CN107133461B - 一种基于自编码器的医学图像处理装置与方法 - Google Patents
一种基于自编码器的医学图像处理装置与方法 Download PDFInfo
- Publication number
- CN107133461B CN107133461B CN201710283998.4A CN201710283998A CN107133461B CN 107133461 B CN107133461 B CN 107133461B CN 201710283998 A CN201710283998 A CN 201710283998A CN 107133461 B CN107133461 B CN 107133461B
- Authority
- CN
- China
- Prior art keywords
- dimensional
- encoder
- layer
- self
- alzheimer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明涉及一种基于自编码器的医学图像处理装置与方法,涉及利用人工智能的深度学习的二维自编码器实现对正常老年组、在临床上确诊为遗忘型轻度认知损害和在临床上确诊为阿尔兹海默病的三种情况进行三分类的分类方法,利用正常老年组、在临床上确诊为遗忘型轻度认知损害和在临床上确诊为阿尔兹海默病的核磁共振的影像数据确定人工智能的深度学习的训练集、验证集和测试集,可以利用选取二维切片来将核磁共振的三维数据转化为二维数据。
Description
技术领域
本发明涉及一种基于自编码器的医学图像处理装置与方法,特别地,涉及基于深度学习的二维自编码器的利用头颅的核磁共振成像对全脑和/或海马体进行阿尔兹海默病、遗忘型轻度认知损害和正常老年组的两两之间的判别的图像分析装置与方法。
背景技术
阿尔兹海默病是一种神经退行性疾病。已有的研究工作已经证实,在头颅的核磁共振成像的影像文件中,尽管每个受试者的核磁共振成像的影像数据存在个体差异,在生物统计学的意义上,阿尔兹海默病、遗忘型轻度认知损害和正常老年组的三个类别存在核磁共振成像的影像数据的三个类别之间的差异。利用人工智能的机器学习的深度学习的方法利用头颅的核磁共振成像的影像数据对阿尔兹海默病、遗忘型轻度认知损害和正常老年组进行计算机辅助识别可以为临床医生提供参考意见,提高临床医生的工作效率。
现有技术中有利用人工智能的深度学习对头颅的核磁共振成像的3维的影像数据进行阿尔兹海默病、遗忘型轻度认知损害和正常老年组进行计算机辅助识别的文献,见预印本网站的arXiv:1607.00556v1。但是,该文献仅对头颅的核磁共振成像的3维的体素数据进行处理,使用的技术方案是3维卷积自编码器。由于需要对每一位受试者的头颅的核磁共振成像的所有的3维的体素数据进行处理,该技术方案需要巨大的运算量,即使使用高性能计算机或高性能计算机集群,该技术方案也很难甚至不可能在临床上使用。另外,临床的普通扫描的头颅的核磁共振成像的影像数据是20张到40张二维的切片的图像数据,上述的arXiv:1607.00556v1的文献中的方法无法用于临床的普通扫描的头颅的核磁共振成像的影像数据。
发明内容
本发明提出了一种基于自编码器的医学图像处理装置,该装置包括,用于存储图像预处理的程序、人工智能的深度学习的程序和头颅的核磁共振成像的图像数据的存储介质,利用人工智能的深度学习对头颅的核磁共振成像的图像数据进行处理和分析的计算机主机或计算机集群,用于显示图像预处理的程序、人工智能的深度学习的程序、各种头颅的核磁共振成像的图像数据和各种程序的运行过程和运行结果的显示装置,
其特征在于:上述装置能够实现对任意给定的数量的正常老年组、遗忘型轻度认知损害和阿尔兹海默病的受试者的三维的头颅的核磁共振成像的图像数据的任意给定的数量的二维切片实现人工智能的深度学习的自编码器的监督学习,根据上述的对任意给定的数量的正常老年组、遗忘型轻度认知损害和阿尔兹海默病的受试者的三维的头颅的核磁共振成像的图像数据的二维切片进行人工智能的深度学习的自编码器的监督学习所得到的深度学习的神经网络模型,利用任意给定的数量的待识别的受试者的三维的头颅的核磁共振成像的图像数据的任意给定的数量的二维切片对上述的待识别的受试者进行正常老年组、遗忘型轻度认知损害和阿尔兹海默病的三分类的区分识别。
本发明提出了一种基于自编码器的医学图像处理方法,上述方法使用的装置包括,用于存储图像预处理的程序、人工智能的深度学习的程序和头颅的核磁共振成像的图像数据的存储介质,利用人工智能的深度学习对头颅的核磁共振成像的图像数据进行处理和分析的计算机主机或计算机集群,用于显示图像预处理的程序、人工智能的深度学习的程序、各种头颅的核磁共振成像的图像数据和各种程序的运行过程和运行结果的显示装置,
其特征在于:上述方法能够实现对任意给定的数量的正常老年组、遗忘型轻度认知损害和阿尔兹海默病的受试者的三维的头颅的核磁共振成像的图像数据的任意给定的数量的二维切片实现人工智能的深度学习的自编码器的监督学习,根据上述的对任意给定的数量的正常老年组、遗忘型轻度认知损害和阿尔兹海默病的受试者的三维的头颅的核磁共振成像的图像数据的二维切片进行人工智能的深度学习的自编码器的监督学习所得到的深度学习的神经网络模型,利用任意给定的数量的待识别的受试者的三维的头颅的核磁共振成像的图像数据的任意给定的数量的二维切片对上述的待识别的受试者进行正常老年组、遗忘型轻度认知损害和阿尔兹海默病的三分类的区分识别。
本发明提出了一种利用核磁共振成像的方法对阿尔茨海默病进行神经成像的诊断的方法,能够将多个受试者的全脑的核磁共振成像的三维体素的图像的原始数据进行持久化的存储,对受试者的全脑的核磁共振成像的三维体素的原始数据进行去噪和信号强度归一化等预处理,对受试者的全脑的核磁共振成像的三维体素的图像进行半自动或全自动的图像分割,进行头骨剥离,获得每一位受试者的左海马和右海马的核磁共振成像的三维体素的图像,使用典型的或平均化的海马体的单图集或多图集作为参考图像或模板对受试者的左海马和右海马的核磁共振成像的三维体素的图像进行半自动或全自动的图像配准,
其特征在于:将指定数量的正常老年组的受试者的核磁共振成像的图像数据、指定数量的已经在临床上确诊为遗忘型轻度认知损害的受试者的核磁共振成像的图像数据和指定数量的已经在临床上确诊为阿尔兹海默病的受试者的核磁共振成像的图像数据做成人工智能的深度学习的二维自编码器的监督学习的训练集,将指定数量的正常老年组的受试者的核磁共振成像的图像数据、指定数量的已经在临床上确诊为遗忘型轻度认知损害的受试者的核磁共振成像的图像数据和指定数量的已经在临床上确诊为阿尔兹海默病的受试者的核磁共振成像的图像数据做成人工智能的深度学习的二维自编码器的监督学习的验证集,将指定数量的正常老年组的受试者的核磁共振成像的图像数据、指定数量的已经在临床上确诊为遗忘型轻度认知损害的受试者的核磁共振成像的图像数据和指定数量的已经在临床上确诊为阿尔兹海默病的受试者的核磁共振成像的图像数据做成人工智能的深度学习的二维自编码器的监督学习的测试集,记录下每个受试者的身份号或序号,构建人工智能的深度学习的二维自编码器,利用人工智能的深度学习的二维自编码器实现基于全脑和/或海马体的形态学特征的深度学习的计算机辅助识别和/或利用人工智能的深度学习的二维自编码器实现基于全脑和/或海马体的纹理特征的深度学习的计算机辅助识别,
基于全脑的形态学特征的人工智能的深度学习的辅助识别是指:从每一位受试者的全脑的核磁共振成像的三维体素的图像中选取与冠状面、矢状面和水平面平行的指定数量和指定间距的厚度为体素的单位的二维切片,上述的体素的尺寸大小可以根据核磁共振成像的图像的质量任意地设定,对上述的训练集,给每个来源于正常老年组的受试者的所有的上述二维切片标记上正常老年组的标签,给每个来源于在临床上确诊为遗忘型轻度认知损害的受试者的所有的上述二维切片标记上在临床上确诊为遗忘型轻度认知损害的标签,给每个来源于在临床上确诊为阿尔兹海默病的受试者的所有的上述二维切片标记上在临床上确诊为阿尔兹海默病的标签,将上述的每个二维切片划分为大小相同的互相不重叠的多个区域,将以每个区域的灰度的强度的数值为基础的反映该区域的图像信息的特征做为人工智能的深度学习的二维自编码器的输入,利用上述的人工智能的深度学习的二维自编码器对所有的上述的受试者的上述的二维切片的形态学特征进行识别,根据对上述形态学特征的识别得到针对上述的二维切片的对正常老年组、在临床上确诊为遗忘型轻度认知损害和在临床上确诊为阿尔兹海默病的三种情况进行三分类的分类方法,使用上述的针对上述的二维切片的对正常老年组、在临床上确诊为遗忘型轻度认知损害和在临床上确诊为阿尔兹海默病的三种情况进行三分类的分类方法对上述的验证集进行验证,在验证中调整上述二维自编码器的结构和有关的参数,直到对上述三分类的分类方法达到上述的三种情况的两两之间的判别的准确率达到85%以上,在上述三分类的分类方法达到上述的三种情况的两两之间的判别的准确率达到85%以上的情况下,将上述三分类的分类方法用于对临床的核磁共振的图像提供参考诊断意见;
基于海马体的形态学特征的人工智能的深度学习的辅助识别是指:从每一位受试者的左海马和右海马的核磁共振成像的三维体素的图像中选取与冠状面、矢状面和水平面平行的指定数量和指定间距的以体素的尺寸大小为厚度的二维切片,上述的体素的尺寸大小可以根据核磁共振成像的图像的质量任意地设定,对上述的训练集,给每个来源于正常老年组的受试者的所有的上述二维切片标记上正常老年组的标签,给每个来源于在临床上确诊为遗忘型轻度认知损害的受试者的所有的上述二维切片标记上在临床上确诊为遗忘型轻度认知损害的标签,给每个来源于在临床上确诊为阿尔兹海默病的受试者的所有的上述二维切片标记上在临床上确诊为阿尔兹海默病的标签,将上述的每个二维切片划分为大小相同的互相不重叠的多个区域,将每个区域的灰度的强度的数值做为人工智能的深度学习的二维自编码器的输入,利用上述的人工智能的深度学习的二维自编码器对上述二维切片的形态学特征进行识别,根据对上述形态学特征的识别得到针对上述的二维切片的对正常老年组、在临床上确诊为遗忘型轻度认知损害和在临床上确诊为阿尔兹海默病的三种情况进行三分类的分类方法,使用上述的针对上述的二维切片的对正常老年组、在临床上确诊为遗忘型轻度认知损害和在临床上确诊为阿尔兹海默病的三种情况进行三分类的分类方法对上述的验证集进行验证,在验证中调整上述二维自编码器的结构和有关的参数,直到对上述三分类的分类方法达到上述的三种情况的两两之间的判别的准确率达到85%以上,在上述三分类的分类方法达到上述的三种情况的两两之间的判别的准确率达到85%以上的情况下,将上述三分类的分类方法用于对临床的核磁共振的图像提供参考诊断意见;
