求3所述的辅助诊断抑郁症装置，其特征在于，所述Softmax层的运算函数为：其中，X
j
为第j个输入变量，X
i
为第i个输入变量，N为输入变量的总数，y
j
为输出类别为j的概率。
6.根据权利要求1或3所述的辅助诊断抑郁症装置，其特征在于，以训练集为输入对所述复合卷积神经网络进行训练，所述训练集包括预处理之后的健康人和抑郁症患者的静息态磁共...

【专利技术属性】
技术研发人员：马跃，王小玲，徐鹏，高山山，方继良，荣培晶，
申请(专利权)人：中国中医科学院广安门医院，
类型：发明
国别省市：