阿尔兹海默症辅助诊断模型获取方法及装置制造方法及图纸

本公开提供了一种阿尔兹海默症辅助诊断模型获取方法及装置，其中，方法包括：获取MRI和PET医学图像数据集，在三维状态下对MRI和PET医学图像进行预处理，完成配准和切片工作；将MRI和PET二维图像输入预先通过多尺度自适应变换建立的图像融合模型，输出融合图像；基于迁移学习方法，利用相近的认知障碍数据库对预先建立的VGG16神经网络图像分类识别模型进行预训练；使用融合图像对VGG16神经网络图像分类识别模型进行最后训练，获得多模态阿尔兹海默症辅助诊断模型。本公开将多尺度自适应变换应用于图像融合阶段，将迁移学习应用于图像分类阶段，以充分捕获来自不同深度的不同尺寸特征和解决数据量过少问题。特征和解决数据量过少问题。特征和解决数据量过少问题。

【技术实现步骤摘要】
阿尔兹海默症辅助诊断模型获取方法及装置


[0001]本文件涉及图像融合
，尤其涉及一种阿尔兹海默症辅助诊断模型获取方法及装置。

技术介绍

[0002]诊断阿尔兹海默症(AD)的传统方法一般结合体检、神经系统检查、CT扫描、磁共振成像(MRI)、脑电图(EEG)、正电子发射断层扫描(PET)等信息得出诊断结论。针对人工筛查方法需考虑各种因素，过程复杂冗长且效率低下，国内外医疗和研究机构开始使用基于人工智能的辅助诊断技术，包括深度学习、迁移学习、多模态等。
[0003]现有相关技术中，基于多模态特征融合技术的阿尔兹海默症分类器先对特征强制融合，再进行图像分类。上述技术方案存在以下问题：特征融合阶段不能充分获取有用的多模态信息，图像分类阶段存在因数据量过少导致分类效果不好。
[0004]综合上面该
发展状况分析，现有的技术方案缺少能够在捕获全局特征提取的基础上补充不同维度信息，以及在模型分类过程中的参数迁移。