基于全脑的纹理特征的人工智能的深度学习的辅助识别是指:从每一位受试者的左海马和右海马的核磁共振成像的三维体素的图像中选取与冠状面、矢状面或水平面平行的指定数量的二维切片组,每一个二维切片组具有给定数量的与冠状面、矢状面或水平面平行的连续相邻的以体素的尺寸大小为厚度的二维切片,上述的体素的尺寸大小可以根据核磁共振成像的图像的质量任意地设定,相互平行的相邻的两层二维切片是指两个相互平行的二维切片中的除边缘区域以外的任何一层二维切片的任何一个体素与这两个相互平行的二维切片的另一层二维切片的一个体素是相邻的,就是说,相互平行的相邻的两层二维切片是指这两层二维切片之间没有别的体素,对在上述的每一个二维切片组的中间的一层的二维切片的不包括边缘的3个到9个体素的所有的体素进行纹理特征的提取,上述的纹理特征的提取方法是根据相邻的体素的灰度的强度值的数值在不同的方向上的变化来实现的,将上述的每一个二维切片组的中间的一层的二维切片的除边缘的3到6个体素以外的所有的体素的纹理特征作为二维自编码器的输入,利用人工智能的深度学习的二维自编码器对所有的上述的受试者的上述二维切片组的纹理特征进行识别,根据对上述纹理特征的识别得到针对上述的二维切片组的对正常老年组、在临床上确诊为遗忘型轻度认知损害和在临床上确诊为阿尔兹海默病的三种情况进行三分类的分类方法,使用上述的针对上述的二维切片组的对正常老年组、在临床上确诊为遗忘型轻度认知损害和在临床上确诊为阿尔兹海默病的三种情况进行三分类的分类方法对上述的验证集进行验证,在验证中调整上述二维自编码器的结构与有关的参数,直到对上述三分类的分类方法达到上述的三种情况的两两之间的判别的准确率达到85%以上,在上述三分类的分类方法达到上述的三种情况的两两之间的判别的准确率达到85%以上的情况下,将上述三分类的分类方法用于对临床的核磁共振的图像提供参考诊断意见。
基于海马体的纹理特征的人工智能的深度学习的辅助识别是指:从每一位受试者的左海马和右海马的核磁共振成像的三维体素的图像中选取与冠状面、矢状面或水平面平行的指定数量的二维切片组,每一个二维切片组具有给定数量的与冠状面、矢状面或水平面平行的连续相邻的以体素的尺寸大小为厚度的二维切片,上述的体素的尺寸大小可以根据核磁共振成像的图像的质量任意地设定,相互平行的相邻的两层二维切片是指两个相互平行的二维切片中的除边缘区域以外的任何一层二维切片的任何一个体素与这两个相互平行的二维切片的另一层二维切片的一个体素是相邻的,就是说,相互平行的相邻的两层二维切片是指这两层二维切片之间没有别的体素,对在上述的每一个二维切片组的中间的一层的二维切片的不包括边缘的3个到9个体素的所有的体素进行纹理特征的提取,上述的纹理特征的提取方法是根据相邻的体素的灰度的强度值的数值在不同的方向上的变化来实现的,将上述的每一个二维切片组的中间的一层的二维切片的除边缘的3到6个体素以外的所有的体素的纹理特征作为二维自编码器的输入,利用人工智能的深度学习的二维自编码器对上述二维切片组的纹理特征进行识别,根据对上述纹理特征的识别得到针对上述的二维切片组的对正常老年组、在临床上确诊为遗忘型轻度认知损害和在临床上确诊为阿尔兹海默病的三种情况进行三分类的分类方法,使用上述的针对上述的二维切片组的对正常老年组、在临床上确诊为遗忘型轻度认知损害和在临床上确诊为阿尔兹海默病的三种情况进行三分类的分类方法对上述的验证集进行验证,在验证中调整上述二维自编码器的结构与有关的参数,直到对上述三分类的分类方法达到上述的三种情况的两两之间的判别的准确率达到85%以上,在上述三分类的分类方法达到上述的三种情况的两两之间的判别的准确率达到85%以上的情况下,将上述三分类的分类方法用于对临床的核磁共振的图像提供参考诊断意见。
本发明可以仅实现上述的基于形态学特征的人工智能的深度学习的计算机辅助识别。
本发明可以仅实现上述的基于纹理学特征的人工智能的深度学习的计算机辅助识别。
本发明可以同时实现上述的基于形态学特征的人工智能的深度学习的计算机辅助识别和上述的基于纹理学特征的深度学习的计算机辅助识别,将上述的两种诊断方法的计算机辅助识别的结果共同作为诊断的参考意见。
本发明的头颅的核磁共振的二维的图像数据的选用方法和二维自编码器的结构的设计方法与训练方法都是可以根据计算机的性能进行选择的,可以使用普通的计算机和高性能计算机或高性能计算机集群。
本发明能够对临床上使用的普通扫描的头颅的核磁共振的二维的图像数据进行处理。
附图说明
图1是本发明的二维自编码器的结构的原理的示意图。
图2是本发明的头颅的核磁共振的全脑的冠状面的二维切片的示意图。
图3是本发明的头颅的核磁共振的全脑的矢状面的二维切片的示意图。
图4是本发明的头颅的核磁共振的全脑的水平面的二维切片的示意图。
图5是本发明的头颅的核磁共振的海马体的冠状面的二维切片的示意图。
图6是本发明的头颅的核磁共振的海马体的矢状面的二维切片的示意图。
图7是本发明的头颅的核磁共振的海马体的水平面的二维切片的示意图。
图8是本发明的核磁共振的图像数据的二维切片的划分方法的示意图。
具体实施方式
实施方式1
实施方式1利用美国的阿尔兹海默病神经影像计划(Alzheimer’s DiseaseNeuroimaging Initiative,简称ADNI)的数据实现本发明对头颅的核磁共振成像的影像数据的全脑的图像数据进行计算机辅助辅助识别的技术方案。从美国的阿尔兹海默病神经影像计划的官方网站下载经过临床确诊的阿尔兹海默病(AD),遗忘型轻度认知损害(MCI)和正常老年组(NC)的头颅的核磁共振的影像数据,
美国的阿尔兹海默病神经影像计划的数据,3013个扫描结果(scans),321个受试者(subject),可以划分训练集,验证集和测试集
训练集的情况
验证集的情况
测试集的情况
从美国的阿尔兹海默病神经影像计划的网站获取上述的头颅的核磁共振影像数据的全脑的三维数据。先对上述的三维数据进行图像数据的预处理,主要是进行漩涡电流的校准(Eddy Current Correction),去头骨(Skull Stripping),将3维图像转换为2维图像,在与水平面平行的方向上获取到厚度为体素的尺寸大小的91个二维切片,上述的体素的尺寸大小可以根据核磁共振成像的图像的质量任意地设定,然后根据二维切片的面积大小,过滤掉脑部面积较小的切片,留下62个二维切片,缩放到96×96的大小,就是说,分成96×96个互相不重叠的区域。然后进行标准化操作,使上述的二维切片转换到标准坐标系。对图像进行数据增强操作,如旋转,高度位移,缩放,宽度位移等。
美国的阿尔兹海默病神经影像计划(ADNI)的核磁共振的图像的预处理和二维切片的获取可以通过nibabel或其它各种医学影像学的开源或商业软件实现,也可以使用matlab等编程语言根据图像去噪,图像分割和图像配准的原理编程实现。
对上述的训练集,给每个来源于正常老年组的受试者的所有的上述二维切片标记上正常老年组的标签,给每个来源于在临床上确诊为遗忘型轻度认知损害的受试者的所有的上述二维切片标记上在临床上确诊为遗忘型轻度认知损害的标签,给每个来源于在临床上确诊为阿尔兹海默病的受试者的所有的上述二维切片标记上在临床上确诊为阿尔兹海默病的标签,使用python语言和keras的开源的深度学习的计算框架实现实施方式1的深度学习的软件部分的编程,使用普通的个人计算机或高性能计算机作为硬件。
Scikit是一个机器学习的开源的库,Scikit的OneHotEncoder函数可以实现独热编码,独热编码也称为一位有效编码,利用scikit的机器学习的库的OneHotEncoder函数对上述的标签实现独热编码。独热编码的功能是,经过对受试者的标签进行独热编码,将受试者的标签的取值转换成三维的向量,该三维向量的每一维的取值为0或1。举例来说,(1,0,0)代表正常老年组,(0,1,0)代表遗忘型轻度认知损害,(0,0,1)代表阿尔兹海默病。对于受试者的标签,如果它有3个可能的取值(阿尔兹海默病,遗忘型轻度认知损害,正常老年组),那么经过独热编码后,标签的取值就转换为3个二元特征。并且,这3个二元特征互斥,如果是阿尔兹海默病,就不是遗忘型轻度认知损害,也不是正常老年组;如果是遗忘型轻度认知损害,就不是阿尔兹海默病,也不是正常老年组;如果是正常老年组,就不是阿尔兹海默病,也不是遗忘型轻度认知损害。通过对标签实现独热编码,便于在二维自编码器的深度学习中实现对神经网络的训练。
将上述的每个二维切片划分为大小相同的互相不重叠的96×96=9216个区域,每个区域的图像的灰度的强度的数值作为96×96的矩阵的每个元素的数值,将上述的96×96的矩阵的元素作为上述的人工智能的二维自编码器的输入,上述的人工智能的二维自编码器的第一层为具有128个核的卷积层,核的大小为3×3,激活函数为relu,上述的人工智能的二维自编码器的第二层为最大池化层,核的大小为2×2,上述的人工智能的二维自编码器的第三层为有64个核的卷积层,核的大小为3×3,激活函数为relu,上述的人工智能的二维自编码器的第四层为池化层,核的大小为2×2,上述的人工智能的二维自编码器的第五层为具有32个核的卷积层,核的大小为3×3,激活函数为relu,上述的人工智能的二维自编码器的第六层为池化层,核的大小为2×2,上述的二维自编码器的每一步的以卷积的方式实现的编码步骤都有对应的以反卷积的方式实现的解码的步骤,通过卷积和批量正规化(batch normalization)进行编码的处理,通过反卷积和批量正规化(batchnormalization)进行解码的处理,池化指数是指池化层的核的大小,上采样是指与池化的作用相反的操作。将上述第六层的输出展开成一维数组,连接到上述的人工智能的二维自编码器的第一隐藏层,上述的人工智能的二维自编码器的上述第一隐藏层有200个神经单元,激活函数为Dropout,将上述第一隐藏层的输出连接到上述的人工智能的二维自编码器的第二隐藏层,上述的人工智能的二维自编码器的上述第二隐藏层有200个神经单元,再将上述上述第二隐藏层的输出连接到上述的人工智能的二维自编码器的输出层,上述的人工智能的二维自编码器的输出层的激活函数为softmax。每一层的神经元到下一层的神经元的变换参数是训练出来的参数,所有的训练出的参数是训练出的二维自编码器的模型,将代表这个神经网络的模型的参数存储在本地的硬盘。
