CN107145727A - 一种利用卷积神经网络的医学图像处理装置与方法 - Google Patents
一种利用卷积神经网络的医学图像处理装置与方法 Download PDFInfo
- Publication number
- CN107145727A CN107145727A CN201710282810.4A CN201710282810A CN107145727A CN 107145727 A CN107145727 A CN 107145727A CN 201710282810 A CN201710282810 A CN 201710282810A CN 107145727 A CN107145727 A CN 107145727A
- Authority
- CN
- China
- Prior art keywords
- mentioned
- convolutional neural
- neural networks
- artificial intelligence
- layer
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
本发明涉及一种利用卷积神经网络的医学图像处理装置与方法，利用人工智能的深度学习的卷积神经网络实现对正常老年组、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分类，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
本发明涉及一种利用卷积神经网络的医学图像处理装置与方法。基于深度学习的卷积神经网络的利用头颅的核磁共振成像对全脑和/或海马体的核磁共振的图像数据进行处理和分析，特别地，涉及基于深度学习的卷积神经网络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装置和方法。
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的装置和方法为科学研究、健康普查和医学研究提供了重要的帮助。
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装置和方法的文献，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
本发明就是针对现有技术中存在的问题提出的。
本发明提出了一种利用卷积神经网络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卷积神经网络的监督学习，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卷积神经网络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卷积神经网络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卷积神经网络的监督学习，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卷积神经网络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。
本发明的方法的特征在于：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卷积神经网络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卷积神经网络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卷积神经网络的监督学习的测试集，构建人工智能的深度学习的卷积神经网络，利用人工智能的深度学习的卷积神经网络实现基于全脑和/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卷积神经网络实现基于全脑和/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，在验证中调整上述卷积神经网络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，
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，在验证中调整上述卷积神经网络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，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，在验证中调整上述卷积神经网络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，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，在验证中调整上述卷积神经网络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，
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卷积神经网络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是本发明的卷积神经网络的结构的示意图。
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核磁共振的图像处理与分析的技术方案。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，便于在卷积神经网络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卷积神经网络的输入，上述的人工智能的卷积神经网络的第一层为具有32个核的卷积层，核的大小为3×3，激活函数为relu，上述的人工智能的卷积神经网络的第二层为最大池化层，核的大小为2×2，上述的人工智能的卷积神经网络的第三层为有64个核的卷积层，核的大小为3×3，激活函数为relu，上述的人工智能的卷积神经网络的第四层为池化层，核的大小为2×2，上述的人工智能的卷积神经网络的第五层为具有128个核的卷积层，核的大小为3×3，激活函数为relu，上述的人工智能的卷积神经网络的第六层为池化层，核的大小为2×2，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卷积神经网络的第一隐藏层，上述的人工智能的卷积神经网络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卷积神经网络的第二隐藏层，上述的人工智能的卷积神经网络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卷积神经网络的输出层，上述的人工智能的卷积神经网络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卷积神经网络的模型，将代表这个神经网络的模型的参数存储在本地的硬盘。
