[发明专利]一种基于细粒度深度学习的阿尔兹海默症辅助诊断模型分类方法

说明书

本发明涉及一种基于细粒度深度学习的阿尔兹海默症辅助诊断模型分类方法，与现有技术相比解决了难以针对脑部PET影像细粒度分类的缺陷。本发明包括以下步骤：脑部PET影像的获取和预处理；细粒度深度学习阿尔兹海默症辅助诊断模型的建立；细粒度深度学习阿尔兹海默症辅助诊断模型的训练；待诊断脑部PET影像的获取；阿尔兹海默症辅助诊断结果的获得。可有效解决脑部PET影像细粒度分类精度不高问题，大大提高阿尔兹海默症诊断速度和诊断准确性，使得阿尔兹海默症辅助诊断更具有普适性。

技术领域

本发明涉及医学影像处理技术领域，具体来说是一种基于细粒度深度学习的阿尔兹海默症辅助诊断模型分类方法。

背景技术

正电子发射型计算机断层显像(Positron Emission Computed Tomography，PET)其临床显像过程为：一些短寿命的物质，在衰变过程中释放出正电子，一个正电子在行进十分之几毫米到几毫米后遇到一个电子后发生湮灭，从而产生方向相反(180度)的一对能量为511KeV的光子(based on pair production)。这对光子，通过高度灵敏的照相机捕捉，并经计算机进行散射和随机信息的校正。便得到人体各部位横断面、冠状断面和矢状断面的影像，也可以得到在生物体内聚集情况的三维图像。

电子计算机断层扫描(Computed Tomography，CT)基本原理是图像重建，根据人体各种组织(包括正常和异常组织)对X射线吸收不等这一特性，将人体某一选定层面分成许多立方体小块(也称体素)X射线穿过体素后，测得的密度或灰度值称为象素。X射线束穿过选定层面，探测器接收到沿X射线束方向排列的各体素吸收X射线后衰减值的总和，为已知值，形成该总量的各体素X射线衰减值为未知值，当X射线发生源和探测器围绕人体做圆弧或圆周相对运动时。用迭代方法求出每一体素的X射线衰减值并进行图像重建，得到该层面不同密度组织的黑白图像。

PET-CT的图像融合是将PET(功能分子影像)与CT(解剖影像)两种不同成像原理的设备同机组合，不是其功能的简单相加。而是在此基础上进行图像融合，融合后的图像既有精细的解剖结构又有丰富的生理.生化功能信息能为确定和查找肿瘤及其它病灶的精确位置定量、定性诊断提供依据。并可用X线对核医学图像进行衰减校正。

阿尔兹海默症(Alzheimer's disease，AD)是一种发病率较高的神经退行性疾病，目前AD的诊断主要通过计算机辅助脑部影像数据分析诊断，常见影像的包括磁共振成像(Magnetic Resonance Imaging，MRI)及正电子发射计算机断层显像(Positron EmissionComputed Tomography，PET)等，其中PET在AD诊断中应用最为广泛。传统的诊断中方法太过于依赖患者和医生的主观意识，同时患者的年龄和学历等各种因素也会严重影响诊断的准确性，标准难以统一。近年来人工智能技术已经广泛应用于各行各业，特别是在医疗领域应用广泛。

因此，现阶段采用一种基于细粒度深度学习的阿尔兹海默症辅助诊断模型分类方法对脑部PET影像进行准确识别，从而达到阿尔兹海默症的辅助诊断效果已经成为急需解决的技术问题。

发明内容

本发明的目的是为了解决现有技术中的不足，针对细粒度脑部PET影像难以精准分类阿尔兹海默症的缺陷，提供一种基于细粒度深度学习的阿尔兹海默症辅助诊断模型分类方法来解决上述问题。

为了实现上述目的，本发明的技术方案如下：

一种基于细粒度深度学习的阿尔兹海默症辅助诊断模型分类方法，包括以下步骤：

11)脑部PET影像训练集的获取和预处理：获取已确诊患有阿尔兹海默症的患者脑部PET影像数据和已确诊患有轻度阿尔兹海默症的患者脑部PET影像数据以及未患有阿尔兹海默症的患者脑部PET影像数据，并对脑部PET影像数据进行裁剪、归一化、数据增强等预处理；

12)细粒度阿尔兹海默症辅助诊断模型的建立：基于移动翻转瓶颈卷积结构构建细粒度阿尔兹海默症辅助诊断模型；