在完成了上述的二维自编码器的训练之后,用训练出的二维自编码器的模型对验证集进行验证,并对测试集进行测试。
在验证的过程中,使用上述的训练出的二维自编码器的计算机辅助识别的模型对每一位受试者的按照上述的方法获得的62个二维切片的每一个二维切片进行判别,每一个二维切片的判别结果是该二维切片属于阿尔兹海默病、遗忘型轻度认知损害和正常老年组的三种情况的概率,将这62个判别结果进行平均,就可以得知该受试者属于阿尔兹海默病、遗忘型轻度认知损害和正常老年组的三种情况中的哪一种的概率。
就是说,利用上述的人工智能的深度学习的二维自编码器对所有的上述的受试者的上述的二维切片的形态学特征进行识别,根据对上述形态学特征的识别得到针对上述的二维切片的对正常老年组、在临床上确诊为遗忘型轻度认知损害和在临床上确诊为阿尔兹海默病的三种情况进行三分类的分类方法,使用上述的针对上述的二维切片的对正常老年组、在临床上确诊为遗忘型轻度认知损害和在临床上确诊为阿尔兹海默病的三种情况进行三分类的分类方法对上述的验证集进行验证,在验证中调整上述二维自编码器的结构和有关的参数,直到对上述三分类的分类方法达到上述的三种情况的两两之间的判别的准确率达到85%以上,在上述三分类的分类方法达到上述的三种情况的两两之间的判别的准确率达到85%以上的情况下,可以为临床诊断提供参考意见。
实施方式2
实施方式2利用美国的阿尔兹海默病神经影像计划(Alzheimer’s DiseaseNeuroimaging Initiative,简称ADNI)的数据实现本发明对头颅的核磁共振成像的影像数据的全脑的图像数据进行计算机辅助辅助识别的技术方案。从美国的阿尔兹海默病神经影像计划的官方网站下载经过临床确诊的阿尔兹海默病(AD),遗忘型轻度认知损害(MCI)和正常老年组(NC)的头颅的核磁共振的影像数据,
美国的阿尔兹海默病神经影像计划的数据,3013个扫描结果(scans),321个受试者(subject),可以划分训练集,验证集和测试集
训练集的情况
验证集的情况
测试集的情况
从美国的阿尔兹海默病神经影像计划的网站获取上述的头颅的核磁共振影像数据的全脑的三维数据。先对上述的三维数据进行图像数据的预处理,主要是进行漩涡电流的校准(Eddy Current Correction),去头骨(Skull Stripping),将3维图像转换为2维图像,在与水平面平行的方向上获取到厚度为体素的尺寸大小的91个二维切片,上述的体素的尺寸大小可以根据核磁共振成像的图像的质量任意地设定,然后根据二维切片的面积大小,过滤掉脑部面积较小的切片,留下62个二维切片,缩放到96×96的大小。然后进行标准化操作,使上述的二维切片转换到标准坐标系。对图像进行数据增强操作,如旋转,高度位移,缩放,宽度位移等。在与冠状面平行的方向上获取到厚度为体素的尺寸大小的91个二维切片,上述的体素的尺寸大小可以根据核磁共振成像的图像的质量任意地设定,然后根据二维切片的面积大小,过滤掉脑部面积较小的切片,留下62个二维切片,缩放到96×96的大小,就是说,分成96×96个互相不重叠的区域。然后进行标准化操作,使上述的二维切片转换到标准坐标系。对图像进行数据增强操作,如旋转,高度位移,缩放,宽度位移等。在与矢状面平行的方向上获取到厚度为体素的尺寸大小的91个二维切片,上述的体素的尺寸大小可以根据核磁共振成像的图像的质量任意地设定,然后根据二维切片的面积大小,过滤掉脑部面积较小的切片,留下62个二维切片,缩放到96×96的大小。然后进行标准化操作,使上述的二维切片转换到标准坐标系。对图像进行数据增强操作,如旋转,高度位移,缩放,宽度位移等
美国的阿尔兹海默病神经影像计划(ADNI)的核磁共振的图像的预处理和二维切片的获取可以通过nibabel或其它各种医学影像学的开源或商业软件实现,也可以使用matlab等编程语言根据图像去噪,图像分割和图像配准的原理编程实现。
对上述的训练集,给每个来源于正常老年组的受试者的所有的上述二维切片标记上正常老年组的标签,给每个来源于在临床上确诊为遗忘型轻度认知损害的受试者的所有的上述二维切片标记上在临床上确诊为遗忘型轻度认知损害的标签,给每个来源于在临床上确诊为阿尔兹海默病的受试者的所有的上述二维切片标记上在临床上确诊为阿尔兹海默病的标签,
使用python语言和keras的开源的深度学习的计算框架实现实施方式1的深度学习的软件部分的编程,使用普通的个人计算机或高性能计算机作为硬件。
Scikit是一个机器学习的开源的库,Scikit的OneHotEncoder函数可以实现独热编码,独热编码也称为一位有效编码,利用scikit的机器学习的库的OneHotEncoder函数对上述的标签实现独热编码。独热编码的功能是,经过对受试者的标签进行独热编码,将受试者的标签的取值转换成三维的向量,该三维向量的每一维的取值为0或1。举例来说,(1,0,0)代表正常老年组,(0,1,0)代表遗忘型轻度认知损害,(0,0,1)代表阿尔兹海默病。对于受试者的标签,如果它有3个可能的取值(阿尔兹海默病,遗忘型轻度认知损害,正常老年组),那么经过独热编码后,标签的取值就转换为3个二元特征。并且,这3个二元特征互斥,如果是阿尔兹海默病,就不是遗忘型轻度认知损害,也不是正常老年组;如果是遗忘型轻度认知损害,就不是阿尔兹海默病,也不是正常老年组;如果是正常老年组,就不是阿尔兹海默病,也不是遗忘型轻度认知损害。通过对标签实现独热编码,便于在二维自编码器的深度学习中实现对神经网络的训练。
对与水平面、冠状面和矢状面平行的上述的三组二维切片分别进行训练,得到相应的二维自编码器的计算机辅助识别的模型。
将上述的每个二维切片划分为大小相同的互相不重叠的96×96=9216个区域,每个区域的图像的灰度的强度的数值作为96×96的矩阵的每个元素的数值,将上述的96×96的矩阵的元素作为上述的人工智能的二维自编码器的输入,上述的人工智能的二维自编码器的第一层为具有128个核的卷积层,核的大小为3×3,激活函数为relu,上述的人工智能的二维自编码器的第二层为最大池化层,核的大小为2×2,上述的人工智能的二维自编码器的第三层为有64个核的卷积层,核的大小为3×3,激活函数为relu,上述的人工智能的二维自编码器的第四层为池化层,核的大小为2×2,上述的人工智能的二维自编码器的第五层为具有32个核的卷积层,核的大小为3×3,激活函数为relu,上述的人工智能的二维自编码器的第六层为池化层,核的大小为2×2,上述的二维自编码器的每一步的以卷积的方式实现的编码步骤都有对应的以反卷积的方式实现的解码的步骤,通过卷积和批量正规化(batch normalization)进行编码的处理,通过反卷积和批量正规化(batchnormalization)进行解码的处理,池化指数是指池化层的核的大小,上采样是指与池化的作用相反的操作。将上述第六层的输出展开成一维数组,连接到上述的人工智能的二维自编码器的第一隐藏层,上述的人工智能的二维自编码器的上述第一隐藏层有200个神经单元,激活函数为Dropout,将上述第一隐藏层的输出连接到上述的人工智能的二维自编码器的第二隐藏层,上述的人工智能的二维自编码器的上述第二隐藏层有200个神经单元,再将上述上述第二隐藏层的输出连接到上述的人工智能的二维自编码器的输出层,上述的人工智能的二维自编码器的输出层的激活函数为softmax。每一层的神经元到下一层的神经元的变换参数是训练出来的参数,所有的训练出的参数是训练出的二维自编码器的模型,将代表这个神经网络的模型的参数存储在本地的硬盘。
在完成了上述的二维自编码器的训练之后,用训练出的二维自编码器的模型对验证集进行验证,并对测试集进行测试。
在验证的过程中,使用上述的训练出的二维自编码器的计算机辅助识别的模型对每一位受试者的按照上述的方法获得的与水平面平行、与冠状面平行和与矢状面平行的62×3=186个二维切片的每一个二维切片进行判别,每一个二维切片的判别结果是该二维切片属于阿尔兹海默病、遗忘型轻度认知损害和正常老年组的三种情况的概率,将这186个判别结果进行平均,就可以得知该受试者属于阿尔兹海默病、遗忘型轻度认知损害和正常老年组的三种情况中的哪一种的概率。
就是说,利用上述的人工智能的深度学习的二维自编码器对所有的上述的受试者的上述的二维切片的形态学特征进行识别,根据对上述形态学特征的识别得到针对上述的二维切片的对正常老年组、在临床上确诊为遗忘型轻度认知损害和在临床上确诊为阿尔兹海默病的三种情况进行三分类的分类方法,使用上述的针对上述的二维切片的对正常老年组、在临床上确诊为遗忘型轻度认知损害和在临床上确诊为阿尔兹海默病的三种情况进行三分类的分类方法对上述的验证集进行验证,在验证中调整上述二维自编码器的结构和有关的参数,直到对上述三分类的分类方法达到上述的三种情况的两两之间的判别的准确率达到85%以上,在上述三分类的分类方法达到上述的三种情况的两两之间的判别的准确率达到85%以上的情况下,可以为临床诊断提供参考意见。
实施方式3
实施方式3利用美国的阿尔兹海默病神经影像计划(Alzheimer’s DiseaseNeuroimaging Initiative,简称ADNI)的数据实现本发明对头颅的核磁共振成像的影像数据的全脑的图像数据进行计算机辅助辅助识别的技术方案。从美国的阿尔兹海默病神经影像计划的官方网站下载经过临床确诊的阿尔兹海默病(AD),遗忘型轻度认知损害(MCI)和正常老年组(NC)的头颅的核磁共振的影像数据,
美国的阿尔兹海默病神经影像计划的数据,3013个扫描结果(scans),321个受试者(subject),可以划分训练集,验证集和测试集
训练集的情况
验证集的情况
测试集的情况
