CN109871838B - 基于级联深度网络的阿尔茨海默症病灶脑区的提取方法 - Google Patents
基于级联深度网络的阿尔茨海默症病灶脑区的提取方法 Download PDFInfo
- Publication number
- CN109871838B CN109871838B CN201910312762.8A CN201910312762A CN109871838B CN 109871838 B CN109871838 B CN 109871838B CN 201910312762 A CN201910312762 A CN 201910312762A CN 109871838 B CN109871838 B CN 109871838B
- Authority
- CN
- China
- Prior art keywords
- network
- brain
- dimensional
- cascade deep
- voxel
- 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
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于级联深度网络的阿尔茨海默症病灶脑区的提取方法,其包括将三维Unet网络和三维CNN反馈网络级联成一个级联深度网络;输入采用正常人的核磁共振脑部图像与患者的核磁共振脑部图像作为的训练样本对级联深度网络进行训练;获取患者的核磁共振脑部图像,并将其输入已训练的级联深度网络;三维Unet网络提取核磁共振脑部图像中的脑部逐体素概率初图谱,并将其输入三维CNN反馈网络;以及三维CNN反馈网络对脑部逐体素概率初图谱进行分类,并反馈修正脑部逐体素概率初图谱,使得输出校正后概率大于设定阈值的逐体素图谱作为患者脑部的病灶脑区。
Description
技术领域
本发明涉及脑部图像提取方法,具体涉及一种基于级联深度网络的阿尔茨海默症病灶脑区的提取方法。
背景技术
阿尔茨海默病(AD)是一种起病隐匿的进行性发展的神经系统退行性疾病。临床上以记忆障碍、失语、失用、失认、视空间技能损害、执行功能障碍以及人格和行为改变等全面性痴呆表现为特征,病因迄今未明。65岁以前发病者,称早老性痴呆;65岁以后发病者称老年性痴呆。该病起病缓慢或隐匿,病人及家人常说不清何时起病。多见于70岁以上(男性平均73岁,女性为75岁)老人,少数病人在躯体疾病、骨折或精神受到刺激后症状迅速明朗化。女性较男性多(女∶男为3∶1)。主要表现为认知功能下降、精神症状和行为障碍、日常生活能力的逐渐下降。
目前针对阿尔茨海默病,医生通过患者的痴呆表现只能确定患者得了相应的病,但是通过其外在表现并不知道诱发患者发病的病因,因此医生没办法出具最佳的医疗方案对其病进行控制。现有存在部分研究表明患有阿尔茨海默病的患者,其脑部区域的海马、内嗅皮质和/杏仁核体积缩小会缩小,对此部分医学研究者以尝试通过这个几个区域去寻找诱发阿尔茨海默病的病因。
由于脑部组织较为复杂,加之每位患者患病后,其脑部区域变化变化并不都一样,有的只是其中一块区域体积会变化,有的是两块区域,使得每位患者脑部区域变换并不完全一样,使得医学研究者在进行研究时难以准确从每张脑部图像中准确定位脑部图像中的相应区域,并准确地将其从脑部组织中提取出来,使得医学研究者在寻找病因时出现多种干扰因素,影响试验的顺利进行。
发明内容
针对现有技术中的上述不足,本发明提供了一种基于级联深度网络的阿尔茨海默症病灶脑区的提取方法,其通过级联深度网络能够准确地提取每张核磁共振图像中的病灶脑区。
为了达到上述发明目的,本发明采用的技术方案为:
提供一种基于级联深度网络的阿尔茨海默症病灶脑区的提取方法,其包括:
将三维Unet网络和三维CNN反馈网络级联成一个级联深度网络;
输入采用正常人的核磁共振脑部图像与患者的核磁共振脑部图像作为的训练样本对级联深度网络进行训练;
获取患者的核磁共振脑部图像,并将其输入已训练的级联深度网络;
三维Unet网络提取核磁共振脑部图像中的脑部逐体素概率初图谱,并将其输入三维CNN反馈网络;以及
三维CNN反馈网络对脑部逐体素概率初图谱进行分类,反向校正逐体素概率初图谱,并输出校正后概率大于设定阈值的逐体素图谱作为患者脑部的病灶脑区。
进一步地,采用损失函数将三维Unet网络和三维CNN反馈网络级联成一个级联深度网络,所述损失函数为:
其中,W1为三维Unet网络的参数,W2为三维CNN反馈网络的参数,x为输入到三维Unet的结构MR图像,y为三维Unet网络的输出;pl(x)为体素x为病灶的概率;||||2为二范数。
