[發明專利]一種基于自編碼器的核磁共振圖像處理裝置與方法

有效

• 申請號: 201710283992.7
• 申請日: 2017-04-26
• 公開（公告）號: CN107067396B
• 公開（公告）日: 2021-11-16
• 發明（設計）人: 張熙;周波;郭艷娥;馮楓;安寧豫;姚洪祥;羅亞川;樊茂華;趙思遠
• 申請（專利權）人: 中國人民解放軍總醫院;北京華誠興業軟件開發有限責任公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/10;G06T7/33;G06T7/41;G06K9/62
• 代理公司: 北京慧誠智道知識產權代理事務所(特殊普通合伙) 11539
• 代理人: 李楠

1.一種基于自編碼器的核磁共振圖像處理裝置，該裝置包括，用于存儲圖像預處理的程序、人工智能的深度學習的程序和頭顱的核磁共振成像的圖像數據的存儲介質，利用人工智能的深度學習對頭顱的核磁共振成像的圖像數據進行處理和分析的計算機主機或計算機集群，用于顯示圖像預處理的程序、人工智能的深度學習的程序、各種頭顱的核磁共振成像的圖像數據和各種程序的運行過程和運行結果的顯示裝置，

其特征在于：上述裝置能夠實現對任意給定的數量的正常老年組、遺忘型輕度認知損害和阿爾茲海默病的受試者的三維的頭顱的核磁共振成像的圖像數據的經過圖像分割得到的海馬體的亞結構的任意給定的數量的二維切片實現人工智能的深度學習的自編碼器的監督學習，根據上述的對任意給定的數量的正常老年組、遺忘型輕度認知損害和阿爾茲海默病的受試者的三維的頭顱的核磁共振成像的圖像數據的二維切片進行人工智能的深度學習的自編碼器的監督學習所得到的深度學習的神經網絡模型，利用任意給定的數量的待識別的受試者的三維的頭顱的核磁共振成像的圖像數據的任意給定的數量的二維切片對上述的待識別的受試者進行正常老年組、遺忘型輕度認知損害和阿爾茲海默病的三分類的區分識別；

其中，神經網絡模型是二維自編碼器的模型，利用人工智能的深度學習的二維自編碼器實現基于海馬體的海馬頭、海馬傘、CA1、CA2、CA3、CA4/齒狀回和海馬尾的形態學特征的深度學習的計算機輔助識別和/或利用人工智能的深度學習的二維自編碼器實現基于海馬體的海馬頭、海馬傘、CA1、CA2、CA3、CA4/齒狀回和海馬尾的紋理特征的深度學習的計算機輔助識別；

基于海馬體的海馬頭、海馬傘、CA1、CA2、CA3、CA4/齒狀回和海馬尾的形態學特征的人工智能的深度學習的輔助識別是指：從每一位受試者的海馬頭、海馬傘、CA1、CA2、CA3、CA4/齒狀回和海馬尾的核磁共振成像的三維體素的圖像中選取與冠狀面、矢狀面和水平面平行的指定數量和指定間距的以體素的尺寸大小為厚度的二維切片，上述的體素的尺寸大小可以根據核磁共振成像的圖像的質量任意地設定，對上述的訓練集，給每個來源于正常老年組的受試者的所有的上述二維切片標記上正常老年組的標簽，給每個來源于在臨床上確診為遺忘型輕度認知損害的受試者的所有的上述二維切片標記上在臨床上確診為遺忘型輕度認知損害的標簽，給每個來源于在臨床上確診為阿爾茲海默病的受試者的所有的上述二維切片標記上在臨床上確診為阿爾茲海默病的標簽，將上述的每個二維切片劃分為大小相同的互相不重疊的多個區域，將以每個區域的灰度的強度的數值為基礎的反映該區域的圖像信息的特征做為人工智能的深度學習的二維自編碼器的輸入，利用上述的人工智能的深度學習的二維自編碼器對所有的上述的受試者的上述的二維切片的形態學特征進行識別，根據對上述形態學特征的識別得到針對上述的二維切片的對正常老年組、在臨床上確診為遺忘型輕度認知損害和在臨床上確診為阿爾茲海默病的三種情況進行三分類的區分識別，使用上述的針對上述的二維切片的對正常老年組、在臨床上確診為遺忘型輕度認知損害和在臨床上確診為阿爾茲海默病的三種情況進行三分類的區分識別對上述的驗證集進行驗證，在驗證中調整上述二維自編碼器的結構和有關的參數；

基于海馬頭、海馬傘、CA1、CA2、CA3、CA4/齒狀回和海馬尾的全腦的紋理特征的人工智能的深度學習的輔助識別是指：從每一位受試者的海馬頭、海馬傘、CA1、CA2、CA3、CA4/齒狀回和海馬尾的核磁共振成像的三維體素的圖像中選取與冠狀面、矢狀面或水平面平行的指定數量的二維切片組，每一個二維切片組具有給定數量的與冠狀面、矢狀面或水平面平行的連續相鄰的以體素的尺寸大小為厚度的二維切片，相互平行的相鄰的兩層二維切片是指兩個相互平行的二維切片中的除邊緣區域以外的任何一層二維切片的任何一個體素與這兩個相互平行的二維切片的另一層二維切片的一個體素是相鄰的，就是說，相互平行的相鄰的兩層二維切片是指這兩層二維切片之間沒有別的體素，對在上述的每一個二維切片組的中間的一層的二維切片的不包括邊緣的3個到9個體素的所有的體素進行紋理特征的提取，上述的紋理特征的提取是根據相鄰的體素的灰度的強度值的數值在不同的方向上的變化來實現的，將上述的每一個二維切片組的中間的一層的二維切片的除邊緣的3到6個體素以外的所有的體素的紋理特征作為二維自編碼器的輸入，利用人工智能的深度學習的二維自編碼器對所有的上述的受試者的上述二維切片組的紋理特征進行識別，根據對上述紋理特征的識別得到針對上述的二維切片阻的對正常老年組、在臨床上確診為遺忘型輕度認知損害和在臨床上確診為阿爾茲海默病的三種情況進行三分類的區分識別，使用上述的針對上述的二維切片組的對正常老年組、在臨床上確診為遺忘型輕度認知損害和在臨床上確診為阿爾茲海默病的三種情況進行三分類的區分識別對上述的驗證集進行驗證，在驗證中調整上述二維自編碼器的結構與有關的參數。