从美国的阿尔兹海默病神经影像计划的网站获取上述的头颅的核磁共振影像数据的全脑的三维影像数据。先对上述的三维数据进行图像数据的预处理,主要是进行漩涡电流的校准(Eddy Current Correction),去头骨(Skull Stripping),利用现有的开源软件或已有的研究文献发表的方法从头颅的核磁共振影像数据的全脑的三维数据提取海马体的部分的三维影像数据,将提取出的海马体的部分的3维图像转换为2维图像,在与水平面平行的方向上获取到厚度为体素的尺寸大小的91个二维切片,上述的体素的尺寸大小可以根据核磁共振成像的图像的质量任意地设定,然后根据二维切片的面积大小,过滤掉脑部面积较小的切片,留下62个二维切片,缩放到96×96的大小,就是说,分成96×96个互相不重叠的区域。然后进行标准化操作,使上述的二维切片转换到标准坐标系。对图像进行数据增强操作,如旋转,高度位移,缩放,宽度位移等。
美国的阿尔兹海默病神经影像计划(ADNI)的核磁共振的图像的预处理和二维切片的获取可以通过nibabel或其它各种医学影像学的开源或商业软件实现,也可以使用matlab等编程语言根据图像去噪,图像分割和图像配准的原理编程实现。
对上述的训练集,给每个来源于正常老年组的受试者的所有的上述二维切片标记上正常老年组的标签,给每个来源于在临床上确诊为遗忘型轻度认知损害的受试者的所有的上述二维切片标记上在临床上确诊为遗忘型轻度认知损害的标签,给每个来源于在临床上确诊为阿尔兹海默病的受试者的所有的上述二维切片标记上在临床上确诊为阿尔兹海默病的标签,使用python语言和keras的开源的深度学习的计算框架实现实施方式1的深度学习的软件部分的编程,使用普通的个人计算机或高性能计算机作为硬件。
Scikit是一个机器学习的开源的库,Scikit的OneHotEncoder函数可以实现独热编码,独热编码也称为一位有效编码,利用scikit的机器学习的库的OneHotEncoder函数对上述的标签实现独热编码。独热编码的功能是,经过对受试者的标签进行独热编码,将受试者的标签的取值转换成三维的向量,该三维向量的每一维的取值为0或1。举例来说,(1,0,0)代表正常老年组,(0,1,0)代表遗忘型轻度认知损害,(0,0,1)代表阿尔兹海默病。对于受试者的标签,如果它有3个可能的取值(阿尔兹海默病,遗忘型轻度认知损害,正常老年组),那么经过独热编码后,标签的取值就转换为3个二元特征。并且,这3个二元特征互斥,如果是阿尔兹海默病,就不是遗忘型轻度认知损害,也不是正常老年组;如果是遗忘型轻度认知损害,就不是阿尔兹海默病,也不是正常老年组;如果是正常老年组,就不是阿尔兹海默病,也不是遗忘型轻度认知损害。通过对标签实现独热编码,便于在二维自编码器的深度学习中实现对神经网络的训练。
将上述的每个二维切片划分为大小相同的互相不重叠的96×96=9216个区域,每个区域的图像的灰度的强度的数值作为96×96的矩阵的每个元素的数值,将上述的96×96的矩阵的元素作为上述的人工智能的二维自编码器的输入,上述的人工智能的二维自编码器的第一层为具有128个核的卷积层,核的大小为3×3,激活函数为relu,上述的人工智能的二维自编码器的第二层为最大池化层,核的大小为2×2,上述的人工智能的二维自编码器的第三层为有64个核的卷积层,核的大小为3×3,激活函数为relu,上述的人工智能的二维自编码器的第四层为池化层,核的大小为2×2,上述的人工智能的二维自编码器的第五层为具有32个核的卷积层,核的大小为3×3,激活函数为relu,上述的人工智能的二维自编码器的第六层为池化层,核的大小为2×2,上述的二维自编码器的每一步的以卷积的方式实现的编码步骤都有对应的以反卷积的方式实现的解码的步骤,通过卷积和批量正规化(batch normalization)进行编码的处理,通过反卷积和批量正规化(batchnormalization)进行解码的处理,池化指数是指池化层的核的大小,上采样是指与池化的作用相反的操作。将上述第六层的输出展开成一维数组,连接到上述的人工智能的二维自编码器的第一隐藏层,上述的人工智能的二维自编码器的上述第一隐藏层有200个神经单元,激活函数为Dropout,将上述第一隐藏层的输出连接到上述的人工智能的二维自编码器的第二隐藏层,上述的人工智能的二维自编码器的上述第二隐藏层有200个神经单元,再将上述上述第二隐藏层的输出连接到上述的人工智能的二维自编码器的输出层,上述的人工智能的二维自编码器的输出层的激活函数为softmax。每一层的神经元到下一层的神经元的变换参数是训练出来的参数,所有的训练出的参数是训练出的二维自编码器的模型,将代表这个神经网络的模型的参数存储在本地的硬盘。
在完成了上述的二维自编码器的训练之后,用训练出的二维自编码器的模型对验证集进行验证,并对测试集进行测试。
在验证的过程中,使用上述的训练出的二维自编码器的计算机辅助识别的模型对每一位受试者的按照上述的方法获得的62个二维切片的每一个二维切片进行判别,每一个二维切片的判别结果是该切片属于阿尔兹海默病、遗忘型轻度认知损害和正常老年组的三种情况的概率,将这62个判别结果进行平均,就可以得知该受试者属于阿尔兹海默病、遗忘型轻度认知损害和正常老年组的三种情况中的哪一种的概率。
就是说,利用上述的人工智能的深度学习的二维自编码器对所有的上述的受试者的上述的二维切片的形态学特征进行识别,根据对上述形态学特征的识别得到针对上述的二维切片的对正常老年组、在临床上确诊为遗忘型轻度认知损害和在临床上确诊为阿尔兹海默病的三种情况进行三分类的分类方法,使用上述的针对上述的二维切片的对正常老年组、在临床上确诊为遗忘型轻度认知损害和在临床上确诊为阿尔兹海默病的三种情况进行三分类的分类方法对上述的验证集进行验证,在验证中调整上述二维自编码器的结构和有关的参数,直到对上述三分类的分类方法达到上述的三种情况的两两之间的判别的准确率达到85%以上,在上述三分类的分类方法达到上述的三种情况的两两之间的判别的准确率达到85%以上的情况下,可以为临床诊断提供参考意见。
实施方式4
实施方式4利用美国的阿尔兹海默病神经影像计划(Alzheimer’s DiseaseNeuroimaging Initiative,简称ADNI)的数据实现本发明对头颅的核磁共振成像的影像数据的全脑的图像数据进行计算机辅助辅助识别的技术方案。从美国的阿尔兹海默病神经影像计划的官方网站下载经过临床确诊的阿尔兹海默病(AD),遗忘型轻度认知损害(MCI)和正常老年组(NC)的头颅的核磁共振的影像数据,
美国的阿尔兹海默病神经影像计划的数据,3013个扫描结果(scans),321个受试者(subject),可以划分训练集,验证集和测试集
训练集的情况
验证集的情况
测试集的情况
从美国的阿尔兹海默病神经影像计划的网站获取上述的头颅的核磁共振影像数据的全脑的三维数据。先对上述的三维数据进行图像数据的预处理,主要是进行漩涡电流的校准(Eddy Current Correction),去头骨(Skull Stripping),将3维图像转换为2维图像,在与水平面平行的方向上获取到厚度为体素的尺寸大小的91个二维切片,上述的体素的尺寸大小可以根据核磁共振成像的图像的质量任意地设定,然后根据二维切片的面积大小,过滤掉脑部面积较小的切片,留下62个二维切片,缩放到96×96的大小,就是说,分成96×96个互相不重叠的区域。然后进行标准化操作,使上述的二维切片转换到标准坐标系。对图像进行数据增强操作,如旋转,高度位移,缩放,宽度位移等。在与冠状面平行的方向上获取到厚度为体素的尺寸大小的91个二维切片,上述的体素的尺寸大小可以根据核磁共振成像的图像的质量任意地设定,然后根据二维切片的面积大小,过滤掉脑部面积较小的切片,留下62个二维切片,缩放到96×96的大小。然后进行标准化操作,使上述的二维切片转换到标准坐标系。对图像进行数据增强操作,如旋转,高度位移,缩放,宽度位移等。在与矢状面平行的方向上获取到厚度为体素的尺寸大小的91个二维切片,上述的体素的尺寸大小可以根据核磁共振成像的图像的质量任意地设定,然后根据二维切片的面积大小,过滤掉脑部面积较小的切片,留下62个二维切片,缩放到96×96的大小。然后进行标准化操作,使上述的二维切片转换到标准坐标系。对图像进行数据增强操作,如旋转,高度位移,缩放,宽度位移等
美国的阿尔兹海默病神经影像计划(ADNI)的核磁共振的图像的预处理和二维切片的获取可以通过nibabel或其它各种医学影像学的开源或商业软件实现,也可以使用matlab等编程语言根据图像去噪,图像分割和图像配准的原理编程实现。
对上述的训练集,给每个来源于正常老年组的受试者的所有的上述二维切片标记上正常老年组的标签,给每个来源于在临床上确诊为遗忘型轻度认知损害的受试者的所有的上述二维切片标记上在临床上确诊为遗忘型轻度认知损害的标签,给每个来源于在临床上确诊为阿尔兹海默病的受试者的所有的上述二维切片标记上在临床上确诊为阿尔兹海默病的标签,使用python语言和keras的开源的深度学习的计算框架实现实施方式1的深度学习的软件部分的编程,使用普通的个人计算机或高性能计算机作为硬件。
Scikit是一个机器学习的开源的库,Scikit的OneHotEncoder函数可以实现独热编码,独热编码也称为一位有效编码,利用scikit的机器学习的库的OneHotEncoder函数对上述的标签实现独热编码。独热编码的功能是,经过对受试者的标签进行独热编码,将受试者的标签的取值转换成三维的向量,该三维向量的每一维的取值为0或1。举例来说,(1,0,0)代表正常老年组,(0,1,0)代表遗忘型轻度认知损害,(0,0,1)代表阿尔兹海默病。对于受试者的标签,如果它有3个可能的取值(阿尔兹海默病,遗忘型轻度认知损害,正常老年组),那么经过独热编码后,标签的取值就转换为3个二元特征。并且,这3个二元特征互斥,如果是阿尔兹海默病,就不是遗忘型轻度认知损害,也不是正常老年组;如果是遗忘型轻度认知损害,就不是阿尔兹海默病,也不是正常老年组;如果是正常老年组,就不是阿尔兹海默病,也不是遗忘型轻度认知损害。通过对标签实现独热编码,便于在二维自编码器的深度学习中实现对神经网络的训练。
对与水平面、冠状面和矢状面平行的上述的三组二维切片分别进行训练,得到相应的二维自编码器的计算机辅助识别的模型。
