一种基于多尺度特异性区域的阿尔茨海默病分类方法技术

针对阿尔茨海默病辅助诊断任务，本发明专利技术公开了一种基于多尺度特异性区域的阿尔茨海默病分类方法。充分关注PET影像中与疾病相关区域的代谢水平，减少其他冗余信息的干扰是该任务的关键。本发明专利技术设计了基于显著性引导定位的多尺度特异性区域定位模块，以无监督的方式关注PET影像中与疾病相关的特异性区域，提升辅助诊断的可解释性。针对提取的多尺度特异性区域，设计融合特异性区域的辅助诊断网络，减少PET影像中的其他干扰特征以提升分类准确率。本发明专利技术基于深度学习的特性和优势，结合PET影像的特点，设计了基于多尺度特异性区域的阿尔茨海默病分类网络，在医学图像分析、阿尔茨海默病辅助诊断等方面有广阔的应用前景。默病辅助诊断等方面有广阔的应用前景。

【技术实现步骤摘要】
一种基于多尺度特异性区域的阿尔茨海默病分类方法


[0001]本专利技术设计了一种基于多尺度特异性区域的阿尔茨海默病分类方法，实现针对PET影像的特异性区域提取，并将特异性区域自适应融合以辅助阿尔茨海默病的诊断，涉及深度学习技术、医学图像处理技术等领域。

技术介绍

[0002]阿尔茨海默病(Alzheimer
’
s disease,AD)一种进行性和不可逆转的大脑退行性疾病，是最常见的痴呆类型。目前全球约有9000万人被诊断出患有AD，预计到2050年全球将有3亿人患有AD。AD给患者、家庭和社会带来了沉重的经济和精神负担。目前，针对AD尚无根治性治疗方法，但可通过药物治疗、运动、记忆训练等手段延缓其进展。因此，AD的早期发现和准确诊断对于延缓疾病进展，提高患者的生活质量至关重要。医学成像技术的进步为AD的诊断和理解创造了新的机会。氟脱氧葡萄糖正电子发射断层显像(Fluorodeoxyglucose Positron Emission Tomography,FDG PET)可以通过测量静息状态下的葡萄糖摄取来反映神经活动，因此是早期诊断AD的一种神经成像方式。目前，深度学习的方法已经被应用到基于PET影像的AD辅助诊断中，并被证明是有效的。这些方法大多使用端到端的模型来实现自动化诊断，缺乏可解释性。在临床诊断中，医生们通常通过观察PET影像中代谢异常的区域进行诊断。针对于此，基于PET影像的计算机辅助诊断方法可以关注区域的代谢水平来更好地实现AD诊断。如何在没有像素级标签的情况下，利用计算机视觉技术检测出代谢异常的特异性区域从而提高辅助诊断的可解释性，并基于特异性区域，减少信息冗余，提升AD诊断的效果是近年来的研究热点。

