[發(fā)明專利]一種基于腦成像大數(shù)據(jù)深度學(xué)習(xí)的阿爾茲海默癥分類器

有效

• 申請?zhí)枺?/td>: 202010820669.0
• 申請日: 2020-08-14
• 公開（公告）號: CN111932522B
• 公開（公告）日: 2023-02-10
• 發(fā)明（設(shè)計）人: 嚴超贛;魯彬
• 申請（專利權(quán)）人: 中國科學(xué)院心理研究所
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06V10/764;G06N3/0464;G06N3/047;G06N3/08
• 代理公司: 北京東方芊悅知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11591
• 代理人: 彭秀麗

1.一種基于腦成像大數(shù)據(jù)深度學(xué)習(xí)的阿爾茲海默癥分類器，其特征在于，所述阿爾茲海默癥分類器包括：

數(shù)據(jù)預(yù)處理模塊，用于將輸入的磁共振結(jié)構(gòu)成像數(shù)據(jù)分割為灰質(zhì)圖像、白質(zhì)圖像和腦脊液圖像，將分割后的圖像由個體空間轉(zhuǎn)化為MNI空間，并對灰質(zhì)密度和灰質(zhì)體積圖像進行配準；

深度學(xué)習(xí)模型，依次包括輸入模塊、主干模塊，卷積模塊、縮減模塊、平均池化模塊、drop out模塊及Softmax函數(shù)，經(jīng)所述數(shù)據(jù)預(yù)處理模塊配準后的灰質(zhì)密度和灰質(zhì)體積圖像由所述輸入模塊輸入，經(jīng)卷積、縮減和池化處理后提取圖像特征值；

性別分類模塊，其通過所述深度學(xué)習(xí)模型對腦成像大數(shù)據(jù)庫樣本進行性別深度模型訓(xùn)練；

初始化模塊，用于對所述深度學(xué)習(xí)模型中的所述drop out模塊和Softmax函數(shù)進行參數(shù)初始化；

AD訓(xùn)練模塊，其通過所述深度學(xué)習(xí)模型對腦成像大數(shù)據(jù)庫樣本進行AD訓(xùn)練；

預(yù)測模塊，根據(jù)所述深度學(xué)習(xí)模型所提取的圖像特征值進行AD分類；

所述阿爾茲海默癥分類器中還設(shè)有質(zhì)量控制模塊，其通過從各個數(shù)據(jù)來源站點抽取若干名被試的灰質(zhì)密度圖進行平均后形成標準模板，刪除每個數(shù)據(jù)來源站點內(nèi)同標準模板的空間相似程度小于站點均值減去兩倍站點標準差的樣本；即： Corr_i Corr_mean_j-2*Corr_std_j

其中：Corr_i為單個被試同標準模板的皮爾遜相關(guān)系數(shù)；

i為第i個被試；

Corr_mean_j為第i個被試所在站點j的同模板的平均相關(guān)系數(shù)；

Corr_std_j為第i個被試所在站點j的同模板的相關(guān)的標準差；

所述數(shù)據(jù)預(yù)處理模塊中利用Data Processing Assistant for Resting-State fMRI工具中的voxel based morphometry分析模塊，將磁共振結(jié)構(gòu)成像分割為灰質(zhì)、白質(zhì)和腦脊液，并將分割后的圖像借助Diffeomorphic Anatomical Registration ThroughExponentiated Lie algebra工具將被試的個體空間轉(zhuǎn)化為MNI空間；

所述數(shù)據(jù)預(yù)處理模塊中輸入的腦成像數(shù)據(jù)是基于T1-weighted磁共振結(jié)構(gòu)成像數(shù)據(jù)或基于功能磁共振或PET-CT的腦成像數(shù)據(jù)。

2.根據(jù)權(quán)利要求1所述的基于腦成像大數(shù)據(jù)深度學(xué)習(xí)的阿爾茲海默癥分類器，其特征在于，所述的卷積模塊包括：

卷積模塊A，用于提取3×3×3大小范圍內(nèi)的圖像特征；

卷積模塊B，用于提取7×7×7大小范圍內(nèi)的圖像特征；

卷積模塊C，用于提取3×3×3大小范圍內(nèi)的圖像特征；

所述縮減模塊包括：

縮減模塊A，用于提取不同來源的圖像特征并縮小圖片尺度；

縮減模塊B，用于提取不同來源的圖像特征并縮小圖片尺度；

由所述輸入模塊輸入的經(jīng)配準后的灰質(zhì)密度和灰質(zhì)體積圖像，依次經(jīng)卷積模塊A、縮減模塊A、卷積模塊B、縮減模塊B和卷積模塊C進行圖像特征提取與縮減處理。

3.根據(jù)權(quán)利要求1所述的基于腦成像大數(shù)據(jù)深度學(xué)習(xí)的阿爾茲海默癥分類器，其特征在于，所述深度學(xué)習(xí)模型通過對腦成像大數(shù)據(jù)庫樣本進行性別深度模型訓(xùn)練，經(jīng)訓(xùn)練得出的性別分類準確率達到94.9%或以上時，再通過所述AD訓(xùn)練模塊輸入阿爾茲海默癥病人和正常對照的腦成像數(shù)據(jù)依次經(jīng)所述的數(shù)據(jù)預(yù)處理模塊和深度學(xué)習(xí)模型進行訓(xùn)練。

4.根據(jù)權(quán)利要求1所述的基于腦成像大數(shù)據(jù)深度學(xué)習(xí)的阿爾茲海默癥分類器，其特征在于，所述深度學(xué)習(xí)模型中還加入殘差項，用于避免模型深度過大導(dǎo)致的梯度爆炸和梯度消失。