[发明专利]一种基于3D卷积神经网络的脑疾病诊断方法

说明书

本发明涉及一种基于3D卷积神经网络的脑疾病诊断方法，包括：1）获取正常和疾病的MRI脑图像数据样本；2）样本预处理，包括脑组织提取以及样本标准化；3）设计用于脑疾病诊断的3D卷积神经网络；4）MRI脑图像作为3D卷积神经网络的输入，进行网络训练提取出特征建立分类诊断模型；5）待测人员MRI脑图像经过预处理后作为输入送到3D卷积神经网络诊断模型中，得到输出标签，判断是否患病。优点：1）使用3D卷积神经网络建立脑疾病诊断模型，从MRI脑图像中自动学习特征。构建多隐含层的深度学习模型由计算机自动获取精准、有效的特征，最终提高了诊断模型的精度和泛化能力。2）适用于阿尔兹海姆症、抑郁症、儿童多动症等多种不同类型脑疾病的诊断。

技术领域

本发明是一种基于3D卷积神经网络的脑疾病诊断方法，属于脑疾病诊断方法技术领域。

背景技术

随着当代社会生活节奏的日益加快，各类脑疾病的发病率逐年不断攀升，脑疾病主要包括阿尔兹海默症、帕金森氏症、自闭症、抑郁症、儿童孤独症等。目前全球有约近十亿的脑疾病患者，可见，脑疾病已经成为威胁人们健康的重要因素。在脑疾病的早期阶段进行及时干预和治疗，可以阻止病情的进一步恶化。因此，对脑疾病的早期诊断非常重要，这也是“中国脑科学”的一个主要研究方向。

近年来，神经影像技术不断发展，主要有计算机断层扫描(Computed tomography,CT)、核磁共振成像(Magnetic Resonance Imaging,MRI)图像、正电子发射断层扫描成像(Positron Emission Tomography,PET)等等。通过这些神经影像技术可以获得各种模态的脑图像，脑图像能够对大脑结构和功能进行展示。相比于其他的大脑成像方式，MRI具有无侵入性、无辐射、空间分辨率高以及对比度高等优点，可以进行任意解剖面的直接采集成像，提供多方位立体的脑图像信息，在临床脑疾病诊断中得到了广泛应用。目前，脑疾病主要由医生基于脑影像结合自己的专业知识和实践经验进行诊断，然而这种传统的人工诊断方法会加重了临床医生的负担，耗费大量的时间。在此情况下，如何利用计算机处理MRI脑图像辅助医生进行脑疾病诊断成为了当前的热点研究问题。

脑疾病辅助诊断主要分为预处理、特征提取和诊断模型建立三个步骤，其中特征提取是关键。最初的计算机辅助诊断方法通常针对特定的诊断任务提取出与脑疾病相关的区域作为感兴趣区域，再计算这些区域的测量值作为特征。但是，这种特征提取方法往往只能针对某种类型的脑疾病，不具有通用性。

发明内容

本发明提出的是一种基于3D卷积神经网络的脑疾病诊断方法，其目的在于针对脑疾病诊断方法领域存在的上述缺陷，利用3D卷积神经网络方法自动地从MRI图像中提取矢状面、冠状面和横断面3个解剖面的特征，最后通过softmax分类器实现脑疾病类型诊断，该诊断方法精准较高，通用性强，适用于多种不同类型脑疾病的诊断。

本发明的技术解决方案：基于3D卷积神经网络的脑疾病诊断方法，包括以下步骤：

(1)样本获取：获取MRI脑图像数据，包含正常样本和疾病样本；

(2)预处理：对所获取的MRI脑图像数据进行预处理，包括脑组织提取以及样本标准化；

(3)神经网络设计：设计用于脑疾病诊断的3D卷积神经网络；

(4)特征提取及模型建立：将冠状面、矢状面、横断面的MRI脑图像分别作为3D卷积神经网络的输入，进行网络训练提取出特征并建立分类诊断模型；

(5)诊断：对待测人员的MRI脑图像进行预处理，得到标准化脑组织，将其作为输入送到训练好的3D卷积神经网络诊断模型中，得到待测者的输出标签，判断其是否患病。