技术实现思路

[0003]本专利技术基于PET影像和深度学习的特点和优势，提供了一种基于多尺度特异性区域的阿尔茨海默病分类研究方法。构建了多尺度特异性区域定位模块，采用类激活映射方法进行特征可视化，利用无监督的最大连通域方法和非极大值抑制算法处理特征可视化结果，最终得到在特征可视化中高激活的特异性区域，实现了多尺度特异性区域的检测，提升了诊断网络的可解释性。同时提出了一种多尺度特异性区域融合方法，通过融合特异性区域的特征以减少信息冗余，从而达到提升诊断准确率的目的。人工智能技术对基于PET影像的阿尔茨海默病诊断的支持，能够辅助医生对阿尔茨海默病患者及其潜在患者进行更加及时、准确的判断，提高筛查和诊断的稳定性和可靠性。因此，基于PET影像的阿尔茨海默病辅助诊断研究尤为重要。
[0004]ADNI数据集是目前公开的一个大规模的针对于阿尔茨海默病的数据集。我们选择了来自ADNI数据库873名受试者的1732张高质量PET影像作为子数据集，并制定了非泄露的数据划分规则。受试者分为三类：认知未受损(Cognitively Unimpaired,CN)、患轻度认知障碍(Mild Cognitive Impairment,MCI)和患阿尔茨海默病(Alzheimer
’
s Disease,AD)。我们的模型在ADNI子数据集上取得了较好的测试结果，并通过消融实验分析，验证了该方
法的合理性。
[0005]本专利技术通过以下技术方案来实现上述目的：
[0006]1、步骤一中构建数据集，用于AD诊断的权威公开数据集是ADNI，本专利技术专利的数据子集总共使用了来自ADNI数据库的873位受试者的1732张PET影像，选择经过Co
‑
registered，Averaged处理的PET影像。为了避免数据泄露的情况发生，按人物ID划分扫描构成训练集和测试集；同时，根据临床医生的建议，在样本的统计参数分布(年龄和量表得分)上进行均衡划分。利用Clinica软件平台对PET影像进行预处理，首先，进行格式转换，偏差校正和空间归一化；然后，使用Dartel变形模型将PET扫描空间标准化到标准化蒙特利尔神经研究所(MNI)空间；为了避免多余信息的影响，非脑部组织被剥离；此外，更改PET影像的大小为128
×
128
×
128，以减少计算成本；最后，将PET影像的像素值范围进一步归一化到[0,1]。
[0007]2、步骤二中本专利技术提出了基于无监督显著性引导定位的多尺度特异性区域定位方法。首先，采用Resnet18对PET影像进行分类，然后使用分数加权的类激活映射(Score
‑
weighted Class Activation Map,Score
‑
CAM)方法得到类激活映射图；基于映射图采用无监督方式进行最大连通域分析，得到高激活点集合。其次，采用非极大值抑制(Non
‑
Maximum Suppression,NMS)算法对高激活点集合进行筛选，得到最佳的多尺度特异性区域。通常，全脑图像只包含一些被认为重要的区域。这些区域被称为感兴趣区域(Regions of Interest,ROI)。在基于医学成像的AD诊断中，ROI是提供有效信息的疾病相关区域。通过该方法只保留包含鉴别信息的基本特征，从而减少冗余信息。专家们可以手动标记影像中的特异性区域，但是，这消耗了大量的精力和时间。然而，多尺度特异性区域定位方法避免了手动标记的要求。
[0008]3、步骤三中本专利技术提出了多尺度特异性区域融合网络，其网络结构包括特征提取分支、自适应特征融合分支和决策融合分支三个分支。其中，特征提取分支是利用Resnet18学习多尺度特异性区域的特征表示。自适应特征融合分支利用融合门控机制来控制信息流，从而实现多尺度特异性区域特征的有效聚合，融合过程如公式(1)和公式(2)所示。决策融合分支将多个区域特征及区域融合特征的预测结果进行平均融合。
[0009]gate＝σ(W1[R1,R2])
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0010][0011]其中R1和R2代表输入特异性区域，gate是控制门，σ是sigmoid函数，表示元素乘积，为特征融合分支的输出，W1和W2是权重矩阵。
[0012]4、步骤四中本专利技术提出了用于多特征学习的损失函数，联合学习各特异性区域的特征和特异性区域融合后的特征。每一个特异性区域得到的特征向量经过分类网络后，得到的预测结果为p
i
，特异性区域融合后的特征经过分类网络后，得到的预测结果为p，将以上预测结果分别采用交叉熵损失进行优化。
[0013]本专利技术的主要内容在于提出了基于多尺度特异性区域的阿尔茨海默病分类研究方法。设计的阿尔茨海默病分类网络能够关注PET影像中的特异性区域，提升诊断的准确率，对医学图像分析、阿尔茨海默病辅助诊断等方面都具有较大的意义。
附图说明
[0014]图1是PET影像的预处理流程图。
[0015]图2是提出的基于多尺度特异性区域的阿尔茨海默病分类算法的结构图。
[0016]图3是提出的自适应特征融合模块的结构图。
具本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多尺度特异性区域的阿尔茨海默病分类方法，其特征在于包括以下步骤：步骤一：基于公开的ADNI数据集，选择具有高质量PET影像的受试者构成本发明所使用的数据集，并制定非泄露的数据划分规则将数据划分为训练集和测试集；对数据集中的PET影像进行预处理，经过偏差校正，空间归一化，空间转换，采样和像素归一化后，得到标准PET影像；步骤二：多尺度特异性区域的提取，将步骤一中预处理后的PET影像经过分数加权的类激活映射方法和最大连通域分析确定高激活点集合，然后通过非极大值抑制算法获得多尺度特异性区域；步骤三：基于步骤二所获得的多尺度特异性区域，通过门控机制自适应地融合区域特征，并通过决策融合将多个特异性区域和融合特征的预测结果进行结合，得到最终的分类结果；步骤四：引入用于多特征学习的损失函数，将每一个特异性区域的预测结果和特异性区域融合后的预测结果分别采用交叉熵损失进行优化。2.根据权利要求1所述的一种基于多尺度特异性区域的阿尔茨海默病分类方法，其特征在于步骤一中数据集制作和预处理过程如下：基于公开可用的ADNI数据集，选择具有高质量PET影像的受试者构成本发明的子数据集，并制定非泄露的数据划分规则进行训练集和测试集的划分，同时考虑样本的统计参数均衡分布；对子数据集中的PET影像进行预处理，包括偏差校正，空间归一化和空间转换等；并且，为了避免多余信息的影响，去除PET影像中的非脑部组织；此外，本发明专利将PET影像采样为128
×
128
×
128的大小，同时...

【专利技术属性】
技术研发人员：何小海，张津，卿粼波，陈洪刚，吴小强，滕奇志，
申请(专利权)人：四川大学，
类型：发明
国别省市：