在完成了上述的卷积神经网络的训练之后，用训练出的卷积神经网络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卷积神经网络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，在验证中调整上述卷积神经网络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，
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处理和分析的技术方案。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，便于在卷积神经网络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，得到相应的卷积神经网络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卷积神经网络的输入，上述的人工智能的卷积神经网络的第一层为具有32个核的卷积层，核的大小为3×3，激活函数为relu，上述的人工智能的卷积神经网络的第二层为最大池化层，核的大小为2×2，上述的人工智能的卷积神经网络的第三层为有64个核的卷积层，核的大小为3×3，激活函数为relu，上述的人工智能的卷积神经网络的第四层为池化层，核的大小为2×2，上述的人工智能的卷积神经网络的第五层为具有128个核的卷积层，核的大小为3×3，激活函数为relu，上述的人工智能的卷积神经网络的第六层为池化层，核的大小为2×2，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卷积神经网络的第一隐藏层，上述的人工智能的卷积神经网络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卷积神经网络的第二隐藏层，上述的人工智能的卷积神经网络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卷积神经网络的输出层，上述的人工智能的卷积神经网络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卷积神经网络的模型，将代表这个神经网络的模型的参数存储在本地的硬盘。
在完成了上述的卷积神经网络的训练之后，用训练出的卷积神经网络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卷积神经网络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，在验证中调整上述卷积神经网络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，
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处理和分析的技术方案。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，便于在卷积神经网络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卷积神经网络的输入，上述的人工智能的卷积神经网络的第一层为具有32个核的卷积层，核的大小为3×3，激活函数为relu，上述的人工智能的卷积神经网络的第二层为最大池化层，核的大小为2×2，上述的人工智能的卷积神经网络的第三层为有64个核的卷积层，核的大小为3×3，激活函数为relu，上述的人工智能的卷积神经网络的第四层为池化层，核的大小为2×2，上述的人工智能的卷积神经网络的第五层为具有128个核的卷积层，核的大小为3×3，激活函数为relu，上述的人工智能的卷积神经网络的第六层为池化层，核的大小为2×2，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卷积神经网络的第一隐藏层，上述的人工智能的卷积神经网络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卷积神经网络的第二隐藏层，上述的人工智能的卷积神经网络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卷积神经网络的输出层，上述的人工智能的卷积神经网络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卷积神经网络的模型，将代表这个神经网络的模型的参数存储在本地的硬盘。
在完成了上述的卷积神经网络的训练之后，用训练出的卷积神经网络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卷积神经网络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，在验证中调整上述卷积神经网络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处理和分析的技术方案。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，便于在卷积神经网络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，得到相应的卷积神经网络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卷积神经网络的输入，上述的人工智能的卷积神经网络的第一层为具有32个核的卷积层，核的大小为3×3，激活函数为relu，上述的人工智能的卷积神经网络的第二层为最大池化层，核的大小为2×2，上述的人工智能的卷积神经网络的第三层为有64个核的卷积层，核的大小为3×3，激活函数为relu，上述的人工智能的卷积神经网络的第四层为池化层，核的大小为2×2，上述的人工智能的卷积神经网络的第五层为具有128个核的卷积层，核的大小为3×3，激活函数为relu，上述的人工智能的卷积神经网络的第六层为池化层，核的大小为2×2，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卷积神经网络的第一隐藏层，上述的人工智能的卷积神经网络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卷积神经网络的第二隐藏层，上述的人工智能的卷积神经网络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卷积神经网络的输出层，上述的人工智能的卷积神经网络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卷积神经网络的模型，将代表这个神经网络的模型的参数存储在本地的硬盘。
在完成了上述的卷积神经网络的训练之后，用训练出的卷积神经网络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卷积神经网络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，在验证中调整上述卷积神经网络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，
