[发明专利]基于多模态大脑影像的阿尔茨海默症综合诊断系统

说明书

本发明提供了一种基于多模态大脑影像的阿尔茨海默症综合诊断系统，包括：包括基于多模态神经影像的深度学习系统，所述基于多模态神经影像的深度学习系统对患者认知状态自动化分类；患者认知状态包括正常状态，轻度认知障碍状态和阿尔茨海默症状态；还包括基于领域对抗的神经网络，所述基于领域对抗的神经网络将MRI所提供的大脑结构信息和PET所提供的认知功能信息融合，以对大脑认知退化的程度以及阶段进行诊断；所述PET所提供的认知功能信息包括反映相关蛋白的代谢水平，以定位到大脑认知退化的区域；所述相关蛋白包括Aβ淀粉样蛋白或tau蛋白。

技术领域

本发明涉及医学图像处理技术领域，特别涉及一种基于多模态大脑影像的阿尔茨海默症综合诊断系统。

背景技术

多年来，医学信息学研究人员一直在追求数据驱动的方法来自动执行疾病诊断，以早期发现许多致命疾病。阿尔茨海默氏病(AD)已成为全球第六大死亡原因，这是可以从计算机辅助诊断技术中受益的疾病之一。阿尔茨海默氏病的一个特殊挑战是，在精神衰退开始之前的早期阶段很难检测到。通常，脑部医学影像(例如PET和MRI)一直来被作为阿尔茨海默病请诊断的不可或缺的工具。对于医生和研究人员而言，分析大脑影像数据非常耗时，因为每个患者的扫描都包含数百万个体素。深度学习为自动处理医学图像提供了潜在解决方案，可以使早期AD诊断更加高效。近些年来，深度学习方法被广泛用于各类大脑影像扫描自动分类。这些方法通常基于2D或3D卷积神经网络(CNN)通过监督学习在带有标记(认知正常(CN)，轻度认知障碍(MCI)或阿尔茨海默氏病(AD))的大脑影像(MRI或PET)上进行训练。然而这些方法存在诸多的局限性：1)缺乏通用性及兼容性，大部分只适用于单一模态影像的分析(MRI或PET)2)严格的信息对成型，需要对患者的MRI以及PET影像进行配对及配准，但在临床实践中，PET影像数据是十分稀缺的，这就造成此类型方法无法得到可观的有效数据，因此模型的泛化能力弱3)缺乏可解释性，3D-CNN用于得出结论的过程缺乏透明度，无法像人类专家在诊断中那样直接提供推理和解释。因此，对于医生而言，很难在临床实践中信任此类系统。

发明内容

本发明的目的在于提供一种基于多模态大脑影像的阿尔茨海默症综合诊断系统，以解决现有的诊断阿尔茨海默氏病的脑部医学影像缺乏通用性及兼容性。

为解决上述技术问题，本发明提供一种基于多模态大脑影像的阿尔茨海默症综合诊断系统，包括：包括基于多模态神经影像的深度学习系统，所述基于多模态神经影像的深度学习系统对患者认知状态自动化分类；

患者认知状态包括正常状态，轻度认知障碍状态和阿尔茨海默症状态；

还包括基于领域对抗的神经网络，所述基于领域对抗的神经网络将MRI所提供的大脑结构信息和PET所提供的认知功能信息融合，以对大脑认知退化的程度以及阶段进行诊断；

所述PET所提供的认知功能信息包括反映相关蛋白的代谢水平，以定位到大脑认知退化的区域；

所述相关蛋白包括Aβ淀粉样蛋白或tau蛋白。

可选的，在所述的基于多模态大脑影像的阿尔茨海默症综合诊断系统中，所述基于领域对抗的神经网络包括：

图像数据以及预处理模块，被配置为进行数据分割及MRI预处理，通过领域对抗学习对齐结构以及功能性影像的特征表达从而使神经网络具有通用性；

半监督变分自动编码器模块，被配置为将半监督变分推断的技术融入自动编码器的学习增强了特征表达的可区分性；

多模态对抗与域融合模块，被配置为消除多模态特征融合对于输入信息对称性的要求；

积分梯度回传定位病变区域模块，被配置为根据积分梯度回传算法自动定位病变相关区域。

可选的，在所述的基于多模态大脑影像的阿尔茨海默症综合诊断系统中，所述图像数据以及预处理包括：