一种自动化的深度学习增强DTI-ALPS的计算方法技术

本发明专利技术公开一种自动化的深度学习增强DTI‑ALPS的计算方法。本发明专利技术应用于神经退行性疾病的早期诊断的辅助证据和病情监测，尤其是在阿尔茨海默病和帕金森病的研究中显示出巨大潜力。与现有技术相比，本发明专利技术能够在大规模人群中快速准确地评估脑部代谢废物清除功能，为临床实践提供了一种新的、非侵入性的生物标志物检测方法。此外，本技术还可用于探索与疾病严重程度、进展及其他生物标志物的相关性，为神经退行性疾病的治疗和研究开辟了新的途径。

【技术实现步骤摘要】

本专利技术涉及深度学习，尤其涉及一种自动化的深度学习增强dti-alps的计算方法。

技术介绍

1、在神经退行性疾病的研究中，脑类淋巴系统的功能评估是一个重要且具有挑战性的课题。传统的评估方法侵入性强，如需要向脑脊液或脑实质注射示踪剂，或使用增强对比的磁共振成像。因此，开发一种非侵入性且可靠的人类脑类淋巴系统评估方法显得尤为重要。2017年，taoka等人提出了一种基于水分子沿脑血管周围空间扩散性的指标——dti-alps指数。该指数假设pvs中的水分子扩散性能反映了脑脊液-间质液交换，从而反映了脑类淋巴系统的功能。dti-alps指数已应用于多种临床状况，并在阿尔茨海默病、帕金森病、多发性硬化症、中风、胶质瘤和纤维肌痛等患者中显示出指数的降低，暗示这些疾病中脑类淋巴功能受损。然而，dti-alps指数也存在一些局限性，如roi的手动选择存在主观性，以及计算的人力和时间成本，使得在大规模的队列中计算dti-alps十分有难度。因此，有必要开发方法来增强和自动化dti-alps指数的计算，并探索其与神经退行性疾病的病理生理和进展的相关性。

2、因本文档来自技高网...

【技术保护点】

1.一种自动化的深度学习增强DTI-ALPS的计算方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种自动化的深度学习增强DTI-ALPS的计算方法，其特征在于，CNN模型具有分层架构，包括：三个卷积层、三个2x2池大小和步幅的最大池化层、以及三个全连接层；所述三个卷积层分别配备32、64和128个过滤器，3x3的核大小和ReLU激活函数；第一个全连接层包含256个单元和ReLU激活函数，第二个全连接层包含2个单元和SoftMax激活函数，第三个全连接层包含1个单元和SoftMax激活函数。

3.根据权利要求1所述的一种自动化的深度学习增强DTI-ALP...

【技术特征摘要】

1.一种自动化的深度学习增强dti-alps的计算方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种自动化的深度学习增强dti-alps的计算方法，其特征在于，cnn模型具有分层架构，包括：三个卷积层、三个2x2池大小和步幅的最大池化层、以及三个全连接层；所述三个卷积层分别配备32、64和128个过滤器，3x3的核大小和relu激活函数；第一个全连接层包含256个单元和relu激活函数，第二个全连接层包含2个单元和softmax激活函数，第三个全连接层包含1个单元和softmax激活函数。

3.根据权利要求1所述的一种自动化的深度学习增强dti-alps的计算方法，其特征在于，cnn模型采用学习率为0.01和动量为0.9的随机梯度下降，使用二元交叉熵...

【专利技术属性】
技术研发人员：裴中，杜远洋，苏凤娟，
申请(专利权)人：深圳脑健生物技术有限公司，
类型：发明
国别省市：