[發明專利]基于3D卷積神經網絡的阿爾茨海默癥的預判斷方法

有效

• 申請號: 202011551593.2
• 申請日: 2020-12-24
• 公開（公告）號: CN112674720B
• 公開（公告）日: 2022-03-22
• 發明（設計）人: 袁榕澳;郭延芝;王聰;劉一靜;胡際帆
• 申請（專利權）人: 四川大學
• 主分類號: A61B5/00
• 分類號: A61B5/00
• 代理公司: 北京眾合誠成知識產權代理有限公司 11246
• 代理人: 戚星

1.基于3D卷積神經網絡的阿爾茨海默癥的預判斷方法，其特征在于：包括如下步驟：

S1：選取數據集：采用ADNI數據庫，選擇MRI和DTI圖像數據；

S2：數據預處理：對所選擇的MRI和DTI圖像數據進行預處理；

S3：基于CNN的DL方法，具體步驟包括：

S3.1：3D卷積：利用如下公式(1)計算出每一層的三維特征圖，并建立多個三維卷積，通過有監督的訓練方法得到各層網絡參數的權值W和偏差b；

令某一層中的某個特征圖中位置(x_i，y_j，z_k)的值，表示為a_i，j，k，則

其中，f是激活函數，b是該特征圖的偏置，w_m，n，l是對應于位置x_{i+m，i+n，k+l}的卷積核單元，M，N，L分別是卷積核的高度、寬度和深度；

S3.2：在神經網絡訓練過程中采用批量正則化技術；

S3.3：采用線性整流函數如下公式(2)作為激活函數：

f(x)＝max(0,x) (2)；

S3.4：3D池化：采用最大池化作為每個層的特征降維；

S4：建立網絡體系結構：

S4.1：對于MRI和DTI的圖像數據，通過卷積塊組成的流水線實現特征提取；

S4.2：卷積流水線由三個卷積塊串聯而成，最終輸出高層特征圖；

S4.3：將MRI和DTI的特征圖展平后，與臨床數據連接形成一維向量，作為全連接層的輸入，并連接隱藏層和softmax層進行分類；

S5：實現與性能評估：

實現過程中設計AD與NC、AD與MCI、MCI與NC、EMCI與LMCI四種二元分類器驗證該網絡的有效性；訓練和測試過程采用5倍交叉驗證；采用分層抽樣的方法：每類樣本預先隨機平均分為五份，然后不同類別樣本隨機取一份出來組合成一份數據集；

比較和評估分類器的性能，利用受試者工作特征曲線分析，計算曲線下面積AUC值，采用三個評估指標，包括準確度ACC、敏感性SEN和特異性SPE；

在所述S4中，所有卷積核的大小為5×5×5，步長為2×2×2，填充相同，三個卷積層的卷積核數分別設置為16、32、64；所有池層的大小設置為3×3×3，步長大小為2×2×2；全連接層節點數分別為100，2；所有層均采用ReLu函數作為非線性激活函數；

所述S2的具體步驟為：

S2.1：首先使用RIcron軟件將數字成像和醫學通信格式的數據轉換為神經成像信息技術倡議格式，從而生成重定向的MRI圖像；

S2.2：然后使用腦提取工具進行顱骨剝離，配準到標準蒙特利爾神經研究所大腦模板，然后進行小腦切除；

S2.3：對于DTI圖像，在進行顱骨剝離前進行頭動矯正和渦流矯正，將擬合張量得到的MD映射圖譜配準到標準蒙特利爾神經研究所大腦模板，然后再配準相應的MRI圖像，去除小腦；

S2.4：對處理后的MRI和DTI圖像進行裁剪，去除無關部分的黑色像素塊。

2.根據權利要求1所述的基于3D卷積神經網絡的阿爾茨海默癥的預判斷方法，其特征在于：所述S2的所有步驟都是通過使用FSL軟件庫完成的。

3.根據權利要求1所述的基于3D卷積神經網絡的阿爾茨海默癥的預判斷方法，其特征在于：三維卷積核和全連接權值用截斷正態分布隨機數初始化，標準偏差為0.1；利用Adam優化算法進行最小化交叉熵損失計算，學習率為0.001，batchsize大小為16，迭代次數為300。

4.根據權利要求1所述的基于3D卷積神經網絡的阿爾茨海默癥的預判斷方法，其特征在于：所述三個評估指標通過如下公式表示：

其中，TP為真陽例，FP為假陽性，TN為真陰性，FN為假陰性。

5.根據權利要求1所述的基于3D卷積神經網絡的阿爾茨海默癥的預判斷方法，其特征在于：所述每種分類器分別基于MRI、DTI和Clinical數據的三種輸入特征和四種不同的輸入組合包括MRIClinical、DTIClinical、MRIDTI和MRIDTIClinical構建了7個網絡模型。