技术实现思路

[0005]本专利技术的目的在于提供一种阿尔兹海默症辅助诊断模型获取方法及装置，旨在解决现有技术中的上述问题。
[0006]根据本公开实施例的第一方面，本专利技术提供一种阿尔兹海默症辅助诊断模型获取方法，包括：
[0007]获取MRI和PET医学图像数据集，在三维状态下对MRI和PET医学图像进行预处理，完成配准和切片工作；
[0008]将MRI和PET二维图像输入预先通过多尺度自适应变换建立的图像融合模型，输出融合图像；
[0009]基于迁移学习方法，利用相近的认知障碍数据库对预先建立的VGG16神经网络图像分类识别模型进行预训练；
[0010]使用融合图像对VGG16神经网络图像分类识别模型进行最后训练，获得多模态阿尔兹海默症辅助诊断模型。
[0011]根据本公开实施例的第二方面，本专利技术提供一种阿尔兹海默症辅助诊断模型获取装置，包括：
[0012]预处理模块，用于获取MRI和PET医学图像数据集，在三维状态下对MRI和PET医学图像进行预处理，完成配准和切片工作；
[0013]融合模块，用于将MRI和PET二维图像输入预先通过多尺度自适应变换建立的图像融合模型，输出融合图像；
[0014]预训练模块，用于基于迁移学习方法，利用相近的认知障碍数据库对预先建立的VGG16神经网络图像分类识别模型进行预训练；
[0015]再训练模块，用于使用融合图像对VGG16神经网络图像分类识别模型进行最后训练，获得多模态阿尔兹海默症辅助诊断模型。
[0016]根据本公开实施例的第三方面，提供一种电子设备，包括：存储器、处理器及存储在存储器上并可在所述处理器上运行的计算机程序，计算机程序被处理器执行时实现本公开第一方面提供的阿尔兹海默症辅助诊断模型获取方法。
[0017]根据本公开实施例的第四方面，提供一种计算机可读存储介质，其上存储有信息传递的实现程序，所述程序被处理器执行时实现本公开第一方面提供的阿尔兹海默症辅助诊断模型获取方法的步骤。
[0018]本公开的实施例提供的技术方案可以包括以下有益效果：使用多尺度自适应变换建立图像融合模型输出融合图像，利用相近的认知障碍数据库对预先建立的VGG16神经网络，充分捕获来自不同深度的不同尺度的补充信息，优化了获得网络参数的方式，提升了多模态信息的获取能力和网络分类效果。
[0019]应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
[0020]为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0021]图1是本专利技术实施例的阿尔兹海默症辅助诊断模型获取方法的流程图；
[0022]图2是本专利技术实施例的MRI和PET多模态图像融合分类的流程图；
[0023]图3是本专利技术实施例的图像处理的流程图；
[0024]图4是本专利技术实施例的多尺度自适应图像融合的示意图；
[0025]图5是本专利技术实施例的迁移学习与VGG16网络图像分类的示意图；
[0026]图6是本专利技术实施例的阿尔兹海默症辅助诊断模型获取装置的示意图；
[0027]图7是本专利技术实施例的电子设备的示意图。
具体实施方式
[0028]为了使本
的人员更好地理解本说明书一个或多个实施例中的技术方案，下面将结合本说明书一个或多个实施例中的附图，对本说明书一个或多个实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书的一部分实施例，而不是全部的实施例。基于本说明书一个或多个实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本文件的保护范围。
[0029]方法实施例
[0030]根据本专利技术实施例，提供了一种阿尔兹海默症辅助诊断模型获取方法，图1是本专利技术实施例的阿尔兹海默症辅助诊断模型获取方法的示意图，如图1所示，根据本专利技术实施例的阿尔兹海默症辅助诊断模型获取方法具体包括：
[0031]在步骤S110中，获取MRI和PET医学图像数据集，在三维状态下对MRI和PET医学图
像进行预处理，完成配准和切片工作。
[0032]在步骤S120中，将MRI和PET二维图像输入预先通过多尺度自适应变换建立的图像融合模型，输出融合图像。通过多尺度自适应变换建立图像融合模型具体包括：
[0033]基于公式1，通过特征提取模块直接调制卷积核，在全局信息的指导中自适应地表示特征，进行特征提取：
[0034]F2＝ReLU(BN(AC(F0)))
ꢀꢀ
公式1；
[0035]其中，AC表示自适应卷积层，BN表示批量归一化层，ReLU表示激活函数层，F1为输出特征，F0为输入特征；
[0036]基于公式1的输出特征，特征选择模块根据公式2和公式3以多尺度方式分布三个分支进行处理保存尺度间信息，其中，上层分支由一个特征提取模块和三个自适应变压器模块(ATM)组成；中间分支由两个特征提取模块和三个自适应变压器模块(ATM)组成；下层分支由三个特征提取模块和三个自适应变压器模块(ATM)组成；
[0037]F1＝MSA(LN(F0))+F0ꢀꢀ
公式2；
[0038]F2＝MLP(LN(F1))+F1ꢀꢀ
公式3；
[0039]其中，在公式2中，F0为第一次加法计算的输入，F1为第一次加法计算的输出，LN表示层归一化，MSA表示多头注意力机制，在公式3中，F1为第二次加法计算的输入，F2为第二次加法计算的输出，LN表示层归一化，MLP表示多层感知机制；
[0040]将这三个分支的输出相加，以聚集由单本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种阿尔兹海默症辅助诊断模型获取方法，其特征在于，包括：获取MRI和PET医学图像数据集，在三维状态下对MRI和PET医学图像进行预处理，完成配准和切片工作；将MRI和PET二维图像输入预先通过多尺度自适应变换建立的图像融合模型，输出融合图像；基于迁移学习方法，利用相近的认知障碍数据库对预先建立的VGG16神经网络图像分类识别模型进行预训练；使用所述融合图像对VGG16神经网络图像分类识别模型进行最后训练，获得多模态阿尔兹海默症辅助诊断模型。2.根据权利要求1所述的方法，其特征在于，所述方法进一步包括：通过所述多模态阿尔兹海默症辅助诊断模型进行阿尔兹海默症辅助诊断。3.根据权利要求1所述的方法，其特征在于，获取MRI和PET医学图像数据集，在三维状态下对MRI和PET医学图像进行预处理，完成配准和切片工作具体包括：获取MRI和PET医学图像数据集，在三维状态下对MRI和PET医学图像进行图像预处理，将同一实验对象MRI图像和PET图像对应配准切片，建立训练集和测试集。4.根据权利要求1所述的方法，其特征在于，通过多尺度自适应变换建立图像融合模型具体包括：基于公式1，通过特征提取模块直接调制卷积核，在全局信息的指导中自适应地表示特征，进行特征提取：F1＝ReLU(BN(AC(F0)))
ꢀꢀ
公式1；其中，AC表示自适应卷积层，BN表示批量归一化层，ReLU表示激活函数层，F1为输出特征，F0为输入特征；基于公式1的输出特征，特征选择模块根据公式2和公式3以多尺度方式分布三个分支进行处理保存尺度间信息，其中，上层分支由一个特征提取模块和三个自适应变压器模块(ATM)组成；中间分支由两个特征提取模块和三个自适应变压器模块(ATM)组成；下层分支由三个特征提取模块和三个自适应变压器模块(ATM)组成；F1＝MSA(LN(F0))+F0ꢀꢀ
公式2；F2＝MLP(LN(F1))+F1ꢀꢀ
公式3；其中，在公式2中，F0为第一次加法计算的输入，F1为第一次加法计算的输出，LN表示层归一化，MSA表示多头注意力机制，在公式3中，F1为第二次加法计算的输入，F2为第二次加法计算的输出，LN表示层归一化，MLP表示多层感知机制；将这三个分支的输出相加，以聚集由单个路径提取的特征，并将其馈送到自适应卷积层中，建立基于多尺度自适应变换图像融合模型。5.根据权利要求1所述的方法，其特征在于，建立VGG16神经网络图像分类识别模型具体包括：搭建VGG16神经网络结构，...

【专利技术属性】
技术研发人员：吴文强，易梓宇，许森颖，林泽宇，陈志臻，夏家豪，朱大昌，陈首彦，
申请(专利权)人：广州大学，
类型：发明
国别省市：