[发明专利]基于深度学习的阿尔茨海默病多分类诊断系统

权利要求书

1.一种基于深度学习的阿尔茨海默病多分类诊断系统，其特征在于，包括：图像特征提取模块，用于根据神经网络模型对大脑三正交平面MRI图像的特征向量进行提取，其中所述神经网络模型是TOP-CNN-NN模型，包括3个VGGNet-16卷积神经网络和1个单隐层网络，在对大脑三正交平面MRI图像进行特征向量提取时，先利用3个VGGNet-16卷积神经网络分别对大脑三正交平面MRI图像进行初步特征向量提取，将得到的3个初步特征向量经过投票加权后输入所述单隐层网络生成融合特征向量；指标特征选择模块，用于根据医学相关文献选择检查指标组成指标特征向量；向量线性融合模块，用于采用基于典型相关分析的多元数据线性融合方法将图像的特征向量和指标特征向量进行融合；疾病分类诊断模块，用于将融合后的向量输入多分类分类器来区分阿尔茨海默病的三个阶段。

2.根据权利要求1所述的基于深度学习的阿尔茨海默病多分类诊断系统，其特征在于，所述3个VGGNet-16卷积神经网络分别对大脑三正交平面MRI图像的轴位平面图像训练XY-CNN模型、弧状位平面图像训练XZ-CNN模型、冠状位平面图像训练YZ-CNN模型；其中，VGGNet-16卷积神经网络的第i层特征图MRI_i＝f(MRI_i-1×W_i+b_i)，W_i为第i层卷积核的权值向量，×为卷积操作，b_i第i层的偏移向量，f(·)为ReLU激活函数；所述VGGNet-16卷积神经网络采用13个卷积层，并在每一卷积层后添加一个Maxpooling池化层，VGGNet-16卷积神经网络最后使用3个全连接层将提取到的特征进行综合，全连接层的第p个输出FC_p＝W_p1*x₁+W_p2*x₂+…+W_pj*x_n+b_p，W_pj表示权值矩阵，x_n表示输入的特征图，b_p表示偏移向量。

3.根据权利要求2所述的基于深度学习的阿尔茨海默病多分类诊断系统，其特征在于，所述投票加权具体为：综合XY-CNN模型、XZ-CNN模型和YZ-CNN模型的分类结果，

如果存在相同的分类结果，则将此结果作为投票结果；如果三者的分类结果均不同，则将分类准确度较高的结果作为投票结果；其中，每一种投票结果对应一种权重向量。

4.根据权利要求1所述的基于深度学习的阿尔茨海默病多分类诊断系统，其特征在于，所述指标特征选择模块使用CfsSubsetEval评估器来评估数据库每一个指标的分类能力以及相互之间的冗余度，选择与类别属性相关度高，且相互之间相关度低的指标，指标的优良性通过得到，其中，C表示阿尔茨海默病的类别，I_i和I_j表示指标集中所有指标，其中，a和b分别表示两个不同的指标，H(·)表示熵函数，H(a,b)表示a和b的联合熵。

5.根据权利要求1所述的基于深度学习的阿尔茨海默病多分类诊断系统，其特征在于，所述向量线性融合模块选取一对典型变量α^Tx和β^Ty组成组合特征V＝(α，β)^T(x,y)，其中，α和β为一对具有最大典型相关的投影方向，x和y分别为图像特征向量和指标特征向量。

6.根据权利要求1所述的基于深度学习的阿尔茨海默病多分类诊断系统，其特征在于，所述疾病分类诊断模块使用的多分类分类器为决策树。