[發明專利]一種基于腦成像大數據深度學習的阿爾茲海默癥分類器

有效

• 申請號: 202010820669.0
• 申請日: 2020-08-14
• 公開（公告）號: CN111932522B
• 公開（公告）日: 2023-02-10
• 發明（設計）人: 嚴超贛;魯彬
• 申請（專利權）人: 中國科學院心理研究所
• 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權代理事務所(普通合伙) 11591
• 代理人: 彭秀麗

本發明公開了一種基于腦成像大數據深度學習的阿爾茲海默癥分類器，包括：數據預處理模塊、深度學習模型、性別分類模塊、初始化模塊、AD訓練模塊和預測模塊；經數據預處理模塊配準后的灰質密度和灰質體積圖像由輸入模塊輸入，經卷積、縮減和池化處理后提取圖像特征值；通過深度學習模型對腦成像大數據庫樣本進行性別深度模型訓練，當性別分類準確率達到最高值后，再通過初始化模塊對深度學習模型中的drop out模塊和Softmax函數進行參數初始化，最后通過AD訓練模塊利用深度學習模型對大數據庫樣本進行AD訓練，訓練好后再進行AD檢測與分類。本發明顯著提高AD病人和正常人分類的準確率，AD分類正確率達到了88.4％，在獨立樣本上AD分類正確率達到了86.1％。

技術領域

本發明涉及腦成像技術領域，具體涉及一種基于腦成像大數據深度學習的阿爾茲海默癥分類器(Alzheimer’s Disease，AD)。

背景技術

腦成像尤其是磁共振成像經過數十年的發展，臨床應用仍較有限。然而，大數據和深度學習在諸多如基于成像的乳腺癌和眼底疾病診斷上取得了突破性進展。目前，由于磁共振成像成本較高，對病人配合要求較高等原因，磁共振的大數據積累及相關研究一直處于千人級別數量級，難以構造基于大數據的工業級的深度學習分類器，并具備實際用途，其普適性較差。

發明內容

為了解決上述所存在的技術問題，基于處理后的圖像利用深度學習技術，利用腦成像數據對人是否罹患阿爾茲海默癥進行預測，實現能達到工業級別的腦成像深度學習分類器，使阿爾茲海默癥分類器具有很好的普適性，為此，本發明提供了一種基于腦成像大數據深度學習的阿爾茲海默癥分類器。

具體實施方案如下：

一種基于腦成像大數據深度學習的阿爾茲海默癥分類器，所述阿爾茲海默癥分類器包括：

數據預處理模塊，用于將輸入的磁共振結構成像數據分割為灰質圖像、白質圖像和腦脊液圖像，將分割后的圖像由個體空間轉化為MNI空間，并對灰質密度和灰質體積圖像進行配準；

深度學習模型，依次包括輸入模塊、主干模塊(stem)，卷積模塊、縮減模塊、平均池化模塊、drop out模塊及Softmax函數，經所述數據預處理模塊配準后的灰質密度和灰質體積圖像由所述輸入模塊輸入，經卷積、縮減和池化處理后提取圖像特征值；

性別分類模塊，其通過所述深度學習模型對腦成像大數據庫樣本進行性別深度模型訓練；

初始化模塊，用于對所述深度學習模型中的所述drop out模塊和Softmax函數進行參數初始化；

AD訓練模塊，其通過所述深度學習模型對腦成像大數據庫樣本進行AD訓練；

預測模塊，根據所述深度學習模型所提取的圖像特征值進行AD分類。

所述的卷積模塊包括：

卷積模塊A，用于提取3×3×3大小范圍內的圖像特征；

卷積模塊B，用于提取7×7×7大小范圍內的圖像特征；

卷積模塊C，用于提取3×3×3大小范圍內的圖像特征；

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配準后的灰質密度和灰質體積圖像，依次經卷積模塊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。