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处理和分析的技术方案。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，便于在卷积神经网络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，得到相应的卷积神经网络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卷积神经网络的输入，上述的人工智能的卷积神经网络的第一层为具有32个核的卷积层，核的大小为3×3，激活函数为relu，上述的人工智能的卷积神经网络的第二层为最大池化层，核的大小为2×2，上述的人工智能的卷积神经网络的第三层为有64个核的卷积层，核的大小为3×3，激活函数为relu，上述的人工智能的卷积神经网络的第四层为池化层，核的大小为2×2，上述的人工智能的卷积神经网络的第五层为具有128个核的卷积层，核的大小为3×3，激活函数为relu，上述的人工智能的卷积神经网络的第六层为池化层，核的大小为2×2，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卷积神经网络的第一隐藏层，上述的人工智能的卷积神经网络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卷积神经网络的第二隐藏层，上述的人工智能的卷积神经网络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卷积神经网络的输出层，上述的人工智能的卷积神经网络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卷积神经网络的模型，将代表这个神经网络的模型的参数存储在本地的硬盘。
在完成了上述的卷积神经网络的训练之后，用训练出的卷积神经网络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卷积神经网络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，在验证中调整上述卷积神经网络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，
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，便于在卷积神经网络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卷积神经网络的输入，上述的人工智能的卷积神经网络的第一层为具有32个核的卷积层，核的大小为3×3，激活函数为relu，上述的人工智能的卷积神经网络的第二层为最大池化层，核的大小为2×2，上述的人工智能的卷积神经网络的第三层为有64个核的卷积层，核的大小为3×3，激活函数为relu，上述的人工智能的卷积神经网络的第四层为池化层，核的大小为2×2，上述的人工智能的卷积神经网络的第五层为具有128个核的卷积层，核的大小为3×3，激活函数为relu，上述的人工智能的卷积神经网络的第六层为池化层，核的大小为2×2，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卷积神经网络的第一隐藏层，上述的人工智能的卷积神经网络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卷积神经网络的第二隐藏层，上述的人工智能的卷积神经网络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卷积神经网络的输出层，上述的人工智能的卷积神经网络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卷积神经网络的模型，将代表这个神经网络的模型的参数存储在本地的硬盘。
在完成了上述的卷积神经网络的训练之后，用训练出的卷积神经网络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卷积神经网络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，在验证中调整上述卷积神经网络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，
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处理和分析的技术方案。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，便于在卷积神经网络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，在验证中调整上述卷积神经网络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。
上述的人工智能的卷积神经网络的第一层为具有32个核的卷积层，核的大小为3×3，激活函数为relu，上述的人工智能的卷积神经网络的第二层为最大池化层，核的大小为2×2，上述的人工智能的卷积神经网络的第三层为有64个核的卷积层，核的大小为3×3，激活函数为relu，上述的人工智能的卷积神经网络的第四层为池化层，核的大小为2×2，上述的人工智能的卷积神经网络的第五层为具有128个核的卷积层，核的大小为3×3，激活函数为relu，上述的人工智能的卷积神经网络的第六层为池化层，核的大小为2×2，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卷积神经网络的第一隐藏层，上述的人工智能的卷积神经网络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卷积神经网络的第二隐藏层，上述的人工智能的卷积神经网络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卷积神经网络的输出层，上述的人工智能的卷积神经网络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卷积神经网络的模型，将代表这个神经网络的模型的参数存储在本地的硬盘。
在完成了上述的卷积神经网络的训练之后，用训练出的卷积神经网络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卷积神经网络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卷积神经网络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，在验证中调整上述卷积神经网络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。
Claims (10)
