[发明专利]一种基于深度神经网络和多模态影像阿尔兹海默病分类方法

说明书

技术领域

本发明涉及医学图像分类预测领域，尤其涉及一种基于深度神经网络和多模态影像阿尔兹海默病分类方法，用于利用深度神经网络对关于阿尔兹海默病的医学图像进行分类和预测。

背景技术

在图像处理技术和模式识别与机器学习理论和方法蓬勃发展的今天，医学图像处理作为与人类生活最密切的领域之一，跟随人工智能的脚步越来越受到人们关注。阿尔兹海默病(Alzheimer’s Disease,AD)的分类是医学图像分类领域的一个重要分支，在AD的计算机辅助诊断中具有重要意义，特别是对于病情的前期诊断及病情恶化的及时控制尤为重要。轻度认知障碍(Mild cognitive impairment,MCI)作为AD发展的中间阶段，及时地诊断对于控制病情的发展具有重要的作用。随着多种医学成像技术的发展，从单个病人获得相应的多模态医学图像已经成为一种诊断趋势，这也为发展一种基于多模态影像的AD分类方法提供必要前提和基础。

多模态影像包括MRI(Magnetic Resonance Imaging)图像、PET(Positron Emission Tomography)图像和DTI(Diffusion Tensor Imaging)图像。MRI图像能够提供丰富的脑组织形态特征，AD患者脑部会出现大量的萎缩，这主要体现在灰质上，所以在预处理时将MRI全脑分割得到灰质图像来进行后续的研究；PET图像成像过程中，脑活动较强的区域积累的放射性物质比较多，可以很好地反映AD病人脑部活跃区域的特征；DTI技术是根据水分子在这些纤维束中的运动属性来判断脑区之间信息传递是否异常，可以反映出被试者脑部的异常情况。另外两种非影像特征包括脑脊液标志物(CSF，Cerebrospinal Fluid)和基因信息，可以提供更加丰富的互补的特征。

近些年来，机器学习被广泛用于脑部疾病诊断，已有各种不同的方式从神经影像的模式来提取特征。传统的基于单模态影像的特征提取方法不能够全面地提取疾病的特征，而基于多模态影像的特征提取方法很好地弥补了这个缺陷。人工智能技术的引入，也使得传统的分类方法发生了巨大的改变，同时深度神经网络的引入，使得网络不仅能从2D形式的图像提取特征，还能够从3D块的形式进行学习。

发明内容

本发明的目的在于：提供了一种基于深度神经网络和多模态影像阿尔兹海默病分类方法，解决了现有机器学习分类方法在阿尔兹海默病分类中特征提取困难和特征提取不全面，导致分类精度低的技术问题。

本发明采用的技术方案如下：一种基于深度神经网络和多模态影像阿尔兹海默病分类方法，包括以下步骤：

步骤1：以判别阿尔兹海默病的N种类别的影像的2D和3D形式作为输入层，以分类结果的概率作为输出层，构建深度神经网络；

步骤2：对N种已知类别的影像进行预处理，得到训练样本；

步骤3：利用训练样本对所述深度神经网络进行训练，优化网络连接权重，得到最终的深度神经网络；

步骤4：将预处理后待分类的影像输入所述最终的深度神经网络，输出分类结果。

进一步的，所述步骤1中N种类别影像包括MRI图像、PET图像和DTI图像，所述分类结果包括阿尔兹海默病(Alzheimer’s Disease，AD)、轻度认知障碍(Mild cognitive impairment，MCI)和正常人(Normal Control，NC)。

进一步的，所述步骤1中深度神经网络包括N个2D卷积神经网络模型和N个3D卷积神经网络模型。

进一步的，所述步骤2中，对影像进行预处理后得到MRI的灰质图像、PET的全脑图像和DTI具有组间差异的白质区域图像，所述训练样本包括N种2D形式图像切片和N种3D形式图像块。

进一步的，所述步骤3中，利用训练样本的2D形式图像切片训练所述2D卷积神经网络模型，利用训练样本的3D形式图像块训练所述3D卷积神经网络模型，得到优化网络连接权重的深度神经网络。

进一步的，2D卷积神经网络模型特征图求解公式为：