[发明专利]基于卷积神经网络的阿尔茨海默病变区域的检测方法

说明书

本发明公开了一种基于卷积神经网络的阿尔茨海默病变区域的检测方法，将病灶检测任务分成提取特征，病灶定位和病灶分类三步。本发明的步骤是训练改进的AlexNet神经网络模型，用于提取原始脑部核磁共振图像的特征，生成特征图；然后训练区域生成网络模型，生成proposal，用于定位出脑部核磁共振图像的病变区域；接着将特征图和proposal送入后续分类网络进行分类训练，用于分类病变区域处于哪个发病阶段。结果表明，本发明对脑部核磁共振图像的阿尔茨海默病变区域有较好的检测效果。

技术领域

本发明属于医学图像处理技术领域。具体来说，设计一种以检测出脑部核磁共振图像中的阿尔茨海默病变区域为目的的基于卷积神经网络的阿尔茨海默病变区域的检测方法。

背景技术

阿尔茨海默病是典型的老年退行性疾病，俗称老年痴呆症，临床上表现为失忆、丧失语言能力等。目前，中国的阿尔茨海默病患者人数已居世界第一。因此，早期诊断阿尔茨海默病变得十分急迫。核磁共振图像是一种在临床上评估脑部病变特别有效的手段。对脑部病变区域的精确检测不仅对辅助医生的治疗计划十分重要，而且也对接下来的随访评估十分重要。然而，人工检测方法是十分耗时的，而且容易受到主观因素的影响导致错误判断。因此，寻找一种精确地脑部肿瘤分割方法是必需的。然而，由于病变区域的形状、结构和位置都是高度可变的，此外，由于成像仪器和环境等原因，导致核磁共振图像本身质量也存在一些问题，如同一患者在不同仪器上成像的灰度分布不一致等。所以找到一种高精度的阿尔茨海默脑部病变区域检测方法十分困难。

当前，有些专家学者提出了一系列方法用于阿尔茨海默病的诊断。如Gupata等人提出的无监督学习方法预测AD，使用Sparse AutoEncoders(SAE)方法进行特征提取，使用简单网络模型进行训练。还有学者使用卷积神经网络模型对降维后数据进行训练，这些卷积神经网络模型包括卷积层、ReLU层、池化层、全连接层以及Softmax层等。但是这些以上这些方法只能对单张的核磁共振图像进行分类，对于核磁共振图像中的病变区域并不能检测出来，这对于阿尔茨海默病的诊断来说还是有所不足。并且许多学者提出的方法只是单纯地利用现有的传统经典图像识别网络模型来进行阿尔茨海默病的分类，这些网络模型并不是针对医学图像的网络模型，它不能很好地将先验医学知识应用到模型中。

为了能准确检测出阿尔茨海默病的脑部病变区域，可以采用目标检测方法。目标检测是计算机视觉领域中一个非常重要的研究问题。随着电子设备的应用在社会生产和人们生活中越来越普遍，数字图像已经成为不可缺少的信息媒介，每时每刻都在产生海量的图像数据。与此同时，对图像中的目标进行精确识别变得越来越重要。我们不仅关注对图像的简单分类，而且希望能够准确获得图像中存在的感兴趣目标及其位置，并将这些信息应用到视频监控、自主驾驶等一系列现实任务中，因此目标检测技术受到了广泛关注。

目标检测具有巨大的实用价值和应用前景。应用领域包括智能视频监控、机器人导航、数码相机中自动定位和聚焦人脸的技术、飞机航拍或卫星图像中道路的检测、车载摄像机图像中的障碍物检测、医学影像在的病灶检测等。同时，目标检测也是众多高层视觉处理和分析任务的重要前提，例如行为分析、事件检测、场景语义理解、病灶检测等都要求利用图像处理和模式识别技术，检测出图像中存在的目标，确定这些目标对象的语义类型，并且标出目标对象在图像中的具体区域。本发明将目标检测用于脑部核磁共振图像的阿尔茨海默病变区域检测。

发明内容

为了对阿尔茨海默病脑部病变区域进行精确检测，本发明设计了一种阿尔茨海默病脑部病变区域检测方法，将检测任务分为三步，训练三个网络，第一个网络用来对脑部核磁共振图像进行特征提取，获得特征图，第二个网络用来对脑部核磁共振图像的病变区域进行定位，第三个网络用来对定位区域进行分类，判断是正常还是阿尔茨海默病的某个阶段。实验表明，这种检测方法有较好的检测效果。该方法包括：

训练改进的AlexNet神经网络模型，用于提取原始脑部核磁共振图像的特征，生成特征图；