1.一种利用卷积神经网络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卷积神经网络的监督学习，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卷积神经网络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。
2.一种利用卷积神经网络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卷积神经网络的监督学习，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卷积神经网络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。
3.根据权利要求2所述的方法，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卷积神经网络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卷积神经网络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卷积神经网络的监督学习的测试集，构建人工智能的深度学习的卷积神经网络，利用人工智能的深度学习的卷积神经网络实现基于全脑和/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卷积神经网络实现基于全脑和/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，在验证中调整上述卷积神经网络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，
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，在验证中调整上述卷积神经网络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，
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，在验证中调整上述卷积神经网络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，
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，在验证中调整上述卷积神经网络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。
4.根据权利要求3所述的方法，其特征在于：上述的每个二维切片的图像被分成大小相等和互不重叠的多个区域，将上述多个区域的每一个区域的图像的像素的灰度的强度的数值作为上述的卷积神经网络的输入。
5.根据权利要求3所述的方法，其特征在于：上述的每个二维切片的图像被分成大小相等和互不重叠的多个区域，上述多个区域的每一个区域的图像的像素的灰度的强度的数值是图像的原始特征，从上述多个区域的每一个区域的图像的像素的灰度的强度的数值经过特征变换获取可以由机器学习进行分类的高级特征，将上述的可以由机器学习进行分类的高级特征作为上述的卷积神经网络的输入。
6.根据权利要求3所述的方法，其特征在于：上述的人工智能的卷积神经网络的构建方法可以是：可以使用人工智能的深度学习的任何形式、任何结构和任何方式的训练方法的卷积神经网络。
7.根据权利要求3所述的方法，其特征在于：上述的人工智能的卷积神经网络的构建方法是：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的矩阵的元素作为上述的人工智能的卷积神经网络的输入，上述的人工智能的卷积神经网络的第一层为具有32个核的卷积层，核的大小为3×3，激活函数为relu，上述的人工智能的卷积神经网络的第二层为最大池化层，核的大小为2×2，上述的人工智能的卷积神经网络的第三层为有64个核的卷积层，核的大小为3×3，激活函数为relu，上述的人工智能的卷积神经网络的第四层为池化层，核的大小为2×2，上述的人工智能的卷积神经网络的第五层为具有128个核的卷积层，核的大小为3×3，激活函数为relu，上述的人工智能的卷积神经网络的第六层为池化层，核的大小为2×2，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卷积神经网络的第一隐藏层，上述的人工智能的卷积神经网络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卷积神经网络的第二隐藏层，上述的人工智能的卷积神经网络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卷积神经网络的输出层，上述的人工智能的卷积神经网络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的集合代表训练出的卷积神经网络的模型。
8.根据权利要求3所述的方法，其特征在于：上述的人工智能的卷积神经网络的构建方法是：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卷积神经网络的输入，上述的人工智能的卷积神经网络的第一层为具有32个核的卷积层，核的大小为3×3，激活函数为relu，上述的人工智能的卷积神经网络的第二层为最大池化层，核的大小为2×2，上述的人工智能的卷积神经网络的第三层为有64个核的卷积层，核的大小为3×3，激活函数为relu，上述的人工智能的卷积神经网络的第四层为池化层，核的大小为2×2，上述的人工智能的卷积神经网络的第五层为具有128个核的卷积层，核的大小为3×3，激活函数为relu，上述的人工智能的卷积神经网络的第六层为池化层，核的大小为2×2，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卷积神经网络的第一隐藏层，上述的人工智能的卷积神经网络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卷积神经网络的第二隐藏层，上述的人工智能的卷积神经网络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卷积神经网络的输出层，上述的人工智能的卷积神经网络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的集合代表训练出的卷积神经网络的模型。
9.根据权利要求3所述的方法，其特征在于：上述的纹理学特征可以图像处理领域中的任何反映图像的纹理的特征。
10.根据权利要求3所述的方法，其特征在于：上述的纹理学特征包括以下内容中的任意一项或以下内容中的任何几项的组合：每一个体素的的灰度的能量值，每一个体素和与该体素距离最近的26个体素的灰度的对比度和能量值的对比度，体素的灰度的数值沿着从某一个体素的中心到与该体素的最近的26个体素的中心的连线的方向上的向该连线的两个相反的方向延伸的沿着给定数量的个数的连续相邻的体素的变化的梯度，上述的给定数量的个数可以是3个，5个，7个或9个。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710282810.4A CN107145727B (zh) | 2017-04-26 | 2017-04-26 | 一种利用卷积神经网络的医学图像处理装置与方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710282810.4A CN107145727B (zh) | 2017-04-26 | 2017-04-26 | 一种利用卷积神经网络的医学图像处理装置与方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107145727A true CN107145727A (zh) | 2017-09-08 |
| CN107145727B CN107145727B (zh) | 2021-11-12 |
Family
ID=59774042
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710282810.4A Active CN107145727B (zh) | 2017-04-26 | 2017-04-26 | 一种利用卷积神经网络的医学图像处理装置与方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107145727B (zh) |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108629816A (zh) * | 2018-05-09 | 2018-10-09 | 复旦大学 | 基于深度学习进行薄层磁共振图像重建的方法 |
| CN109035316A (zh) * | 2018-08-28 | 2018-12-18 | 北京安德医智科技有限公司 | 核磁共振图像序列的配准方法及设备 |
| CN109087298A (zh) * | 2018-08-17 | 2018-12-25 | 电子科技大学 | 一种阿尔兹海默病mri图像分类方法 |
| CN109190682A (zh) * | 2018-08-13 | 2019-01-11 | 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 |
| CN109214451A (zh) * | 2018-08-28 | 2019-01-15 | 北京安德医智科技有限公司 | 一种脑部异常的分类方法及设备 |
| CN109222972A (zh) * | 2018-09-11 | 2019-01-18 | 华南理工大学 | 一种基于深度学习的fMRI全脑数据分类方法 |
| CN109523547A (zh) * | 2018-12-21 | 2019-03-26 | 四川大学华西医院 | 一种影像结节检出的方法及装置 |
| CN110243828A (zh) * | 2019-07-18 | 2019-09-17 | 华中科技大学 | 基于卷积神经网络的生物组织三维成像方法 |
| CN110324620A (zh) * | 2018-03-30 | 2019-10-11 | 杭州海康威视数字技术股份有限公司 | 帧内预测方法、装置、电子设备及机器可读存储介质 |
| CN110729044A (zh) * | 2019-10-08 | 2020-01-24 | 腾讯医疗健康(深圳)有限公司 | 糖网病变阶段识别模型的训练方法及糖网病变识别设备 |
| CN111461232A (zh) * | 2020-04-02 | 2020-07-28 | 大连海事大学 | 一种基于多策略批量式主动学习的核磁共振图像分类方法 |
| CN111461233A (zh) * | 2020-04-02 | 2020-07-28 | 大连海事大学 | 一种基于MDCLSTM-LDenseNet网络的核磁共振图像自动分类方法及装置 |
| CN112767341A (zh) * | 2021-01-14 | 2021-05-07 | 广州中医药大学第一附属医院 | 一种基于深度学习的2型糖尿病患者脑结构认知障碍分类方法 |
| CN112837807A (zh) * | 2021-02-05 | 2021-05-25 | 广州中医药大学第一附属医院 | 一种t2dm脑衰老认知障碍早期智能高精度辅诊方法 |
| CN116862930A (zh) * | 2023-09-04 | 2023-10-10 | 首都医科大学附属北京天坛医院 | 适用于多模态的脑血管分割方法、装置、设备和存储介质 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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 |
| 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 CN201710282810.4A patent/CN107145727B/zh active Active
Cited By (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110324620A (zh) * | 2018-03-30 | 2019-10-11 | 杭州海康威视数字技术股份有限公司 | 帧内预测方法、装置、电子设备及机器可读存储介质 |
| CN110324620B (zh) * | 2018-03-30 | 2021-08-24 | 杭州海康威视数字技术股份有限公司 | 帧内预测方法、装置、电子设备及机器可读存储介质 |
| CN108629816A (zh) * | 2018-05-09 | 2018-10-09 | 复旦大学 | 基于深度学习进行薄层磁共振图像重建的方法 |
| CN108629816B (zh) * | 2018-05-09 | 2022-11-18 | 复旦大学 | 基于深度学习进行薄层磁共振图像重建的方法 |
| CN109190682A (zh) * | 2018-08-13 | 2019-01-11 | 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 |
| 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 |
| CN109087298A (zh) * | 2018-08-17 | 2018-12-25 | 电子科技大学 | 一种阿尔兹海默病mri图像分类方法 |
| CN109087298B (zh) * | 2018-08-17 | 2020-07-28 | 电子科技大学 | 一种阿尔兹海默病mri图像分类方法 |
| CN109214451A (zh) * | 2018-08-28 | 2019-01-15 | 北京安德医智科技有限公司 | 一种脑部异常的分类方法及设备 |
| CN109035316A (zh) * | 2018-08-28 | 2018-12-18 | 北京安德医智科技有限公司 | 核磁共振图像序列的配准方法及设备 |
| CN109035316B (zh) * | 2018-08-28 | 2020-12-18 | 北京安德医智科技有限公司 | 核磁共振图像序列的配准方法及设备 |
| CN109222972A (zh) * | 2018-09-11 | 2019-01-18 | 华南理工大学 | 一种基于深度学习的fMRI全脑数据分类方法 |
| CN109222972B (zh) * | 2018-09-11 | 2020-09-22 | 华南理工大学 | 一种基于深度学习的fMRI全脑数据分类方法 |
| CN109523547A (zh) * | 2018-12-21 | 2019-03-26 | 四川大学华西医院 | 一种影像结节检出的方法及装置 |
| CN110243828A (zh) * | 2019-07-18 | 2019-09-17 | 华中科技大学 | 基于卷积神经网络的生物组织三维成像方法 |
| CN110729044A (zh) * | 2019-10-08 | 2020-01-24 | 腾讯医疗健康(深圳)有限公司 | 糖网病变阶段识别模型的训练方法及糖网病变识别设备 |
| CN110729044B (zh) * | 2019-10-08 | 2023-09-12 | 腾讯医疗健康(深圳)有限公司 | 糖网病变阶段识别模型的训练方法及糖网病变识别设备 |
| CN111461233A (zh) * | 2020-04-02 | 2020-07-28 | 大连海事大学 | 一种基于MDCLSTM-LDenseNet网络的核磁共振图像自动分类方法及装置 |
| CN111461232A (zh) * | 2020-04-02 | 2020-07-28 | 大连海事大学 | 一种基于多策略批量式主动学习的核磁共振图像分类方法 |
| CN112767341A (zh) * | 2021-01-14 | 2021-05-07 | 广州中医药大学第一附属医院 | 一种基于深度学习的2型糖尿病患者脑结构认知障碍分类方法 |
| CN112837807A (zh) * | 2021-02-05 | 2021-05-25 | 广州中医药大学第一附属医院 | 一种t2dm脑衰老认知障碍早期智能高精度辅诊方法 |
| CN112837807B (zh) * | 2021-02-05 | 2024-01-23 | 广州中医药大学第一附属医院 | 一种t2dm脑衰老认知障碍早期智能高精度辅诊方法 |
| CN116862930A (zh) * | 2023-09-04 | 2023-10-10 | 首都医科大学附属北京天坛医院 | 适用于多模态的脑血管分割方法、装置、设备和存储介质 |
| CN116862930B (zh) * | 2023-09-04 | 2023-11-28 | 首都医科大学附属北京天坛医院 | 适用于多模态的脑血管分割方法、装置、设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107145727B (zh) | 2021-11-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107145727A (zh) | 一种利用卷积神经网络的医学图像处理装置与方法 | |
| CN107067395A (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 | |
| Cheng et al. | CNNs based multi-modality classification for AD diagnosis | |
| Milletari et al. | Hough-CNN: Deep learning for segmentation of deep brain regions in MRI and ultrasound | |
| CN107067396A (zh) | 一种基于自编码器的核磁共振图像处理装置与方法 | |
| CN107133461A (zh) | 一种基于自编码器的医学图像处理装置与方法 | |
| Li et al. | Alzheimer's disease classification based on combination of multi-model convolutional networks | |
| Yue et al. | Auto-detection of Alzheimer's disease using deep convolutional neural networks | |
| Gupta et al. | Natural image bases to represent neuroimaging data | |
| CN105005765B (zh) | 一种基于Gabor小波和灰度共生矩阵的人脸表情识别方法 | |
| CN109063572A (zh) | 一种基于多尺度和多卷积层特征融合的指纹活性检测方法 | |
| CN109389585A (zh) | 一种基于全卷积神经网络的脑组织提取方法 | |
| CN110532907A (zh) | 基于面象和舌象双模态特征提取的中医人体体质分类方法 | |
| CN107424145A (zh) | 基于三维全卷积神经网络的核磁共振图像的分割方法 | |
| CN112465905A (zh) | 基于深度学习的磁共振成像数据的特征脑区定位方法 | |
| CN109934804A (zh) | 基于卷积神经网络的阿尔茨海默病变区域的检测方法 | |
| CN104463885B (zh) | 一种多发性硬化损伤区域分割方法 | |
| CN107169955A (zh) | 一种智能化的医学图像处理装置与方法 | |
| Zaina et al. | An exemplar pyramid feature extraction based Alzheimer disease classification method | |
| CN113705670A (zh) | 基于磁共振成像和深度学习的脑部图像分类方法及设备 | |
| CN107590806A (zh) | 一种基于大脑医学成像的检测方法和系统 | |
| Li et al. | Alzheimer's level classification by 3D PMNet using PET/MRI multi-modal images | |
| Pusparani et al. | Diagnosis of Alzheimer’s disease using convolutional neural network with select slices by landmark on Hippocampus in MRI images | |
| CN110930349A (zh) | 一种利用卷积神经网络的医学图像处理装置与方法 | |
| Pallawi et al. | Study of Alzheimer’s disease brain impairment and methods for its early diagnosis: a comprehensive survey |
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 |