将上述的每个二维切片划分为大小相同的互相不重叠的96×96=9216个区域,每个区域的图像的灰度的强度的数值作为96×96的矩阵的每个元素的数值,将上述的96×96的矩阵的元素作为上述的人工智能的二维自编码器的输入,上述的人工智能的二维自编码器的第一层为具有128个核的卷积层,核的大小为3×3,激活函数为relu,上述的人工智能的二维自编码器的第二层为最大池化层,核的大小为2×2,上述的人工智能的二维自编码器的第三层为有64个核的卷积层,核的大小为3×3,激活函数为relu,上述的人工智能的二维自编码器的第四层为池化层,核的大小为2×2,上述的人工智能的二维自编码器的第五层为具有32个核的卷积层,核的大小为3×3,激活函数为relu,上述的人工智能的二维自编码器的第六层为池化层,核的大小为2×2,上述的二维自编码器的每一步的以卷积的方式实现的编码步骤都有对应的以反卷积的方式实现的解码的步骤,通过卷积和批量正规化(batch normalization)进行编码的处理,通过反卷积和批量正规化(batchnormalization)进行解码的处理,池化指数是指池化层的核的大小,上采样是指与池化的作用相反的操作。将上述第六层的输出展开成一维数组,连接到上述的人工智能的二维自编码器的第一隐藏层,上述的人工智能的二维自编码器的上述第一隐藏层有200个神经单元,激活函数为Dropout,将上述第一隐藏层的输出连接到上述的人工智能的二维自编码器的第二隐藏层,上述的人工智能的二维自编码器的上述第二隐藏层有200个神经单元,再将上述上述第二隐藏层的输出连接到上述的人工智能的二维自编码器的输出层,上述的人工智能的二维自编码器的输出层的激活函数为softmax。每一层的神经元到下一层的神经元的变换参数是训练出来的参数,所有的训练出的参数是训练出的二维自编码器的模型,将代表这个神经网络的模型的参数存储在本地的硬盘。
在完成了上述的二维自编码器的训练之后,用训练出的二维自编码器的模型对验证集进行验证,并对测试集进行测试。
在验证的过程中,使用上述的训练出的二维自编码器的计算机辅助识别的模型对每一位受试者的按照上述的方法获得的与水平面平行、与冠状面平行和与矢状面平行的62×3=186个二维切片的每一个二维切片进行判别,每一个二维切片的判别结果是该二维切片是属于阿尔兹海默病、遗忘型轻度认知损害和正常老年组的三种情况的概率,将这186个判别结果进行平均,就可以得知该受试者属于阿尔兹海默病、遗忘型轻度认知损害和正常老年组的三种情况中的哪一种的概率。
就是说,利用上述的人工智能的深度学习的二维自编码器对所有的上述的受试者的上述的二维切片的形态学特征进行识别,根据对上述形态学特征的识别得到针对上述的二维切片的对正常老年组、在临床上确诊为遗忘型轻度认知损害和在临床上确诊为阿尔兹海默病的三种情况进行三分类的分类方法,使用上述的针对上述的二维切片的对正常老年组、在临床上确诊为遗忘型轻度认知损害和在临床上确诊为阿尔兹海默病的三种情况进行三分类的分类方法对上述的验证集进行验证,在验证中调整上述二维自编码器的结构和有关的参数,直到对上述三分类的分类方法达到上述的三种情况的两两之间的判别的准确率达到85%以上,在上述三分类的分类方法达到上述的三种情况的两两之间的判别的准确率达到85%以上的情况下,可以为临床诊断提供参考意见。
实施方式5
实施方式5利用美国的阿尔兹海默病神经影像计划(Alzheimer’s DiseaseNeuroimaging Initiative,简称ADNI)的数据实现本发明对头颅的核磁共振成像的影像数据的全脑的图像数据进行计算机辅助辅助识别的技术方案。从美国的阿尔兹海默病神经影像计划的官方网站下载经过临床确诊的阿尔兹海默病(AD),遗忘型轻度认知损害(MCI)和正常老年组(NC)的头颅的核磁共振的影像数据,
美国的阿尔兹海默病神经影像计划的数据,3013个扫描结果(scans),321个受试者(subject),可以划分训练集,验证集和测试集
训练集的情况
验证集的情况
测试集的情况
从美国的阿尔兹海默病神经影像计划的网站获取上述的头颅的核磁共振影像数据的全脑的三维数据。先对上述的三维数据进行图像数据的预处理,主要是进行漩涡电流的校准(Eddy Current Correction),去头骨(Skull Stripping),将3维图像转换为2维图像,在与水平面平行的方向上获取到厚度为体素的尺寸大小的91个二维切片,上述的体素的尺寸大小可以根据核磁共振成像的图像的质量任意地设定,然后根据二维切片的面积大小,过滤掉脑部面积较小的切片,留下62个二维切片,分成256×256个区域。然后进行标准化操作,使上述的二维切片转换到标准坐标系。对图像进行数据增强操作,如旋转,高度位移,缩放,宽度位移等。在与冠状面平行的方向上获取到厚度为体素的尺寸大小的91个二维切片,上述的体素的尺寸大小可以根据核磁共振成像的图像的质量任意地设定,然后根据二维切片的面积大小,过滤掉脑部面积较小的切片,留下62个二维切片,分成256×256个区域。然后进行标准化操作,使上述的二维切片转换到标准坐标系。对图像进行数据增强操作,如旋转,高度位移,缩放,宽度位移等。在与矢状面平行的方向上获取到厚度为体素的尺寸大小的91个二维切片,上述的体素的尺寸大小可以根据核磁共振成像的图像的质量任意地设定,然后根据二维切片的面积大小,过滤掉脑部面积较小的切片,留下62个二维切片,分成256×256个区域。然后进行标准化操作,使上述的二维切片转换到标准坐标系。对图像进行数据增强操作,如旋转,高度位移,缩放,宽度位移等
美国的阿尔兹海默病神经影像计划(ADNI)的核磁共振的图像的预处理和二维切片的获取可以通过nibabel或其它各种医学影像学的开源或商业软件实现,也可以使用matlab等编程语言根据图像去噪,图像分割和图像配准的原理编程实现。
对上述的训练集,给每个来源于正常老年组的受试者的所有的上述二维切片标记上正常老年组的标签,给每个来源于在临床上确诊为遗忘型轻度认知损害的受试者的所有的上述二维切片标记上在临床上确诊为遗忘型轻度认知损害的标签,给每个来源于在临床上确诊为阿尔兹海默病的受试者的所有的上述二维切片标记上在临床上确诊为阿尔兹海默病的标签,使用python语言和keras的开源的深度学习的计算框架实现实施方式1的深度学习的软件部分的编程,使用普通的个人计算机或高性能计算机作为硬件。
Scikit是一个机器学习的开源的库,Scikit的OneHotEncoder函数可以实现独热编码,独热编码也称为一位有效编码,利用scikit的机器学习的库的OneHotEncoder函数对上述的标签实现独热编码。独热编码的功能是,经过对受试者的标签进行独热编码,将受试者的标签的取值转换成三维的向量,该三维向量的每一维的取值为0或1。举例来说,(1,0,0)代表正常老年组,(0,1,0)代表遗忘型轻度认知损害,(0,0,1)代表阿尔兹海默病。对于受试者的标签,如果它有3个可能的取值(阿尔兹海默病,遗忘型轻度认知损害,正常老年组),那么经过独热编码后,标签的取值就转换为3个二元特征。并且,这3个二元特征互斥,如果是阿尔兹海默病,就不是遗忘型轻度认知损害,也不是正常老年组;如果是遗忘型轻度认知损害,就不是阿尔兹海默病,也不是正常老年组;如果是正常老年组,就不是阿尔兹海默病,也不是遗忘型轻度认知损害。通过对标签实现独热编码,便于在二维自编码器的深度学习中实现对神经网络的训练。
对与水平面、冠状面和矢状面平行的上述的三组二维切片分别进行训练,得到相应的二维自编码器的计算机辅助识别的模型。
上述的每个二维切片的图像被分成256×256的区域,每个区域的图像的灰度的强度的数值作为256×256的矩阵的元素的数值,将上述的256×256的矩阵的元素作为上述的人工智能的二维自编码器的输入,上述的人工智能的二维自编码器的第一层为具有128个核的卷积层,核的大小为3×3,激活函数为relu,上述的人工智能的二维自编码器的第二层为最大池化层,核的大小为2×2,上述的人工智能的二维自编码器的第三层为有64个核的卷积层,核的大小为3×3,激活函数为relu,上述的人工智能的二维自编码器的第四层为池化层,核的大小为2×2,上述的人工智能的二维自编码器的第五层为具有32个核的卷积层,核的大小为3×3,激活函数为relu,上述的人工智能的二维自编码器的第六层为池化层,核的大小为2×2,上述的二维自编码器的每一步的以卷积的方式实现的编码步骤都有对应的以反卷积的方式实现的解码的步骤,通过卷积和批量正规化(batch normalization)进行编码的处理,通过反卷积和批量正规化(batch normalization)进行解码的处理,池化指数是指池化层的核的大小,上采样是指与池化的作用相反的操作。将上述第六层的输出展开成一维数组,连接到上述的人工智能的二维自编码器的第一隐藏层,上述的人工智能的二维自编码器的上述第一隐藏层有200个神经单元,激活函数为Dropout,将上述第一隐藏层的输出连接到上述的人工智能的二维自编码器的第二隐藏层,上述的人工智能的二维自编码器的上述第二隐藏层有200个神经单元,再将上述上述第二隐藏层的输出连接到上述的人工智能的二维自编码器的输出层,上述的人工智能的二维自编码器的输出层的激活函数为softmax。每一层的神经元到下一层的神经元的变换参数是训练出来的参数,所有的训练出的参数是训练出的二维自编码器的模型,将代表这个神经网络的模型的参数存储在本地的硬盘。
在完成了上述的二维自编码器的训练之后,用训练出的二维自编码器的模型对验证集进行验证,并对测试集进行测试。
在验证的过程中,使用上述的训练出的二维自编码器的计算机辅助识别的模型对每一位受试者的按照上述的方法获得的与水平面平行、与冠状面平行和与矢状面平行的62×3=186个二维切片的每一个二维切片进行判别,每一个二维切片的判别结果是该二维切片属于阿尔兹海默病、遗忘型轻度认知损害和正常老年组的三种情况的概率,将这186个判别结果进行平均,就可以得知该受试者属于阿尔兹海默病、遗忘型轻度认知损害和正常老年组的三种情况中的哪一种的概率。
