一种基于三维卷积和孪生神经网络的AD分类方法和系统技术方案

本发明专利技术提供一种基于三维卷积和孪生神经网络的AD分类方法和系统，方法包括：使用三维卷积神经网络提取受试者两个时间点的sMRI影像中的高维特征；使用孪生神经网络着重检测和识别病人在不同时期拍摄的sMRI影像的区别，提取病症在较长时间跨度上的发展以及其高维特征；通过多层感知机网络从临床数据中提取特征，并融合所有的高维特征进行阿尔茨海默症的综合分类；本发明专利技术将三维卷积神经网络模型和孪生神经网络模型相结合，并利用受试者在不同时期的sMRI影像以及其临床数据进行综合分类，有效提高了预测性能和分类精度。效提高了预测性能和分类精度。效提高了预测性能和分类精度。

【技术实现步骤摘要】
一种基于三维卷积和孪生神经网络的AD分类方法和系统


[0001]本专利技术涉及深度学习和结构磁共振成像
，更具体地，涉及一种基于三维卷积和孪生神经网络的AD分类方法和系统。

技术介绍

[0002]阿尔茨海默症(Alzheimer's disease,AD)是一种进行性神经退行性疾病，有研究表明，该疾病可以在患者出现临床症状之前的10年甚至更长时间开始发展。AD最重要的风险因素是身体的衰老，在人体衰老的过程中可能出现如葡萄糖代谢低下、线粒体功能障碍、抑郁和认知能力下降等变化，同时，这些变化也会出现在正常衰老中，这使得早期AD的病例难以区分。
[0003]近年来，由神经影像驱动的脑龄估计被引入作为检测不同疾病和健康状况的有效生物标志物。结构磁共振成像(structural Magnetic Resonance Imaging,sMRI)通过无线电波和强磁场，提供了一种非侵入性和无痛的方法来研究大脑的解剖结构以及其结构的变化，被广泛用于渐进性认知功能的分析。sMRI影像用于测量脑形态，可以直观地捕捉到AD患者脑中各组织因为衰老和病症影响本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于三维卷积和孪生神经网络的AD分类方法，其特征在于，包括以下步骤：S1：获取受试者两个不同时间点的sMRI影像并分别进行预处理；S2：获取sMRI影像掩膜，并将sMRI影像掩膜分别与预处理后的两个不同时间点的sMRI影像依次进行点积运算和数据增强操作，获取第一sMRI影像和第二sMRI影像；将第一sMRI影像和第二sMRI影像作差，获取sMRI影像差值图；S3：将第一sMRI影像、第二sMRI影像和sMRI影像差值图共同输入训练好的三维卷积神经网络模型中进行特征提取，获取第一高维特征向量；S4：将第一sMRI影像和第二sMRI影像分别输入预设的孪生神经网络模型中进行特征提取，获取第二高维特征向量；S5：获取受试者的临床数据并输入到预设的多层感知器网络中进行特征提取，获取第三高维特征向量；S6：将第一高维特征向量、第二高维特征向量和第三高维特征向量进行特征融合，获取受试者的阿尔茨海默症分类结果。2.根据权利要求1所述的一种基于三维卷积和孪生神经网络的AD分类方法，其特征在于，所述步骤S1中，获取受试者两个不同时间点的sMRI影像并分别进行预处理的具体方法为：获取受试者两个不同时间点的sMRI影像，并利用MATLAB中的SPM工具分别进行配准操作，完成预处理。3.根据权利要求2所述的一种基于三维卷积和孪生神经网络的AD分类方法，其特征在于，所述步骤S2中，获取sMRI影像掩膜的具体方法为：获取大脑图像模板，在大脑图像模板中提取脑组织中杏仁核和海马体所在的ROI区域，将杏仁核和海马体所在的ROI区域及其外围相邻的ROI区域共同保存为ROI区域集合；根据ROI区域集合中的所有ROI区域构建sMRI影像掩膜。4.根据权利要求3所述的一种基于三维卷积和孪生神经网络的AD分类方法，其特征在于，所述步骤S2中，获取第一sMRI影像和第二sMRI影像的具体方法为：将sMRI影像掩膜分别与预处理后的两个不同时间点的sMRI影像进行点积运算，将点积运算的结果归一化后进行数据增强操作，将数据增强后的结果裁剪至预设尺寸，获取第一sMRI影像和第二sMRI影像；所述数据增强操作具体为添加均匀随机噪声；所述预设尺寸为ROI区域集合的点集包围盒。5.根据权利要求4所述的一种基于三维卷积和孪生神经网络的AD分类方法，其特征在于，所述步骤S3中，三维卷积神经网络模型的结构具体为：所述三维卷积神经网络模型包括依次连接的：输入层、VGG卷积模块、3个稠密模块、线性模块和输出层；所述VGG卷积模块包括依次连接的：第一卷积层、第一批归一化层、第一激活...

【专利技术属性】
技术研发人员：曾安，王健斌，潘丹，杨宝瑶，杨洋，刘军，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：