[发明专利]一种基于深度学习策略的早期阿尔兹海默症发展预测方法

说明书

本发明涉及人工智能医疗技术领域，具体涉及一种基于深度学习策略的早期阿尔兹海默症发展预测方法；获取多名MCI患者在固定时间间隔对应的三维脑部核磁共振图像，得到各个样本；对各样本中预处理后的核磁共振图像进行切片操作，使用卷积神经网络提取各张切片的特征并将其表示为特征向量；对每个样本中的两个特征向量序列进行位置嵌入；使用特征融合模型对经过位置嵌入后的两个特征向量序列执行横向特征融合和纵向特征融合；将融合后的特征全局平均后输入分类器，得到各样本的预测结果；本发明既避免了手动提取特征主观性较大的缺点，又考虑了早期阿尔兹海默症的进展性，避免了横向研究受个体差异影响和观察时间较短的缺点。

技术领域

本发明涉及人工智能医疗技术领域，具体涉及一种基于深度学习策略的早期阿尔兹海默症发展预测方法。

背景技术

阿尔兹海默症(Alzheimer's Disease,简称AD)是目前最难以治愈的老年疾病之一。AD是一种退化型、不可逆的脑部疾病，随着疾病的发展，越来越多的大脑神经元失去功能，神经元之间失去联系，甚至神经元死亡，大脑的皮质区、海马体萎缩，脑室增大，外在表现为记忆力和其他认知能力的减弱或完全丧失。患者根据认知的不同阶段分成：1.认知正常(Cognitively Normal,简称CN)，即患者没有认知障碍症状；2.轻度认知障碍(Mildcognitive Impairment,MCI)3.AD。

据统计，有44％的MCI的患者在3年内转化为AD；在未来3年内转化为AD的MCI患者称为进展型MCI(progressive MCI,pMCI)，在未来3年内没有转化为AD的MCI患者称为稳定型MCI(stable MCI,sMCI)。MCI患者尽管在语言、记忆、思维能力等方面存在一些问题，但症状没有AD患者那么严重，所以MCI患者经常被误认为是衰老的表现而不被引起重视。然而，如果MCI完全转化为AD，迄今为止还不存在有效的针对药物和治疗手段能够治愈AD。

鉴于AD的不可逆性，患者在MCI时期的预测和防治非常关键，在患者的MCI阶段能够准确的预测MCI的发展趋势，并及时地进行药物治疗和精神治疗，可以有效地减缓病情的恶化，从而提高患者的生活质量。神经影像检查可以直观的反映患者的病理性变化，并且由于其非侵入性的优势，更容易被患者和家属接受。在神经影像检查的方法中，磁共振成像(MRI)是诊断AD的常用方法，它对脑软组织具有较高的分辨率，可以三维显示脑组织，提供有用的人脑解剖信息，因此产生了众多基于MRI图像来预测AD的算法。

使用传统机器学习算法需要手动提取特征，主观性较大并且专业性较强，这限制了这些算法用于预测AD的普及和应用。使用深度学习算法可以避免这些缺点，然而，大多数现有的深度学习算法使用在某一特定时间点采集的MRI图像，并通过对MRI图像的分析来进行患者当前病情的诊断或下一阶段病情的预测。由于MCI为进展性疾病，所以单个时间点采集的MRI图像不能准确反映出患者将来的发展趋势。此外，由于目前传统的深度学习算法难以处理空间上不相关的时间序列特征，限制了深度学习在MCI纵向分析上的应用。

发明内容

为了解决上述技术问题，本发明的目的在于提供一种基于深度学习策略的早期阿尔兹海默症发展预测方法，所采用的技术方案具体如下：

获取多名MCI患者在固定时间间隔对应的两张三维脑部核磁共振图像，并将一名MCI患者在固定时间间隔对应的两张三维脑部核磁共振图像作为一个样本；

对各样本中的每张核磁共振图像进行预处理，得到预处理后的核磁共振图像；

对各张预处理后的核磁共振图像进行切片操作，得到各张预处理后的核磁共振图像对应的多张切片，并对所述切片进行尺寸调整，进而得到各张预处理后的核磁共振图像对应的切片序列；

使用卷积神经网络提取各张切片的特征并将其表示为特征向量，得到各个切片序列对应的特征向量序列；