就是说,利用上述的人工智能的深度学习的二维自编码器对所有的上述的受试者的上述的二维切片的形态学特征进行识别,根据对上述形态学特征的识别得到针对上述的二维切片的对正常老年组、在临床上确诊为遗忘型轻度认知损害和在临床上确诊为阿尔兹海默病的三种情况进行三分类的分类方法,使用上述的针对上述的二维切片的对正常老年组、在临床上确诊为遗忘型轻度认知损害和在临床上确诊为阿尔兹海默病的三种情况进行三分类的分类方法对上述的验证集进行验证,在验证中调整上述二维自编码器的结构和有关的参数,直到对上述三分类的分类方法达到上述的三种情况的两两之间的判别的准确率达到85%以上,在上述三分类的分类方法达到上述的三种情况的两两之间的判别的准确率达到85%以上的情况下,可以为临床诊断提供参考意见。
实施方式6
实施方式6利用临床的普通扫描头颅的核磁共振成像的影响数据的二维切片实现本发明对头颅的核磁共振成像的影像数据的全脑的图像数据进行计算机辅助辅助识别的技术方案。使用已经经过临床确诊的阿尔兹海默病(AD),遗忘型轻度认知损害(MCI)和正常老年组(NC)的头颅的核磁共振的影像数据的二维切片来完成训练、验证和测试。
与扫描的水平面平行的方向上获取到厚度为体素的尺寸大小的20个二维切片,上述的体素的尺寸大小可以根据核磁共振成像的图像的质量任意地设定,分成96×96个区域。然后进行标准化操作,使上述的二维切片转换到标准坐标系。对图像进行数据增强操作,如旋转,高度位移,缩放,宽度位移等。
对上述的训练集,给每个来源于正常老年组的受试者的所有的上述二维切片标记上正常老年组的标签,给每个来源于在临床上确诊为遗忘型轻度认知损害的受试者的所有的上述二维切片标记上在临床上确诊为遗忘型轻度认知损害的标签,给每个来源于在临床上确诊为阿尔兹海默病的受试者的所有的上述二维切片标记上在临床上确诊为阿尔兹海默病的标签,
使用python语言和keras的开源的深度学习的计算框架实现实施方式1的深度学习的软件部分的编程,使用普通的个人计算机或高性能计算机作为硬件。
Scikit是一个机器学习的开源的库,Scikit的OneHotEncoder函数可以实现独热编码,独热编码也称为一位有效编码,利用scikit的机器学习的库的OneHotEncoder函数对上述的标签实现独热编码。独热编码的功能是,经过对受试者的标签进行独热编码,将受试者的标签的取值转换成三维的向量,该三维向量的每一维的取值为0或1。举例来说,(1,0,0)代表正常老年组,(0,1,0)代表遗忘型轻度认知损害,(0,0,1)代表阿尔兹海默病。对于受试者的标签,如果它有3个可能的取值(阿尔兹海默病,遗忘型轻度认知损害,正常老年组),那么经过独热编码后,标签的取值就转换为3个二元特征。并且,这3个二元特征互斥,如果是阿尔兹海默病,就不是遗忘型轻度认知损害,也不是正常老年组;如果是遗忘型轻度认知损害,就不是阿尔兹海默病,也不是正常老年组;如果是正常老年组,就不是阿尔兹海默病,也不是遗忘型轻度认知损害。通过对标签实现独热编码,便于在二维自编码器的深度学习中实现对神经网络的训练。
将上述的每个二维切片划分为大小相同的互相不重叠的96×96=9216个区域,每个区域的图像的灰度的强度的数值作为96×96的矩阵的每个元素的数值,将上述的96×96的矩阵的元素作为上述的人工智能的二维自编码器的输入,上述的人工智能的二维自编码器的第一层为具有128个核的卷积层,核的大小为3×3,激活函数为relu,上述的人工智能的二维自编码器的第二层为最大池化层,核的大小为2×2,上述的人工智能的二维自编码器的第三层为有64个核的卷积层,核的大小为3×3,激活函数为relu,上述的人工智能的二维自编码器的第四层为池化层,核的大小为2×2,上述的人工智能的二维自编码器的第五层为具有32个核的卷积层,核的大小为3×3,激活函数为relu,上述的人工智能的二维自编码器的第六层为池化层,核的大小为2×2,上述的二维自编码器的每一步的以卷积的方式实现的编码步骤都有对应的以反卷积的方式实现的解码的步骤,通过卷积和批量正规化(batch normalization)进行编码的处理,通过反卷积和批量正规化(batchnormalization)进行解码的处理,池化指数是指池化层的核的大小,上采样是指与池化的作用相反的操作。将上述第六层的输出展开成一维数组,连接到上述的人工智能的二维自编码器的第一隐藏层,上述的人工智能的二维自编码器的上述第一隐藏层有200个神经单元,激活函数为Dropout,将上述第一隐藏层的输出连接到上述的人工智能的二维自编码器的第二隐藏层,上述的人工智能的二维自编码器的上述第二隐藏层有200个神经单元,再将上述上述第二隐藏层的输出连接到上述的人工智能的二维自编码器的输出层,上述的人工智能的二维自编码器的输出层的激活函数为softmax。每一层的神经元到下一层的神经元的变换参数是训练出来的参数,所有的训练出的参数是训练出的二维自编码器的模型,将代表这个神经网络的模型的参数存储在本地的硬盘。
在完成了上述的二维自编码器的训练之后,用训练出的二维自编码器的模型对验证集进行验证,并对测试集进行测试。
在验证的过程中,使用上述的训练出的二维自编码器的计算机辅助识别的模型对每一位受试者的按照上述的方法获得的与水平面平行的20个二维切片的每一个二维切片进行判别,每一个二维切片的判别结果是该二维切片是属于阿尔兹海默病、遗忘型轻度认知损害和正常老年组的三种情况的概率,将这20个判别结果进行平均,就可以得知该受试者属于阿尔兹海默病、遗忘型轻度认知损害和正常老年组的三种情况中的哪一种的概率。
就是说,利用上述的人工智能的深度学习的二维自编码器对所有的上述的受试者的上述的二维切片的形态学特征进行识别,根据对上述形态学特征的识别得到针对上述的二维切片的对正常老年组、在临床上确诊为遗忘型轻度认知损害和在临床上确诊为阿尔兹海默病的三种情况进行三分类的分类方法,使用上述的针对上述的二维切片的对正常老年组、在临床上确诊为遗忘型轻度认知损害和在临床上确诊为阿尔兹海默病的三种情况进行三分类的分类方法对上述的验证集进行验证,在验证中调整上述二维自编码器的结构和有关的参数,直到对上述三分类的分类方法达到上述的三种情况的两两之间的判别的准确率达到85%以上,在上述三分类的分类方法达到上述的三种情况的两两之间的判别的准确率达到85%以上的情况下,可以为临床诊断提供参考意见。
实施方式7
实施方式7利用美国的阿尔兹海默病神经影像计划(Alzheimer’s DiseaseNeuroimaging Initiative,简称ADNI)的数据实现本发明对头颅的核磁共振成像的影像数据的全脑的图像数据进行计算机辅助辅助识别的技术方案。从美国的阿尔兹海默病神经影像计划的官方网站下载经过临床确诊的阿尔兹海默病(AD),遗忘型轻度认知损害(MCI)和正常老年组(NC)的头颅的核磁共振的影像数据,
美国的阿尔兹海默病神经影像计划的数据,3013个扫描结果(scans),321个受试者(subject),可以划分训练集,验证集和测试集
训练集的情况
验证集的情况
测试集的情况
从美国的阿尔兹海默病神经影像计划的网站获取上述的头颅的核磁共振影像数据的全脑的三维数据。先对上述的三维数据进行图像数据的预处理,主要是进行漩涡电流的校准(Eddy Current Correction),去头骨(Skull Stripping),将3维图像转换为2维图像,在与水平面平行的方向上获取到厚度为体素的尺寸大小的91个二维切片,上述的体素的尺寸大小可以根据核磁共振成像的图像的质量任意地设定,然后根据二维切片的面积大小,过滤掉脑部面积较小的切片,留下62个二维切片,缩放到96×96的大小,就是说,分成96×96个互相不重叠的区域。然后进行标准化操作,使上述的二维切片转换到标准坐标系。对图像进行数据增强操作,如旋转,高度位移,缩放,宽度位移等。
美国的阿尔兹海默病神经影像计划(ADNI)的核磁共振的图像的预处理和二维切片的获取可以通过nibabel或其它各种医学影像学的开源或商业软件实现,也可以使用matlab等编程语言根据图像去噪,图像分割和图像配准的原理编程实现。
对上述的训练集,给每个来源于正常老年组的受试者的所有的上述二维切片标记上正常老年组的标签,给每个来源于在临床上确诊为遗忘型轻度认知损害的受试者的所有的上述二维切片标记上在临床上确诊为遗忘型轻度认知损害的标签,给每个来源于在临床上确诊为阿尔兹海默病的受试者的所有的上述二维切片标记上在临床上确诊为阿尔兹海默病的标签,使用python语言和keras的开源的深度学习的计算框架实现实施方式1的深度学习的软件部分的编程,使用普通的个人计算机或高性能计算机作为硬件。
Scikit是一个机器学习的开源的库,Scikit的OneHotEncoder函数可以实现独热编码,独热编码也称为一位有效编码,利用scikit的机器学习的库的OneHotEncoder函数对上述的标签实现独热编码。独热编码的功能是,经过对受试者的标签进行独热编码,将受试者的标签的取值转换成三维的向量,该三维向量的每一维的取值为0或1。举例来说,(1,0,0)代表正常老年组,(0,1,0)代表遗忘型轻度认知损害,(0,0,1)代表阿尔兹海默病。对于受试者的标签,如果它有3个可能的取值(阿尔兹海默病,遗忘型轻度认知损害,正常老年组),那么经过独热编码后,标签的取值就转换为3个二元特征。并且,这3个二元特征互斥,如果是阿尔兹海默病,就不是遗忘型轻度认知损害,也不是正常老年组;如果是遗忘型轻度认知损害,就不是阿尔兹海默病,也不是正常老年组;如果是正常老年组,就不是阿尔兹海默病,也不是遗忘型轻度认知损害。通过对标签实现独热编码,便于在二维自编码器的深度学习中实现对神经网络的训练。
