[發明專利]一種基于融合網絡的阿爾茲海默病分類方法

有效

• 申請號: 202010056516.3
• 申請日: 2020-01-18
• 公開（公告）號: CN111242233B
• 公開（公告）日: 2021-03-16
• 發明（設計）人: 胡眾義;陳昌足;吳奇
• 申請（專利權）人: 溫州大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/08
• 代理公司: 溫州名創知識產權代理有限公司 33258
• 代理人: 陳加利

本發明公開了一種基于融合網絡的阿爾茲海默病分類方法，包括以下步驟：1、給定被試的磁共振圖像數據集，進行預處理；2、將樣本劃分訓練集和測試集，進行圖像擴增、歸一化操作；3、將訓練集輸入訓練網絡；4、對樣本進行特征提取及特征融合；5、對各基網絡的分類決策和特征融合的分類決策進行融合；6、對輸出標簽進行誤差計算，并通過反向傳播進行參數更新；7、對分類模型評估并獲得最優模型，重復第3?7步直至迭代結束；8、訓練完成的最優模型，輸入通過預處理的被試磁共振影像數據，得到被試的標簽。本發明使用了行卷積神經網絡，實現了有效使用被試的磁共振影像數據進行阿爾茲海默病分類的方法，具有較好的魯棒性。

技術領域

本發明屬于腦影像與計算機科學的交叉領域，涉及圖像分類技術領域，尤其涉及一種基于融合網絡的阿爾茲海默病分類方法。

背景技術

隨著人工智能和神經影像技術的快速發展，醫學圖像處理作為與醫療科學技術相關最為密切的領域之一正在蓬勃發展。阿爾茲海默病的分類是醫學圖像分類領域的一個重要研究方向，在計算機輔助診斷中具有重要意義。通過機器學習對磁共振圖像進行分析，能夠實現阿爾茨海默癥(Alzheimer's disease，AD)的快速、準確分類。在某些情況下，這種方法表現出比臨床醫生更好的分類準確率。基于機器學習的計算機輔助診斷發展成為一個重要的研究領域，表現出巨大的優勢和發展的前景。

早期AD的分類方法依靠領域知識結合經典的機器學習方法，揭示阿爾茲海默病發生的病理細節。但是這些方法基于人為的先驗假設，高度依賴于手工提取的特征，分類的效果受圖像預處理步驟，如分割和配準等的影響。近年來，深度學習的成功進一步推動了AD分類的研究。深度學習作為一種先進的機器學習方法，避免了圖像預處理步驟帶來的負面影響，能夠在大規模且復雜的高維數據中提取重要的信息，從而獲得數據中隱含的層次化特征和數據的復雜結構。這些利用基于深度學習的基網絡實現AD分類的模型，相較于傳統的機器學習方法表現出良好的效果，但存在模型泛化性差的問題，以及準確率還有待進一步提升。

發明內容

針對以上問題，本發明提出一種基于融合網絡的阿爾茲海默病分類方法，有效使用被試的結構核磁共振圖像數據進行自動輔助疾病分類。

本發明的技術方案：一種基于融合網絡的阿爾茲海默病分類方法，包括以下步驟：

步驟S1：給定被試的磁共振圖像數據集，數據集包含磁共振圖像和被試的標簽，磁共振圖像數據集記為C＝{(a_i,b_i)|i∈[1,R]}，式中，a表示磁共振圖像，b表示被試的對應標簽，R表示樣本數量，i表示樣本下標。將磁共振圖像全集C拷貝并劃分成磁共振圖像訓練集E＝{(a_i,b_i)|i∈[1,M]}和磁共振圖像測試集E＝{(a_i,b_i)|i∈[1,N]}，其中N+M＝R，且M和N分別表示劃分后的樣本數量；

步驟S2：對磁共振圖像訓練集依次進行數據預處理、水平翻轉擴增操作和數據歸一化操作，得到處理后的磁共振圖像訓練集E'＝{(a_i,b_i)|i∈[1,M']}，經過擴增后，其數量相應的增多至M'；對磁共振圖像測試集F依次進行數據預處理、數據歸一化操作得到歸一化的磁共振圖像測試集F'＝{(a_i,b_i)|i∈[1,N]}；

步驟S3：將磁共振圖像訓練集E'作為輸入，載入到計算機內存中，并將磁共振圖像訓練集E'＝{(a_i,b_i)|i∈[1,M']}隨機打亂，為接下來的訓練階段做準備；