[发明专利]基于深度学习的阿尔茨海默病多分类诊断系统

说明书

本发明涉及一种基于深度学习的阿尔茨海默病多分类诊断系统，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；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。本发明能够辅助阿尔茨海默症的多分类诊断。

技术领域

本发明涉及智能医疗技术领域，特别是涉及一种基于深度学习的阿尔茨海默病多分类诊断系统。

背景技术

阿尔茨海默病(Alzheimer’s disease，AD)，又称老年性痴呆，是一种神经系统退行性疾病，其特点包括进行性记忆力衰退和获得性知识丧失，直到日常生活能力完全丧失，这不但会严重影响患者自身的生活质量，还会给患者家庭和整个社会带来沉重的负担。阿尔茨海默病是继心血管病、脑血管病和肿瘤之后，威胁老年人健康的重要疾病原因。

自1906年德国著名神经解剖学家Alzheimer首次提及该疾病以来，阿尔茨海默病载入医学史已经110多年。临床上对于阿尔茨海默病的诊断主要根据医学图像和临床指标。在医学图像中，通过观察大脑相关区域形态，特别是海马体、内嗅皮质、杏仁核等形态信息。在临床指标中，测定脑脊液的生物标志物，如β淀粉样蛋白和Tau蛋白含量；同时结合神经心理学评估，通过各种量表评估智力损害程度、日常生活损害程度等。但是由于阿尔茨海默病的复杂性和特殊性，医学上仍未真正发现该疾病的发病成因，也没有找到准确诊断的有效方法。

在阿尔茨海默病辅助诊断相关研究中，磁共振成像(MRI)由于其出色的空间分辨率，高可及性和良好的对比度而常常被作为在计算机辅助阿尔茨海默病诊断的的重要依据。常用的方法包括基于3D医学影像特征的提取和分类，使用感兴趣区域来对阿尔茨海默病进行诊断，利用图像分割并测量海马体、内嗅皮质、杏仁核等形态的方法。但是这些方法仍旧存在许多问题：

(1)3D影像学图像由于其高维性、噪声、疏性往往难以表示和建模，而使用感兴趣区域和图像分割需要一定的先验知识，这是一项具有挑战性的任务。

(2)仅仅使用影像学图像作为阿尔茨海默病的诊断依据，没有参考其它的医学检查，例如人口统计学信息、神经心理学评估、生物学检测等，并不符合临床实际。

发明内容

本发明所要解决的技术问题是提供一种基于深度学习的阿尔茨海默病多分类诊断系统，能够辅助阿尔茨海默症的多分类诊断。

本发明解决其技术问题所采用的技术方案是：提供一种基于深度学习的阿尔茨海默病多分类诊断系统，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；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。

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。