【技术实现步骤摘要】
本专利技术涉及图像处理，具体涉及一种基于深度学习的帕金森病磁共振影像分类处理方法。
技术介绍
1、帕金森病，又称震颤麻痹，是一种常见的神经系统变性疾病，主要影响老年人群体，平均发病年龄约为60岁。大部分帕金森病患者为散发病例，仅有不到10%的患者存在家族史背景。
2、该疾病的核心病理变化是中脑黑质多巴胺能神经元的变性死亡，这导致纹状体内多巴胺含量显著降低，进而引发一系列症状。尽管已有多项研究，但导致这一病理变化的确切病因仍不明确，遗传因素、环境因素、年龄老化和氧化应激等因素可能均参与其中。
3、在帕金森病的病程中，大部分患者会出现非运动症状，其中抑郁尤为常见。据统计，约有40%～50%的帕金森病患者伴有抑郁症状。对我国帕金森病患者的调查显示，抑郁症状普遍存在，且患者较普通人群更易出现抑郁。抑郁不仅影响患者的生活质量，还是导致就诊延迟、耽误治疗的重要原因。既往研究表明，由于现有技术难以识别不同帕金森病的形貌表征，近50%的神经科医生在日常门诊工作中未能及时识别帕金森病患者的抑郁、焦虑、疲劳和睡眠障碍等非运动症状。
4、因此，如何快速准确地识别患有抑郁症的帕金森病患者，成为当前亟待解决的问题。
技术实现思路
1、本专利技术的目的在于提供一种基于深度学习的帕金森病磁共振影像分类处理方法，解决以下技术问题：
2、在帕金森病的病程中，大部分患者会出现非运动症状，其中抑郁尤为常见，现有技术难以识别不同帕金森病的形貌表征，近50%的神经科医生在日常
3、本专利技术的目的可以通过以下技术方案实现：
4、一种基于深度学习的帕金森病磁共振影像分类处理方法，包括以下步骤：
5、从数据库获取有标签类别的磁共振图像并进行预处理，对大脑区域进行定位，将所述磁共振图像输入卷积神经网络获得大脑图像的粗分割结果，结合不确定的分割边缘图像，识别大脑的分割边缘，获得脑部区域图像，并对脑部区域图像进行降噪；
6、基于深度学习标签类别算法构建帕金森识别模型，将有标签类别脑部区域图像经过position embedding编码排序输入所述帕金森识别模型中，提取脑部区域中帕金森病伴抑郁症对应的形貌特征，训练所述帕金森识别模型；
7、将无标签类别的磁共振图像输入训练后的帕金森识别模型，提取无标签类别磁共振图像中帕金森对应的形貌特征，聚类生成伪标签，根据伪标签训练结果反向传播更新模型，直至收敛。
8、作为本专利技术进一步的方案：所述预处理的过程为：
9、对磁共振图像进行降噪处理，采用边缘检测算子对降噪后的所述磁共振图像进行边缘检测，将磁共振图像划分为若干个区域，对每个区域进行自适应直方图均衡化，并对均衡化后的磁共振图像进行二次降噪。
10、作为本专利技术进一步的方案：所述标签类别包括帕金森病伴抑郁症、帕金森病不伴抑郁症和健康对照。
11、作为本专利技术进一步的方案：所述帕金森识别模型基于cnn网络和rnn网络。
12、作为本专利技术进一步的方案：训练所述帕金森识别模型的过程为：
13、将每个标签类别划分为验证集和待定集，在任一标签类别中抽取n张帕金森病伴抑郁症的磁共振图像作为该标签类别的验证集，在任一标签类别的剩余磁共振图像中随机抽取m张作为该标签类别的待定集；
14、对于任一标签类别的验证集和待定集，通过cnn网络中每个cnn层生成一个新的维数，连续的cnn层降低图像尺寸，并增加新生成的尺寸大小，将cnn网络中的图像张量转换为向量，分别计算三个标签类别验证集对应的n个向量的平均向量li；以及待定集的向量wj，计算待定集中的任一图片向量与每个标签类别验证集向量的相关度sim；
15、；
16、其中o表示待定集中的任一图片，y表示验证集的标签类别，τ表示预设缩放因子；根据相关度sim和损失函数反向调节帕金森识别模型的参数进行训练，直到损失函数不再降低或待定集的准确率不再提高为止。
17、作为本专利技术进一步的方案：将待定集中任一磁共振图像计算得出的最大相关度p的标签类别作为该磁共振图像的最终标签类别结果。
18、作为本专利技术进一步的方案：卷积神经网络计算分割边缘的损失函数包括：
19、；
20、；
21、其中x表示任一像素，p表示x的预测位置，c1和c2表示像素的两个实际位置。
22、作为本专利技术进一步的方案：根据验证集图像之间的交叉熵损失函数与三元组损失函数，通过梯度下降反向传播更新帕金森识别模型。
23、本专利技术的有益效果：
24、本专利技术通过深度学习模型对mri图像进行细致的特征提取和分类，有助于更准确地诊断帕金森病及其伴发的抑郁症特征，通过使用伪标签和反向传播更新模型的方式，能够在无大量有标签数据的情况下训练模型，这在有标签数据稀缺的医学领域尤为重要，基于cnn和rnn的混合网络结构不仅能够捕捉局部特征，而且能够考虑序列信息，从而有望提高模型的泛化能力。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的帕金森病磁共振影像分类处理方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的帕金森病磁共振影像分类处理方法，其特征在于，所述预处理的过程为：
3.根据权利要求1所述的一种基于深度学习的帕金森病磁共振影像分类处理方法，其特征在于，所述标签类别包括帕金森病伴抑郁症、帕金森病不伴抑郁症和健康对照。
4.根据权利要求1所述的一种基于深度学习的帕金森病磁共振影像分类处理方法，其特征在于，所述帕金森识别模型基于CNN网络和RNN网络。
5.根据权利要求4所述的一种基于深度学习的帕金森病磁共振影像分类处理方法，其特征在于，训练所述帕金森识别模型的过程为：
6.根据权利要求5所述的一种基于深度学习的帕金森病磁共振影像分类处理方法，其特征在于，将待定集中任一磁共振图像计算得出的最大相关度p的标签类别作为该磁共振图像的最终标签类别结果。
7.根据权利要求1所述的一种基于深度学习的帕金森病磁共振影像分类处理方法，其特征在于，卷积神经网络计算分割边缘的损失函数包括：
8.根
...【技术特征摘要】
1.一种基于深度学习的帕金森病磁共振影像分类处理方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的帕金森病磁共振影像分类处理方法，其特征在于，所述预处理的过程为：
3.根据权利要求1所述的一种基于深度学习的帕金森病磁共振影像分类处理方法，其特征在于，所述标签类别包括帕金森病伴抑郁症、帕金森病不伴抑郁症和健康对照。
4.根据权利要求1所述的一种基于深度学习的帕金森病磁共振影像分类处理方法，其特征在于，所述帕金森识别模型基于cnn网络和rnn网络。
5.根据权利要求4所述的一种基于深度学习的帕金森病磁共振影像...
【专利技术属性】
技术研发人员：王敏，贾永锋，李鹏宏，杨硕，秦可涵，周健明，王馨若，
申请(专利权)人：江苏省人民医院南京医科大学第一附属医院，
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。