从每一位受试者的全脑的核磁共振成像的三维体素的图像中选取与冠状面、矢状面或水平面平行的指定数量的二维切片组,每一个二维切片组具有给定数量的与冠状面、矢状面或水平面平行的连续相邻的厚度为体素的尺寸大小的二维切片,上述的体素的尺寸大小可以根据核磁共振成像的图像的质量任意地设定,相互平行的相邻的两层二维切片是指两个相互平行的二维切片中的除边缘区域以外的任何一层二维切片的任何一个体素与这两个相互平行的二维切片的另一层二维切片的一个体素是相邻的,就是说,相互平行的相邻的两层二维切片是指这两层二维切片之间没有别的体素,对在上述的每一个二维切片组的中间的一层的二维切片的不包括边缘的3个到9个体素的所有的体素进行纹理特征的提取,上述的纹理特征的提取方法是根据相邻的体素的灰度的强度值的数值在不同的方向上的变化来实现的,将上述的每一个二维切片组的中间的一层的二维切片的除边缘的3到6个体素以外的所有的体素的纹理特征作为二维自编码器的输入,利用人工智能的深度学习的二维自编码器对上述二维切片组的纹理特征进行识别,根据对上述纹理特征的识别得到针对上述的二维切片组的对正常老年组、在临床上确诊为遗忘型轻度认知损害和在临床上确诊为阿尔兹海默病的三种情况进行三分类的分类方法,使用上述的针对上述的二维切片组的对正常老年组、在临床上确诊为遗忘型轻度认知损害和在临床上确诊为阿尔兹海默病的三种情况进行三分类的分类方法对上述的验证集进行验证,在验证中调整上述二维自编码器的结构与有关的参数,直到对上述三分类的分类方法达到上述的三种情况的两两之间的判别的准确率达到85%以上,在上述三分类的分类方法达到上述的三种情况的两两之间的判别的准确率达到85%以上的情况下,将上述三分类的分类方法用于对临床的核磁共振的图像提供参考诊断意见。
上述的人工智能的二维自编码器的第一层为具有128个核的卷积层,核的大小为3×3,激活函数为relu,上述的人工智能的二维自编码器的第二层为最大池化层,核的大小为2×2,上述的人工智能的二维自编码器的第三层为有64个核的卷积层,核的大小为3×3,激活函数为relu,上述的人工智能的二维自编码器的第四层为池化层,核的大小为2×2,上述的人工智能的二维自编码器的第五层为具有32个核的卷积层,核的大小为3×3,激活函数为relu,上述的人工智能的二维自编码器的第六层为池化层,核的大小为2×2,上述的二维自编码器的每一步的以卷积的方式实现的编码步骤都有对应的以反卷积的方式实现的解码的步骤,通过卷积和批量正规化(batch normalization)进行编码的处理,通过反卷积和批量正规化(batch normalization)进行解码的处理,池化指数是指池化层的核的大小,上采样是指与池化的作用相反的操作。将上述第六层的输出展开成一维数组,连接到上述的人工智能的二维自编码器的第一隐藏层,上述的人工智能的二维自编码器的上述第一隐藏层有200个神经单元,激活函数为Dropout,将上述第一隐藏层的输出连接到上述的人工智能的二维自编码器的第二隐藏层,上述的人工智能的二维自编码器的上述第二隐藏层有200个神经单元,再将上述上述第二隐藏层的输出连接到上述的人工智能的二维自编码器的输出层,上述的人工智能的二维自编码器的输出层的激活函数为softmax。每一层的神经元到下一层的神经元的变换参数是训练出来的参数,所有的训练出的参数是训练出的二维自编码器的模型,将代表这个神经网络的模型的参数存储在本地的硬盘。
在完成了上述的二维自编码器的训练之后,用训练出的二维自编码器的模型对验证集进行验证,并对测试集进行测试。
在验证的过程中,使用上述的训练出的二维自编码器的计算机辅助识别的模型对每一位受试者的按照上述的方法获得的每一个二维切片组的纹理特征进行判别,每一个二维切片组的判别结果是该二维切片组属于阿尔兹海默病、遗忘型轻度认知损害和正常老年组的三种情况的概率,将这些判别结果进行平均,就可以得知该受试者属于阿尔兹海默病、遗忘型轻度认知损害和正常老年组的三种情况中的哪一种的概率。
就是说,利用上述的人工智能的深度学习的二维自编码器对所有的上述的受试者的上述的二维切片组的纹理特征进行识别,根据对上述纹理特征的识别得到针对上述的二维切片组的对正常老年组、在临床上确诊为遗忘型轻度认知损害和在临床上确诊为阿尔兹海默病的三种情况进行三分类的分类方法,使用上述的针对上述的二维切片组的对正常老年组、在临床上确诊为遗忘型轻度认知损害和在临床上确诊为阿尔兹海默病的三种情况进行三分类的分类方法对上述的验证集进行验证,在验证中调整上述二维自编码器的结构和有关的参数,直到对上述三分类的分类方法达到上述的三种情况的两两之间的判别的准确率达到85%以上,在上述三分类的分类方法达到上述的三种情况的两两之间的判别的准确率达到85%以上的情况下,可以为临床诊断提供参考意见。
Claims (1)
1.一种基于自编码器的医学图像处理装置,该装置包括,用于存储图像预处理的程序、人工智能的深度学习的程序和头颅的核磁共振成像的图像数据的存储介质,利用人工智能的深度学习对头颅的核磁共振成像的图像数据进行处理和分析的计算机主机或计算机集群,用于显示图像预处理的程序、人工智能的深度学习的程序、各种头颅的核磁共振成像的图像数据和各种程序的运行过程和运行结果的显示装置,
其特征在于:上述装置能够实现对任意给定的数量的正常老年组、遗忘型轻度认知损害和阿尔兹海默病的受试者的三维的头颅的核磁共振成像的图像数据的任意给定的数量的二维切片实现人工智能的深度学习的自编码器的监督学习,根据上述的对任意给定的数量的正常老年组、遗忘型轻度认知损害和阿尔兹海默病的受试者的三维的头颅的核磁共振成像的图像数据的二维切片进行人工智能的深度学习的自编码器的监督学习所得到的深度学习的神经网络模型,利用任意给定的数量的待识别的受试者的三维的头颅的核磁共振成像的图像数据的任意给定的数量的二维切片对上述的待识别的受试者进行正常老年组、遗忘型轻度认知损害和阿尔兹海默病的三分类的区分识别;
其中,所述深度学习的神经网络模型是自编码器的模型,利用人工智能的深度学习的自编码器实现基于全脑和/或海马体的形态学特征的深度学习的计算机辅助识别和/或利用人工智能的深度学习的自编码器实现基于全脑和/或海马体的纹理特征的深度学习的计算机辅助识别;
所述基于全脑和/或海马体的形态学特征的深度学习的计算机辅助识别是指:从每一位受试者的对全脑和/或海马体的核磁共振成像的三维体素的图像中选取与冠状面、矢状面和水平面平行的指定数量和指定间距的以体素的尺寸大小为厚度的二维切片,所述体素的尺寸大小可以根据核磁共振成像的图像的质量任意地设定,对所述训练集,给每个来源于正常老年组的受试者的所有的二维切片标记上正常老年组的标签,给每个来源于在临床上确诊为遗忘型轻度认知损害的受试者的所有的二维切片标记上在临床上确诊为遗忘型轻度认知损害的标签,给每个来源于在临床上确诊为阿尔兹海默病的受试者的所有的二维切片标记上在临床上确诊为阿尔兹海默病的标签,将上述的每个二维切片划分为大小相同的互相不重叠的多个区域,将以每个区域的灰度的强度的数值为基础的反映该区域的图像信息的特征做为人工智能的深度学习的卷积神经网络的输入,利用上述的人工智能的深度学习的卷积神经网络对所有的上述的受试者的上述的二维切片的形态学特征进行识别,根据对所述形态学特征的识别得到针对所述二维切片的对正常老年组、在临床上确诊为遗忘型轻度认知损害和在临床上确诊为阿尔兹海默病的三种情况进行第一三分类的区分识别;使用所述第一三分类的区分识别对进行验证集验证,用以优化所述卷积神经网络的结构与参数;
所述基于全脑和/或海马体的纹理特征的深度学习的计算机辅助识别是指:从每一位受试者对全脑和/或海马体的的核磁共振成像的三维体素的图像中选取与冠状面、矢状面或水平面平行的指定数量的二维切片组,每一个二维切片组具有给定数量的与冠状面、矢状面或水平面平行的连续相邻的以体素的尺寸大小为厚度的二维切片;对在上述的每一个二维切片组的中间的一层的二维切片中,除去边缘的3个到9个体素外其余的所有体素进行纹理特征的提取,所述纹理特征的提取根据相邻的体素的灰度的强度值的数值在不同的方向上的变化来实现;将上述的每一个二维切片组的中间的一层的二维切片中除边缘的3到6个体素以外的所有的体素的纹理特征作为卷积神经网络的输入,利用人工智能的深度学习的卷积神经网络对所有的上述的受试者的二维切片组的纹理特征进行识别,根据对上述纹理特征的识别得到针对上述的二维切片阻的对正常老年组、在临床上确诊为遗忘型轻度认知损害和在临床上确诊为阿尔兹海默病的三种情况进行第二三分类的区分识别;使用所述第二三分类的区分识别对进行验证集验证,用以优化所述卷积神经网络的结构与参数;
上述的每个二维切片的图像被分成96×96个区域,每个区域的图像的灰度的强度的数值作为96×96的矩阵的元素的数值,将上述的96×96的矩阵的元素作为所述自编码器的输入;或者
上述的每个二维切片的图像被分成256×256的区域,每个区域的图像的灰度的强度的数值作为256×256的矩阵的元素的数值,将上述的256×256的矩阵的元素作为所述自编码器的输入;
所述自编码器的第一层为具有128个核的卷积层,核的大小为3×3,激活函数为relu;第二层为最大池化层,核的大小为2×2;第三层为有64个核的卷积层,核的大小为3×3,激活函数为relu;第四层为池化层,核的大小为2×2;第五层为具有32个核的卷积层,核的大小为3×3,激活函数为relu;第六层为池化层,核的大小为2×2;
所述自编码器的每一步的以卷积的方式实现的编码步骤都有对应的以反卷积的方式实现的解码的步骤,通过卷积和批量正规化进行编码的处理,通过反卷积和批量正规化进行解码的处理;
将所述第六层的输出展开成一维数组,连接到所述自编码器的第一隐藏层;
所述自编码器的第一隐藏层有200个神经单元,激活函数为Dropout;第一隐藏层的输出连接第二隐藏层;第二隐藏层有200个神经单元,第二隐藏层的输出连接所述自编码器的输出层,其中,所述自编码器的输出层的激活函数为softmax。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710283998.4A CN107133461B (zh) | 2017-04-26 | 2017-04-26 | 一种基于自编码器的医学图像处理装置与方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710283998.4A CN107133461B (zh) | 2017-04-26 | 2017-04-26 | 一种基于自编码器的医学图像处理装置与方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107133461A CN107133461A (zh) | 2017-09-05 |
CN107133461B true CN107133461B (zh) | 2021-11-12 |
Family
ID=59716308
