[发明专利]一种基于长短时记忆的阿尔兹海默症病程预测方法

说明书

本发明提供一种基于长短时记忆的阿尔兹海默症病程预测方法，包括：对脑部影像数据进行脑区形态特征提取，得到特征预处理数据，然后将所述特征预处理数据进行时序预处理，得到时序预处理数据；将所述时序预处理数据按照病例进行分组，每一个分组包括同一个病例的多次检查的预处理数据并按时间顺序排序，得到时间序列特征数据；根据深度神经网络的方法通过所述时间序列特征数据中第N次和第N+1次的检查影像对第N+2次影像的状态预测。阿尔兹海默症发展的病程较长，随着时间的推移慢慢出现症状，疾病预测有利于早期的介入治疗，延缓疾病发展过程。本发明提供的方法解决了阿尔兹海默症病程的状态预测问题，为医生的影像诊断提供有效的预测诊断辅助。

技术领域

本发明涉及与阿尔兹海默症病程预测相关的人工智能模型技术领域，特别涉及一种基于长短时记忆的阿尔兹海默症病程预测方法。

背景技术

阿尔兹海默症是一种起病隐匿的进行性发展的神经系统退行性疾病。

现有的阿尔兹海默症病程预测相关的人工智能模型通过病人在发展的过程中保留的影像检测结果，对正常人与阿尔兹海默症患者的脑部影像的差异建立分类模型，通过将疾病状态分为可以转换及不能转换的状态区分，与正常人比较特定的脑区域是否出现萎缩现象，实现阿尔兹海默症患者未来疾病发展判断。

然而，现有方法无法判断未来某个时间段阿尔兹海默症病人的病程。

发明内容

本发明要解决的技术问题，在于提供一种基于长短时记忆的阿尔兹海默症病程预测方法，解决了阿尔兹海默症病程的状态预测问题。

为了解决上述技术问题，本发明实施例是这样实现的：

本发明提供了一种基于长短时记忆的阿尔兹海默症病程预测方法，包括：

步骤10、对脑部影像数据进行脑区形态特征提取，得到特征预处理数据，然后将所述特征预处理数据进行时序预处理，得到时序预处理数据；

步骤20、将所述时序预处理数据按照病例进行分组，每一个分组包括同一个病例的多次检查的预处理数据并按时间顺序排序，得到时间序列特征数据；

步骤30、根据深度神经网络的方法通过所述时间序列特征数据中第N次和第N+1次的检查影像对第N+2次影像的状态预测，其中，N为大于等于1的自然数。

进一步地，所述步骤10中，脑区形态特征提取包括头骨、配准、分割、标准化、平滑以及脑区特征提取；时序预处理包括脑区形态特征提取、类别重标记、特征数据插值、数据归一化及数据序列化。

进一步地，所述步骤20具体包括：

步骤21、将所述时序预处理数据按照病例进行分组，每一个分组包括同一个病例的多次检查的预处理数据；

步骤22、根据预测时间步长将每一个病例的多次检查的预处理数据分组，得到步长一致的时间序列分组数据。

进一步地，所述步骤30具体包括：

步骤31、根据前置全连接层算法与长短时记忆网络模型算法对第N次和第N+1次的时间序列分组数据进行时间特征选择，得到选择结果，即最相关特征；

步骤32、通过训练后置全连接层算法选择最好的特征组合的方法对时间序列特征数据进行预测，得到预测结果，即N+2影像的状态预测。

本发明实施例中提供的技术方案具有如下技术效果或优点：