【技术实现步骤摘要】
本专利技术属计算机科学和生物医学的交叉领域，涉及图像分割、生物信息学与模式识别，具体涉及一种面向阿尔茨海默病的病灶分割和风险基因识别协同方法。
技术介绍
1、当前，人口老龄化趋势日渐严重，中老年人口比例逐年上升。以阿尔茨海默病为代表的神经退行性疾病给老年人群体带来了严重的威胁。阿尔茨海默病的初始症状是记忆力衰退，随着疾病的进展，患者会出现一系列症状，比如失语、认知功能损伤，严重的还会出现情绪和行为变化等。阿尔茨海默病的病因目前仍不清楚。因此，精准识别患者的疾病特征并厘清其遗传机制，对于疾病的早期诊断、干预和治疗有十分重要的意义。
2、全脑组织分割被广泛应用于阿尔茨海默病发病机理的研究，但当下的功能分区模板都是基于群体水平的。人脑在结构上和功能上不但具有人群一致性，同时在个体之间也存在明显的差异。因此，要充分理解阿尔茨海默病的病症，不但要进行群体分析，同时也需要对个体的差异性进行深入的分析。此外，研究表明，基因与阿尔茨海默病有着密切的联系，甚至起到决定性的作用。这意味着，该疾病病灶的发生、发展以及群体的一致性和个体的差异性等特征均受遗传的影响。因此探索与阿尔茨海默病相关的风险基因对该疾病病灶的识别并进一步了解该疾病的致病机理有较大的帮助。准确检测阿尔茨海默病的病灶并识别其遗传机制对理解该疾病的发病机制和精准诊断有重要意义，也是生物医学领域的一个重要问题。
3、现有的研究方法或基于医学影像技术进行病灶的识别，或基于医生的诊断进行风险基因的检测。影像数据大多基于脑图谱提取感兴趣区域(region of inte
4、综上，阿尔茨海默病的病灶分割和风险基因识别是高度相关的两个任务。一方面，准确的病灶可更准确地识别风险基因；另一方面，结合基因的遗传信息，能对病灶进行更准确的分割与分析，从而更好地诊断疾病并对风险做出预测。
技术实现思路
1、为了克服现有技术的不足，本专利技术提供一种面向阿尔茨海默病的病灶分割和风险基因识别协同方法。首先在影像生成方面，以基因数据作为种子生成对应的脑影像。再将生成的脑影像与原始脑影像进行融合并输入到u-net网络中进行病灶分割。本专利技术通过优化u-net网络得到的病灶分割结果与真实标签之间的差异，可以在病灶分割同时进行疾病风险基因的识别，且由于在病灶分割过程中融入遗传信息，能够提高病灶分割准确率，同时，在病灶精准分割后进行风险基因识别，也能够提高识别准确性。
2、一种面向阿尔茨海默病的病灶分割和风险基因识别协同方法，其特征在于步骤如下：
3、步骤1：输入带标注的脑影像数据集和基因数据集，将其中的脑影像规范化至mni空间中8mm3的体素，得到处理后的脑影像数据x＝[x1,x2,…,xn]∈rn×ω，n表示样本总数，ω表示每幅脑影像中的像素点总数，其中，xn表示第n个样本对应的脑影像，n＝1,2,…,n，并提取脑影像中每个像素点的标签，标签一共有k类，根据实际病灶数目确定，对基因数据在特征维度上进行z-score标准化预处理，具体公式如下：
4、
5、其中，gvi表示预处理后的第i个特征数据，e(gi)表示第i个特征数据的平均值，d(gi)表示第i个特征数据的方差，i为特征序号；
6、步骤2：搭建unet-影像生成模型，包括基因生成影像模块和u-net网络模块，基因生成影像模块利用基因数据作为协变量生成个体对应的脑影像y＝[y1,y2,…,yn]∈rn×ω，其中，yn∈rω表示第n个样本对应的脑影像，n＝1,2,…,n，每幅脑影像的具体计算公式为：
7、
8、其中，ynm表示第n个样本对应的脑影像中的第m个像素点，m＝1,2,…,ω，gn代表第n个样本对应的基因数据，am∈{0,1}i表示在生成第m个像素点时与选择基因有关的指示向量，长度与基因特征的总数i相同，am是一个潜在伯努利随机变量，使用到该基因特征时，am对应位置为1，否则为0，wm是待学习的回归系数向量，是噪声变量，方差σ0服从逆gamyma分布，⊙表示哈达玛积操作；
9、对原始处理后的脑影像和基因生成的脑影像进行融合，得到加权后的脑影像，具体公式如下：
10、hnm＝βxnm+(1-β)ynm (3)
11、其中，hnm表示加权后的脑影像，β表示混合比率，按照β＝e-kt计算，t代表训练轮数，k代表增长的速率参数，取值在0到1之间；
12、u-net网络模块包括编码器和解码器两部分，其中，编码器部分使用3×3×3的卷积层对加权后的脑影像进行特征提取，再使用2×2×2的平均池化层进行下采样，得到降维后的特征；解码器部分使用线性插值对编码器降维后的特征进行放大，再使用3×3×3的卷积层减少通道数，采用跳级连接的方式将编码器中每层得到的特征与对应解码器层中的特征进行拼接，得到分割后的图像结果；
13、利用步骤1处理后的脑影像数据集和基因数据集对unet-影像生成模型进行训练，得到训练好的模型；训练时将脑影像和基因数据输入到unet-影像生成模型中，设置损失函数如下：
14、
15、其中，e表示损失函数值，chnm为像素点hnm的真实标签，pk(hnm)表示像素级soft-max值，按照以下公式计算得到：
16、
17、其中，ak(hnm)表示第n个样本分割后的图像中的第m个像素点在特征通道k处的激活值；
18、使损失函数达到最小值时即得到最终训练好的unet-影像生成模型；
19、步骤3：以步骤2训练后的unet-影像生成模型输出的分割后的脑影像作为疾病病灶分割结果，选择利用基因数据生成影像部分的回归系数向量中权重较大的位点作为阿尔茨海默病的风险基因位点。
20、本专利技术的有益效果是：由于在u-net网络语义分本文档来自技高网...
【技术保护点】
1.一种面向阿尔茨海默病的病灶分割和风险基因识别协同方法，其特征在于步骤如下：
【技术特征摘要】
1.一种面向阿尔茨海默病的病灶分割和风险...
【专利技术属性】
技术研发人员：刘朵朵，尚沐衡，杜磊，郭雷，韩军伟，
申请(专利权)人：西北工业大学，
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。