【技术实现步骤摘要】
本专利技术涉及软件，具体涉及一种基于深度学习阿尔兹海默症辅助诊 断系统及终端。
技术介绍
1、阿尔茨海默氏症在现实生活中常被称为“老年痴呆”是一种在60-70岁及 以上老年人的发病率较高的病症。统计数据表明，全球已有将近6000万名ad 患者。随着世界人口老龄化的加剧，ad病人数量在未来20年内会增加一倍。由 于脑部疾病会对其他系统造成影响，产生并发症，所以大部分老年人有类似ad 病症的表现但无法得到确诊。而患者到达ad中晚期，治疗手段要求非常高，病 人所承受的痛苦加剧。轻度认知障碍也是一种常见的认知功能衰退疾病，表现为 轻度的认知功能减退。与正常人相比，mci患者成为ad患者的几率要高数倍， 被认为是ad的一个早期阶段。因此，mci阶段是最合适的治疗阶段，对ad与mci进行准确分类与识别尤为重要。传统医学存在大量冗余的数据生成，导致学习效 率低下的问题，手工提取特征难以捕捉高级语义特征和复杂内容。随着卷积神经 网络，计算机能力及计算机视觉等方向的发展，基于深度学习的医学图像分类经 在精度和实时性方面，远远赶超传统图像。
技术实现思路
1、针对现有技术中的缺陷，本专利技术实施例提供的一种基于深度学习的阿尔兹 海默症辅助诊断系统及终端。对正常人脑、轻度认知障碍、阿尔兹海默症患者 进行分类，为临床诊断提供辅助功能。
2、第一方面，本专利技术实施例提供的一种基于深度学习的阿尔兹海默症辅助诊 断系统及终端，包括：数据获取模块、数据预处理模块、roi时间序列提取模 块、深度学习模
3、所述数据获取模块用于获取患者的的原始fmri图像数据。
4、所述数据预处理模块用于对原始fmri结构像进行预处理得到预处理后的图 像，并在预处理之前，进行fmri图像去伪影工作，以降低噪声的影响，避免后 续影响分类结果。
5、所述roi时间序列提取模块用于将预处理后得到的fmri图像数据
6、进行切片时间校正、头部运动校正、配准、归一化和平滑等预处理操作。所 述roi时间序列提取模块用于选取aal模板对预处理后的fmri数据进行提取其 中脑区对应的bold序列，将其堆叠成一个三维矩阵当作下一模块的输入特征。
7、所述深度学习搭建预测分类模块用于构建、训练、验证及测试深度学习模型， 根据深度学习模型给出的结果进行决策输出，对是否为阿尔兹海默症患者进行判 断。
8、第二方面，本专利技术实施例提供的一种辅助诊断终端，包括中心处理器、输 入设备、输出设备和存储设备，所述处理器、输入设备、输出设备和存储器之 间用硬件连接，所述存储器用于存储计算机指令，所述中心处理器，负责执行 计算机指令。
9、本专利技术中的深度学习模块是以tensorflow为后端的keras库中实现的。 其中深度学习模块包括卷积层的脑网络矩阵特征输入、连接层的特征并联、池 化层的模型简化、循环层的处理上一个输入点之间的特征关联。该专利技术首先将 预处理之后的医疗fmri图像数据，然后在aal模板提取roi时间序列，然后 将时间点与时间序列构成的脑网络矩阵作为深度学习模块的输出，通过adni公 开数据集中的数据来训练深度学习模块。在实际应用中，通过被试者生理信息 的采集作为原始医疗设备放进输入设备进行输入，采集过程要求受试者气息均 匀，无外界干扰。采集到的被试者信息经过深度学习模块采取特征，该模块进行是否为阿尔兹海默症的判断。并将该判断结果存储在存储设备中。中心处理 器调受到外界诊断指令，同时发送计算机指令调动存储设备，存储设备将该判 断结果发送给输出设备，输出设备告诉外界判断结果，完成了基于深度学习的 阿尔兹海默症诊断系统及终端相结合的任务。
10、与现有技术相比，本专利技术的有益效果：
11、本专利技术实施例提供的一种阿尔兹海默症辅助诊断系统及终端，采用深度学 习来进行阿尔兹海默症、轻度认知障碍、正常人脑之间的分类，对患者是否患 有阿尔兹海默症进行预测，为临床诊断提供辅助功能。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的阿尔兹海默症辅助诊断技术及系统，其特征在于，所述方法包括：数据获取模块、数据预处理模块、ROI时间序列提取模块、深度学习模型搭建预测分类模块。所述数据获取模块用于提取阿尔兹海默症患者的脑FMRI图像数据；在进行数据下一步操作之前，先将最小化上一模块的FMRI数据图像的伪影。所述数据预处理模块用于将获取的患者FMRI数据图像进行切片时间校正、头部运动校正、配准、归一化和平滑等预处理操作。所述ROI时间序列提取模块用于选取AAL模板对预处理后的FMRI数据进行提取其中的90个脑区对应的BOLD序列，将其堆叠成一个三维矩阵当作下一模块的输入特征。所述深度学习模型搭建预测分类模块，进行搭建、训练、验证及测试深度学习模型，根据深度学习模型给出的结果进行决策输出，对是否为阿尔兹海默症患者进行判断。
2.如权利要求1所述的数据预处理模块，其特征在于，先对FMRI数据行预处理，然后每个被试用AAL模板提取ROI时间序列，将时间点与ROI时间序列组成一个二维矩阵，将这个矩阵作为深度学习模型的输入，采用交叉验证法将患者数据分为训练集和测试集，最终以测试集的结果作为最
3.如权利要求2所述的深度学习模型搭建预测分类模块，其特征在于，该模块包括多尺度一维卷积神经网络、堆叠的循环神经网络以及全连接层。
4.一种基于深度学习的阿尔兹海默症的辅助诊断系统及终端，其特征在于，包括：中心处理器、输入设备、输出设备和存储设备，以上所述中心处理器、输入设备、输出设备和存储设备相互用硬件连接，所述存储设备用于存储计算机程序，所述计算机程序包括程序指令，其特征在于，所述处理器被配置用于调用所述程序指令，执行如以上权利要求书中的任一项所述的方法。
...【技术特征摘要】
1.一种基于深度学习的阿尔兹海默症辅助诊断技术及系统，其特征在于，所述方法包括：数据获取模块、数据预处理模块、roi时间序列提取模块、深度学习模型搭建预测分类模块。所述数据获取模块用于提取阿尔兹海默症患者的脑fmri图像数据；在进行数据下一步操作之前，先将最小化上一模块的fmri数据图像的伪影。所述数据预处理模块用于将获取的患者fmri数据图像进行切片时间校正、头部运动校正、配准、归一化和平滑等预处理操作。所述roi时间序列提取模块用于选取aal模板对预处理后的fmri数据进行提取其中的90个脑区对应的bold序列，将其堆叠成一个三维矩阵当作下一模块的输入特征。所述深度学习模型搭建预测分类模块，进行搭建、训练、验证及测试深度学习模型，根据深度学习模型给出的结果进行决策输出，对是否为阿尔兹海默症患者进行判断。
2.如权利要求1所述的数据预处理模块，其特征在于，先对fmri数据...
【专利技术属性】
技术研发人员：徐瑞书，罗笑南，徐颂华，陈瑞爱，
申请(专利权)人：岭南现代农业科学与技术广东省实验室肇庆分中心，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。