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710283998.4A Active CN107133461B (zh) | 2017-04-26 | 2017-04-26 | 一种基于自编码器的医学图像处理装置与方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107133461B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108814565A (zh) * | 2018-07-04 | 2018-11-16 | 重庆邮电大学 | 一种基于多传感器信息融合和深度学习的智能中医健康检测梳妆台 |
CN109190682B (zh) * | 2018-08-13 | 2020-12-18 | 北京安德医智科技有限公司 | 一种基于3d核磁共振影像的脑部异常的分类方法及设备 |
CN109389587B (zh) * | 2018-09-26 | 2021-07-16 | 上海联影智能医疗科技有限公司 | 一种医学图像分析系统、装置及存储介质 |
US11605455B2 (en) | 2018-12-22 | 2023-03-14 | GE Precision Healthcare LLC | Systems and methods for predicting outcomes using raw data |
CN109754024B (zh) * | 2019-01-29 | 2021-08-24 | 北京云测信息技术有限公司 | 图像分类方法和装置 |
CN110298870A (zh) * | 2019-07-02 | 2019-10-01 | 中国电子科技集团公司第十三研究所 | 图像的处理方法、处理装置及终端 |
US20230111306A1 (en) * | 2021-10-13 | 2023-04-13 | GE Precision Healthcare LLC | Self-supervised representation learning paradigm for medical images |
CN114155952A (zh) * | 2021-11-15 | 2022-03-08 | 常州工学院 | 一种老年人群老年痴呆病患病辅助分析系统 |
CN116052848B (zh) * | 2023-04-03 | 2023-06-09 | 吉林大学 | 一种医学成像质控的数据编码方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104851101A (zh) * | 2015-05-25 | 2015-08-19 | 电子科技大学 | 一种基于深度学习的脑肿瘤自动分割方法 |
CN104881680A (zh) * | 2015-05-25 | 2015-09-02 | 电子科技大学 | 一种基于二维特征和三维特征融合的阿尔茨海默病及轻度认知功能障碍识别方法 |
CN106096636A (zh) * | 2016-05-31 | 2016-11-09 | 安徽工业大学 | 一种基于神经影像的进展型轻度认知功能障碍识别方法 |
-
2017
- 2017-04-26 CN CN201710283998.4A patent/CN107133461B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104851101A (zh) * | 2015-05-25 | 2015-08-19 | 电子科技大学 | 一种基于深度学习的脑肿瘤自动分割方法 |
CN104881680A (zh) * | 2015-05-25 | 2015-09-02 | 电子科技大学 | 一种基于二维特征和三维特征融合的阿尔茨海默病及轻度认知功能障碍识别方法 |
CN106096636A (zh) * | 2016-05-31 | 2016-11-09 | 安徽工业大学 | 一种基于神经影像的进展型轻度认知功能障碍识别方法 |
Non-Patent Citations (2)
Title |
---|
ALZHEIMER’S DISEASE DIAGNOSTICS BY A DEEPLY SUPERVISED ADAPTABLE 3D CONVOLUTIONAL NETWORK;Ehsan Hosseini-Asl 等;《arXiv:1607.00556v1》;20160702;正文摘要,第2-4节 * |
多类型磁共振影像特征融合算法用于阿尔兹海默病早期诊断;闫瑾;《中国优秀硕士学位论文全文数据库 医药卫生科技辑》;20160615;正文第15、20-22页,图3.2 * |
Also Published As
Publication number | Publication date |
---|---|
CN107133461A (zh) | 2017-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107145727B (zh) | 一种利用卷积神经网络的医学图像处理装置与方法 | |
CN107067395B (zh) | 一种基于卷积神经网络的核磁共振图像处理装置与方法 | |
CN107133461B (zh) | 一种基于自编码器的医学图像处理装置与方法 | |
CN107067396B (zh) | 一种基于自编码器的核磁共振图像处理装置与方法 | |
Böhle et al. | Layer-wise relevance propagation for explaining deep neural network decisions in MRI-based Alzheimer's disease classification | |
Zhang et al. | An explainable 3D residual self-attention deep neural network for joint atrophy localization and Alzheimer’s disease diagnosis using structural MRI | |
Basheera et al. | A novel CNN based Alzheimer’s disease classification using hybrid enhanced ICA segmented gray matter of MRI | |
CN109190690B (zh) | 基于机器学习的swi图像的脑微出血点检测识别方法 | |
Nigri et al. | Explainable deep CNNs for MRI-based diagnosis of Alzheimer’s disease | |
Gao et al. | A deep learning based approach to classification of CT brain images | |
CN108109140A (zh) | 基于深度学习的低级别脑胶质瘤柠檬酸脱氢酶无损预测方法及系统 | |
CN112164082A (zh) | 基于3d卷积神经网络分割多模态mr脑部图像方法 | |
CN114600155A (zh) | 用于细胞检测和分割的弱监督多任务学习 | |
CN107169955B (zh) | 一种智能化的医学图像处理装置与方法 | |
Madusanka et al. | Alzheimer's Disease classification based on multi-feature fusion | |
Alkabawi et al. | Computer-aided classification of multi-types of dementia via convolutional neural networks | |
CN107590806B (zh) | 一种基于大脑医学成像的检测方法和系统 | |
Pallawi et al. | Study of Alzheimer’s disease brain impairment and methods for its early diagnosis: a comprehensive survey | |
Yoon et al. | Effect of data augmentation of F-18-Florbetaben positron-emission tomography images by using deep learning convolutional neural network architecture for amyloid positive patients | |
CN110930349A (zh) | 一种利用卷积神经网络的医学图像处理装置与方法 | |
Jiji et al. | An intelligent technique for detecting Alzheimer's disease based on brain structural changes and hippocampal shape | |
KR102373992B1 (ko) | 질감 특징을 이용한 알츠하이머 병 분류 방법 및 장치 | |
Abd Hamid et al. | Incorporating attention mechanism in enhancing classification of alzheimer’s disease | |
CN114202668A (zh) | 阿尔茨海默病的临床数据的处理方法、系统、介质及装置 | |
Tuhin et al. | Detection and 3d visualization of brain tumor using deep learning and polynomial interpolation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |