CN107169955B - 一种智能化的医学图像处理装置与方法 - Google Patents

一种智能化的医学图像处理装置与方法 Download PDF

Info

Publication number
CN107169955B
CN107169955B CN201710284684.6A CN201710284684A CN107169955B CN 107169955 B CN107169955 B CN 107169955B CN 201710284684 A CN201710284684 A CN 201710284684A CN 107169955 B CN107169955 B CN 107169955B
Authority
CN
China
Prior art keywords
dimensional
cognitive impairment
mild cognitive
neural network
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
Application number
CN201710284684.6A
Other languages
English (en)
Other versions
CN107169955A (zh
Inventor
张熙
周波
郭艳娥
冯枫
安宁豫
姚洪祥
罗亚川
樊茂华
赵思远
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Huacheng Xingye Software Development Co ltd
Chinese PLA General Hospital
Original Assignee
Beijing Huacheng Xingye Software Development Co ltd
Chinese PLA General Hospital
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Huacheng Xingye Software Development Co ltd, Chinese PLA General Hospital filed Critical Beijing Huacheng Xingye Software Development Co ltd
Priority to CN201710284684.6A priority Critical patent/CN107169955B/zh
Publication of CN107169955A publication Critical patent/CN107169955A/zh
Application granted granted Critical
Publication of CN107169955B publication Critical patent/CN107169955B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30016—Brain

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

一种智能化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、在临床上确诊为稳定型和转化型的遗忘型轻度认知损害和在临床上确诊为阿尔兹海默病的四种情况进行四分类的分类方法，利用正常老年组、在临床上确诊为稳定型和转化型的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

一种智能化的医学图像处理装置与方法
技术领域
本发明涉及一种智能化的医学图像处理装置与方法，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图像处理与分析的装置与方法。
背景技术
阿尔兹海默病是一种神经退行性疾病，根据临床的统计，有10％到15％的遗忘型轻度认知损害的受试者会在1年到8年左右的时间内成为阿尔兹海默病的患者，这样的在1年到8年左右的时间内成为阿尔兹海默病的患者的情况被称为转化型的遗忘型轻度认知损害。在10年以上的时间内没有成为阿尔兹海默病的患者的情况可以被称为稳定型的遗忘型轻度认知损害。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，同时，稳定型和转化型的遗忘型轻度认知损害的这两种情况之间的核磁共振成像的影像数据也存在差异。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、稳定型和转化型的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基础研究提供参考意见，可以提高基础研究的工作效率。
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。另外上述的arXiv:1607.00556v1的文献没有提到如何对稳定型和转化型的遗忘型轻度认知损害的受试者进行区分诊断。
发明内容
本本发明提供了一种智能化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、稳定型的遗忘型轻度认知损害、转化型的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、稳定型的遗忘型轻度认知损害、转化型的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、稳定型的遗忘型轻度认知损害、转化型的遗忘型轻度认知损害和阿尔兹海默病的四分类的区分识别。
本发明提供了一种智能化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、稳定型的遗忘型轻度认知损害、转化型的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、稳定型的遗忘型轻度认知损害、转化型的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、稳定型的遗忘型轻度认知损害、转化型的遗忘型的轻度认知损害和阿尔兹海默病的四分类的区分识别。
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稳定型和转化型的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稳定型和转化型的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稳定型和转化型的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，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稳定型和转化型的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稳定型和转化型的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、在临床上确诊为稳定型和转化型的遗忘型轻度认知损害和在临床上确诊为阿尔兹海默病的四种情况进行四分类的分类方法，使用上述的针对上述的二维切片的对正常老年组、在临床上确诊为稳定型和转化型的遗忘型轻度认知损害和在临床上确诊为阿尔兹海默病的四种情况进行四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，直到对上述四分类的分类方法达到上述的四种情况的两两之间的判别的准确率达到80％以上，在上述四分类的分类方法达到上述的四种情况的两两之间的判别的准确率达到80％以上的情况下，将上述四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稳定型和转化型的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稳定型和转化型的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、在临床上确诊为稳定型和转化型的遗忘型轻度认知损害和在临床上确诊为阿尔兹海默病的四种情况进行四分类的分类方法，使用上述的针对上述的二维切片的对正常老年组、在临床上确诊为稳定型和转化型的遗忘型轻度认知损害和在临床上确诊为阿尔兹海默病的四种情况进行四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，直到对上述四分类的分类方法达到上述的四种情况的两两之间的判别的准确率达到80％以上，在上述四分类的分类方法达到上述的四种情况的两两之间的判别的准确率达到80％以上的情况下，将上述四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、在临床上确诊为稳定型和转化型的遗忘型轻度认知损害和在临床上确诊为阿尔兹海默病的四种情况进行四分类的分类方法，使用上述的针对上述的二维切片组的对正常老年组、在临床上确诊为稳定型和转化型的遗忘型轻度认知损害和在临床上确诊为阿尔兹海默病的四种情况进行四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，直到对上述四分类的分类方法达到上述的四种情况的两两之间的判别的准确率达到80％以上，在上述四分类的分类方法达到上述的四种情况的两两之间的判别的准确率达到80％以上的情况下，将上述四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、在临床上确诊为稳定型和转化型的遗忘型轻度认知损害和在临床上确诊为阿尔兹海默病的四种情况进行四分类的分类方法，使用上述的针对上述的二维切片组的对正常老年组、在临床上确诊为稳定型和转化型的遗忘型轻度认知损害和在临床上确诊为阿尔兹海默病的四种情况进行四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，直到对上述四分类的分类方法达到上述的四种情况的两两之间的判别的准确率达到80％以上，在上述四分类的分类方法达到上述的四种情况的两两之间的判别的准确率达到80％以上的情况下，将上述四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)，稳定型和转化型的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，
稳定型和转化型的遗忘型轻度认知损害(MCI)的数据中有稳定型和转化型的遗忘型轻度认知损害(MCI)的扫描的时间。
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
Figure BDA0001280103450000061
Figure BDA0001280103450000071
验证集的情况
Figure BDA0001280103450000072
测试集的情况
Figure BDA0001280103450000073
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稳定型和转化型的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稳定型和转化型的遗忘型轻度认知损害(MCI)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四维的向量，该四维向量的每一维的取值为0或1。举例来说，(1，0，0，0)代表正常老年组,(0，1，0，0)代表稳定型的遗忘型轻度认知损害，(0，0，1，0)代表转化型的遗忘型轻度认知损害，(0，0，0，1)代表阿尔兹海默病。对于受试者的标签，如果它有4个可能的取值(阿尔兹海默病，稳定型的遗忘型轻度认知损害，转化型的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4个二元特征。并且，这4个二元特征互斥，如果是阿尔兹海默病,就不是稳定型的遗忘型轻度认知损害，也不是转化型的遗忘型轻度认知损害，也不是正常老年组；如果是稳定型的遗忘型轻度认知损害，就不是阿尔兹海默病，也不是转化型的遗忘型轻度认知损害，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，也不是稳定型的遗忘型轻度认知损害，也不是转化型的遗忘型轻度认知损害。通过对受试者的标签实现独热编码，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、稳定型和转化型的遗忘型轻度认知损害和正常老年组的四种情况的概率，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、稳定型和转化型的遗忘型轻度认知损害和正常老年组的四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、在临床上确诊为稳定型和转化型的遗忘型轻度认知损害和在临床上确诊为阿尔兹海默病的四种情况进行四分类的分类方法，使用上述的针对上述的二维切片的对正常老年组、在临床上确诊为稳定型和转化型的遗忘型轻度认知损害和在临床上确诊为阿尔兹海默病的四种情况进行四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，直到对上述四分类的分类方法达到上述的四种情况的两两之间的判别的准确率达到80％以上，在上述四分类的分类方法达到上述的四种情况的两两之间的判别的准确率达到80％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)，稳定型和转化型的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
Figure BDA0001280103450000091
验证集的情况
Figure BDA0001280103450000092
测试集的情况
Figure BDA0001280103450000093
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稳定型和转化型的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稳定型和转化型的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四维的向量，该四维向量的每一维的取值为0或1。举例来说，(1，0，0，0)代表正常老年组,(0，1，0，0)代表稳定型的遗忘型轻度认知损害，(0，0，1，0)代表转化型的遗忘型轻度认知损害，(0，0，0，1)代表阿尔兹海默病。对于受试者的标签，如果它有4个可能的取值(阿尔兹海默病，稳定型的遗忘型轻度认知损害，转化型的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4个二元特征。并且，这4个二元特征互斥，如果是阿尔兹海默病,就不是稳定型的遗忘型轻度认知损害，也不是转化型的遗忘型轻度认知损害，也不是正常老年组；如果是稳定型的遗忘型轻度认知损害，就不是阿尔兹海默病，也不是转化型的遗忘型轻度认知损害，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，也不是稳定型的遗忘型轻度认知损害，也不是转化型的遗忘型轻度认知损害。通过对受试者的标签实现独热编码，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、稳定型和转化型的遗忘型轻度认知损害和正常老年组的四种情况的概率，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、稳定型和转化型的遗忘型轻度认知损害和正常老年组的四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、在临床上确诊为稳定型和转化型的遗忘型轻度认知损害和在临床上确诊为阿尔兹海默病的四种情况进行四分类的分类方法，使用上述的针对上述的二维切片的对正常老年组、在临床上确诊为稳定型和转化型的遗忘型轻度认知损害和在临床上确诊为阿尔兹海默病的四种情况进行四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，直到对上述四分类的分类方法达到上述的四种情况的两两之间的判别的准确率达到80％以上，在上述四分类的分类方法达到上述的四种情况的两两之间的判别的准确率达到80％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)，稳定型和转化型的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
Figure BDA0001280103450000121
验证集的情况
Figure BDA0001280103450000122
测试集的情况
Figure BDA0001280103450000123
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稳定型和转化型的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稳定型和转化型的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四维的向量，该四维向量的每一维的取值为0或1。举例来说，(1，0，0，0)代表正常老年组,(0，1，0，0)代表稳定型的遗忘型轻度认知损害，(0，0，1，0)代表转化型的遗忘型轻度认知损害，(0，0，0，1)代表阿尔兹海默病。对于受试者的标签，如果它有4个可能的取值(阿尔兹海默病，稳定型的遗忘型轻度认知损害，转化型的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4个二元特征。并且，这4个二元特征互斥，如果是阿尔兹海默病,就不是稳定型的遗忘型轻度认知损害，也不是转化型的遗忘型轻度认知损害，也不是正常老年组；如果是稳定型的遗忘型轻度认知损害，就不是阿尔兹海默病，也不是转化型的遗忘型轻度认知损害，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，也不是稳定型的遗忘型轻度认知损害，也不是转化型的遗忘型轻度认知损害。通过对受试者的标签实现独热编码，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、稳定型和转化型的遗忘型轻度认知损害和正常老年组的四种情况的概率，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、稳定型和转化型的遗忘型轻度认知损害和正常老年组的四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、在临床上确诊为稳定型和转化型的遗忘型轻度认知损害和在临床上确诊为阿尔兹海默病的四种情况进行四分类的分类方法，使用上述的针对上述的二维切片的对正常老年组、在临床上确诊为稳定型和转化型的遗忘型轻度认知损害和在临床上确诊为阿尔兹海默病的四种情况进行四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，直到对上述四分类的分类方法达到上述的四种情况的两两之间的判别的准确率达到80％以上，在上述四分类的分类方法达到上述的四种情况的两两之间的判别的准确率达到80％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)，稳定型和转化型的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
Figure BDA0001280103450000151
验证集的情况
Figure BDA0001280103450000152
测试集的情况
Figure BDA0001280103450000153
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稳定型和转化型的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稳定型和转化型的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四维的向量，该四维向量的每一维的取值为0或1。举例来说，(1，0，0，0)代表正常老年组,(0，1，0，0)代表稳定型的遗忘型轻度认知损害，(0，0，1，0)代表转化型的遗忘型轻度认知损害，(0，0，0，1)代表阿尔兹海默病。对于受试者的标签，如果它有4个可能的取值(阿尔兹海默病，稳定型的遗忘型轻度认知损害，转化型的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4个二元特征。并且，这4个二元特征互斥，如果是阿尔兹海默病,就不是稳定型的遗忘型轻度认知损害，也不是转化型的遗忘型轻度认知损害，也不是正常老年组；如果是稳定型的遗忘型轻度认知损害，就不是阿尔兹海默病，也不是转化型的遗忘型轻度认知损害，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，也不是稳定型的遗忘型轻度认知损害，也不是转化型的遗忘型轻度认知损害。通过对受试者的标签实现独热编码，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、稳定型和转化型的遗忘型轻度认知损害和正常老年组的四种情况的概率，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、稳定型和转化型的遗忘型轻度认知损害和正常老年组的四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、在临床上确诊为稳定型和转化型的遗忘型轻度认知损害和在临床上确诊为阿尔兹海默病的四种情况进行四分类的分类方法，使用上述的针对上述的二维切片的对正常老年组、在临床上确诊为稳定型和转化型的遗忘型轻度认知损害和在临床上确诊为阿尔兹海默病的四种情况进行四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，直到对上述四分类的分类方法达到上述的四种情况的两两之间的判别的准确率达到80％以上，在上述四分类的分类方法达到上述的四种情况的两两之间的判别的准确率达到80％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)，稳定型和转化型的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
Figure BDA0001280103450000181
验证集的情况
Figure BDA0001280103450000182
测试集的情况
Figure BDA0001280103450000183
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稳定型和转化型的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稳定型和转化型的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四维的向量，该四维向量的每一维的取值为0或1。举例来说，(1，0，0，0)代表正常老年组,(0，1，0，0)代表稳定型的遗忘型轻度认知损害，(0，0，1，0)代表转化型的遗忘型轻度认知损害，(0，0，0，1)代表阿尔兹海默病。对于受试者的标签，如果它有4个可能的取值(阿尔兹海默病，稳定型的遗忘型轻度认知损害，转化型的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4个二元特征。并且，这4个二元特征互斥，如果是阿尔兹海默病,就不是稳定型的遗忘型轻度认知损害，也不是转化型的遗忘型轻度认知损害，也不是正常老年组；如果是稳定型的遗忘型轻度认知损害，就不是阿尔兹海默病，也不是转化型的遗忘型轻度认知损害，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，也不是稳定型的遗忘型轻度认知损害，也不是转化型的遗忘型轻度认知损害。通过对受试者的标签实现独热编码，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、稳定型和转化型的遗忘型轻度认知损害和正常老年组的四种情况的概率，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、稳定型和转化型的遗忘型轻度认知损害和正常老年组的四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、在临床上确诊为稳定型和转化型的遗忘型轻度认知损害和在临床上确诊为阿尔兹海默病的四种情况进行四分类的分类方法，使用上述的针对上述的二维切片的对正常老年组、在临床上确诊为稳定型和转化型的遗忘型轻度认知损害和在临床上确诊为阿尔兹海默病的四种情况进行四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，直到对上述四分类的分类方法达到上述的四种情况的两两之间的判别的准确率达到80％以上，在上述四分类的分类方法达到上述的四种情况的两两之间的判别的准确率达到80％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)，稳定型和转化型的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稳定型和转化型的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稳定型和转化型的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四维的向量，该四维向量的每一维的取值为0或1。举例来说，(1，0，0，0)代表正常老年组,(0，1，0，0)代表稳定型的遗忘型轻度认知损害，(0，0，1，0)代表转化型的遗忘型轻度认知损害，(0，0，0，1)代表阿尔兹海默病。对于受试者的标签，如果它有4个可能的取值(阿尔兹海默病，稳定型的遗忘型轻度认知损害，转化型的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4个二元特征。并且，这4个二元特征互斥，如果是阿尔兹海默病,就不是稳定型的遗忘型轻度认知损害，也不是转化型的遗忘型轻度认知损害，也不是正常老年组；如果是稳定型的遗忘型轻度认知损害，就不是阿尔兹海默病，也不是转化型的遗忘型轻度认知损害，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，也不是稳定型的遗忘型轻度认知损害，也不是转化型的遗忘型轻度认知损害。通过对受试者的标签实现独热编码，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、稳定型和转化型的遗忘型轻度认知损害和正常老年组的四种情况的概率，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、稳定型和转化型的遗忘型轻度认知损害和正常老年组的四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、在临床上确诊为稳定型和转化型的遗忘型轻度认知损害和在临床上确诊为阿尔兹海默病的四种情况进行四分类的分类方法，使用上述的针对上述的二维切片的对正常老年组、在临床上确诊为稳定型和转化型的遗忘型轻度认知损害和在临床上确诊为阿尔兹海默病的四种情况进行四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，直到对上述四分类的分类方法达到上述的四种情况的两两之间的判别的准确率达到80％以上，在上述四分类的分类方法达到上述的四种情况的两两之间的判别的准确率达到80％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)，稳定型和转化型的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
Figure BDA0001280103450000231
验证集的情况
Figure BDA0001280103450000232
测试集的情况
Figure BDA0001280103450000233
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稳定型和转化型的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稳定型和转化型的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四维的向量，该四维向量的每一维的取值为0或1。举例来说，(1，0，0，0)代表正常老年组,(0，1，0，0)代表稳定型的遗忘型轻度认知损害，(0，0，1，0)代表转化型的遗忘型轻度认知损害，(0，0，0，1)代表阿尔兹海默病。对于受试者的标签，如果它有4个可能的取值(阿尔兹海默病，稳定型的遗忘型轻度认知损害，转化型的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4个二元特征。并且，这4个二元特征互斥，如果是阿尔兹海默病,就不是稳定型的遗忘型轻度认知损害，也不是转化型的遗忘型轻度认知损害，也不是正常老年组；如果是稳定型的遗忘型轻度认知损害，就不是阿尔兹海默病，也不是转化型的遗忘型轻度认知损害，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，也不是稳定型的遗忘型轻度认知损害，也不是转化型的遗忘型轻度认知损害。通过对受试者的标签实现独热编码，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、在临床上确诊为稳定型和转化型的遗忘型轻度认知损害和在临床上确诊为阿尔兹海默病的四种情况进行四分类的分类方法，使用上述的针对上述的二维切片组的对正常老年组、在临床上确诊为稳定型和转化型的遗忘型轻度认知损害和在临床上确诊为阿尔兹海默病的四种情况进行四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，直到对上述四分类的分类方法达到上述的四种情况的两两之间的判别的准确率达到80％以上，在上述四分类的分类方法达到上述的四种情况的两两之间的判别的准确率达到80％以上的情况下，将上述四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、稳定型和转化型的遗忘型轻度认知损害和正常老年组的四种情况的概率，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、稳定型和转化型的遗忘型轻度认知损害和正常老年组的四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、在临床上确诊为稳定型和转化型的遗忘型轻度认知损害和在临床上确诊为阿尔兹海默病的四种情况进行四分类的分类方法，使用上述的针对上述的二维切片组的对正常老年组、在临床上确诊为稳定型和转化型的遗忘型轻度认知损害和在临床上确诊为阿尔兹海默病的四种情况进行四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，直到对上述四分类的分类方法达到上述的四种情况的两两之间的判别的准确率达到80％以上，在上述四分类的分类方法达到上述的四种情况的两两之间的判别的准确率达到80％以上的情况下，可以为临床诊断提供参考意见。

Claims (1)

1.一种智能化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、稳定型的遗忘型轻度认知损害、转化型的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、稳定型的遗忘型轻度认知损害、转化型的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、稳定型的遗忘型轻度认知损害、转化型的遗忘型轻度认知损害和阿尔兹海默病的四分类的区分识别；
构建人工智能的深度学习的卷积神经网络是指：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稳定型的遗忘型轻度认知损害、转化型的遗忘型轻度认知损害的受试者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稳定型的遗忘型轻度认知损害、转化型的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稳定型的遗忘型轻度认知损害、转化型的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，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深度学习的计算机辅助识别是指：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稳定型的遗忘型轻度认知损害、转化型的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稳定型的遗忘型轻度认知损害、转化型的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、在临床上确诊为稳定型的遗忘型轻度认知损害、转化型的遗忘型轻度认知损害和在临床上确诊为阿尔兹海默病的四种情况进行四分类的分类识别，使用上述的针对上述的二维切片的对正常老年组、在临床上确诊为稳定型的遗忘型轻度认知损害、转化型的遗忘型轻度认知损害和在临床上确诊为阿尔兹海默病的四种情况进行四分类的分类识别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；
基于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稳定型的遗忘型轻度认知损害、转化型的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稳定型的遗忘型轻度认知损害、转化型的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、在临床上确诊为稳定型的遗忘型轻度认知损害、转化型的遗忘型轻度认知损害和在临床上确诊为阿尔兹海默病的四种情况进行四分类的分类识别，使用上述的针对上述的二维切片的对正常老年组、在临床上确诊为稳定型的遗忘型轻度认知损害、转化型的遗忘型轻度认知损害和在临床上确诊为阿尔兹海默病的四种情况进行四分类的分类识别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；
基于全脑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、在临床上确诊为稳定型的遗忘型轻度认知损害、转化型的遗忘型轻度认知损害和在临床上确诊为阿尔兹海默病的四种情况进行四分类的分类识别，使用上述的针对上述的二维切片组的对正常老年组、在临床上确诊为稳定型的遗忘型轻度认知损害、转化型的遗忘型轻度认知损害和在临床上确诊为阿尔兹海默病的四种情况进行四分类的分类识别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；
基于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、在临床上确诊为稳定型的遗忘型轻度认知损害、转化型的遗忘型轻度认知损害和在临床上确诊为阿尔兹海默病的四种情况进行四分类的分类识别，使用上述的针对上述的二维切片组的对正常老年组、在临床上确诊为稳定型的遗忘型轻度认知损害、转化型的遗忘型轻度认知损害和在临床上确诊为阿尔兹海默病的四种情况进行四分类的分类识别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。
CN201710284684.6A 2017-04-26 2017-04-26 一种智能化的医学图像处理装置与方法 Active CN107169955B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710284684.6A CN107169955B (zh) 2017-04-26 2017-04-26 一种智能化的医学图像处理装置与方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710284684.6A CN107169955B (zh) 2017-04-26 2017-04-26 一种智能化的医学图像处理装置与方法

Publications (2)

Publication Number Publication Date
CN107169955A CN107169955A (zh) 2017-09-15
CN107169955B true CN107169955B (zh) 2021-11-12

Family

ID=59813927

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710284684.6A Active CN107169955B (zh) 2017-04-26 2017-04-26 一种智能化的医学图像处理装置与方法

Country Status (1)

Country Link
CN (1) CN107169955B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108806793A (zh) * 2018-04-17 2018-11-13 平安科技（深圳）有限公司 病变监测方法、装置、计算机设备和存储介质
CN109589092B (zh) * 2018-10-08 2021-06-08 潘丹 基于集成学习的阿尔茨海默症确定方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
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

Patent Citations (3)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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
CN107169955A (zh) 2017-09-15

Similar Documents

Publication Publication Date Title
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
CN107145727B (zh) 一种利用卷积神经网络的医学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
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. Convolution neural network–based Alzheimer's disease classification using hybrid enhanced independent component analysis based segmented gray matter of T2 weighted magnetic resonance imaging with clinical valuation
Basheera et al. A novel CNN based Alzheimer’s disease classification using hybrid enhanced ICA segmented gray matter of MRI
Gupta et al. Natural image bases to represent neuroimaging data
Choi et al. Convolutional neural network-based MR image analysis for Alzheimer’s disease classification
Gao et al. A deep learning based approach to classification of CT brain images
Nigri et al. Explainable deep CNNs for MRI-based diagnosis of Alzheimer’s disease
CN104881680A (zh) 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
CN115393269A (zh) 一种基于多模态影像数据的可扩展多层级图神经网络模型
Abdullah et al. Multi-sectional views textural based SVM for MS lesion segmentation in multi-channels MRIs
CN114600155A (zh) 用于细胞检测和分割的弱监督多任务学习
Alkabawi et al. Computer-aided classification of multi-types of dementia via convolutional neural networks
Sadeghibakhi et al. Multiple sclerosis lesions segmentation using attention-based CNNs in FLAIR images
CN107169955B (zh) 一种智能化的医学图像处理装置与方法
Alagarsamy et al. Identification of Brain Tumor using Deep Learning Neural Networks
Rele et al. Machine Learning based Brain Tumor Detection using Transfer Learning
CN107590806B (zh) 一种基于大脑医学成像的检测方法和系统
CN110930349A (zh) 一种利用卷积神经网络的医学图像处理装置与方法
Khavalko et al. Classification and Recognition of Medical Images Based on the SGTM Neuroparadigm.
CN112949728B (zh) 基于切片图像筛选和特征聚合的mri图像分类方法
KR102373992B1 (ko) 질감 특징을 이용한 알츠하이머 병 분류 방법 및 장치

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