进一步地,采用梯度下降法对级联深度网络进行训练。
进一步地,在对级联深度网络进行训练时,三维Unet网络的输出作为三维CNN反馈网络的输入,通过三维CNN反馈网络的二分类训练反向校正三维Unet网络输出的脑部逐体素概率初图。
进一步地,所述设定阈值为0.7。
本发明的有益效果为:本方案将三维Unet网络和三维CNN反馈网络进行整合后,能够在训练时采用三维CNN反馈网络反向控制修正三维Unet网络输出的脑部逐体素概率初图谱,使得在后续患者脑图图像识别时,能够对脑部逐体素概率初图谱进行准确分类,并准确输出满足条件的校正后的逐体素图谱作为病灶脑区,以保证阿尔茨海默症患者脑部病灶脑区提取的准确性。
附图说明
图1为基于级联深度网络的阿尔茨海默症病灶脑区的提取方法的流程图。
图2为级联深度网络的架构图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
参考图1,图1示出了基于级联深度网络的阿尔茨海默症病灶脑区的提取方法的流程图;如图1所示,该方法包括步骤101至步骤105。
在步骤101中,将三维Unet网络和三维CNN反馈网络级联成一个级联深度网络。
实施时,本方案优选采用损失函数将三维Unet网络和三维CNN反馈网络级联成一个级联深度网络,所述损失函数为:
其中,W1为三维Unet网络的参数,W2为三维CNN反馈网络的参数,x为输入到三维Unet的结构MR图像,y为三维Unet网络的输出;pl(x)为体素x为病灶的概率;||||2为二范数。
本方案提供的损失函数通过对两个网络的损失函数相加且对两个网络的参数参数进行正则化限制,从而实现两个网络迭代趋于最优解。
如图2所示,三维Unet网络可以分为三个部分:
第一部分下采样层,其分别是图2中的第一层到第四层,每个下采样层包含重复的3*3*3的卷积核,之后第四层、Relu的非线性层和步长为2的最大池化层依次连接,每次下采样后特征图变为原来的一半,但是在卷积部分,特征通道数则再增加一倍。
第二部分上采样层,其分别是图2中的第五层到第七层,其中的第一层到第七层、第二层到第六次及第三层到第五层采用反卷积实现;每个上采样层包含重复的2*2*2的卷积核,并减半特征通道数目,并依次与下采样第一层到第三层中的contracting path和最大池化层的特征图直接结合成一个新的特征,第五层到第七层通过逐层上采样,获得与原始脑图像尺寸一致的特征图,最终获得64个三维特征。
第三部分是脑部逐体素概率初图谱获得过程:将这64个feature map输入到1×1×1卷积层,再通过最后的softmax层,从而获得与结构核磁共振图像维数一致的阿尔茨海默症脑部逐体素概率初图谱。
三维CNN反馈网络包含以下两个部分:
第一部分下采样,下采样过程包含重复的3*3*3的卷积核,紧接着一个Relu和步长为2的max pool以实现下采样,每次下采样后feature map变为原来的一半,但是在卷积部分,feature channel则再增加一倍;
第二部分将feature map输入到1×1×1卷积层,再通过最后的softmax层,实现脑部逐体素概率初图谱分类,并输出概率满足条件的脑部区域。
在步骤102中,输入采用正常人的核磁共振脑部图像与患者的核磁共振脑部图像作为的训练样本对级联深度网络进行训练;
在本发明的一个实施例中,采用梯度下降法对级联深度网络进行训练;具体地,在对级联深度网络进行训练时,三维Unet网络的输出作为三维CNN反馈网络的输入,通过三维CNN反馈网络的二分类训练反向校正三维Unet网络输出的脑部逐体素概率初图。
在步骤103中,获取患者的核磁共振脑部图像,并将其输入已训练的级联深度网络;
在步骤104中,三维Unet网络提取核磁共振脑部图像中的脑部逐体素概率初图谱,并将其输入三维CNN反馈网络;以及
在步骤105中,三维CNN反馈网络对脑部逐体素概率初图谱进行分类和反向校正,并输出校正后概率大于设定阈值的逐体素图谱作为患者脑部的病灶脑区。其中,设定阈值为0.7。
本方案通过损失函数能够实现三维Unet网络和三维CNN反馈网络的级联,之后再对级联深度网络进行训练,以通过三维CNN反馈网络反向控制修正三维Unet网络输出的脑部逐体素概率初图谱,通过该种方式以保证后续患者脑部病灶脑区提取的准确性;
另外,由于本方案提取的区域更准确后,医学研究者在寻找阿尔茨海默症患病病因时,只需要对提取出的病灶脑区进行分析,不需要对每张脑部核磁共振图像中的海马、内嗅皮质和杏仁核区域进行分析,针对性更强,同时还可以节省医学研究者研究无价值区域的大部分时间。
Claims (4)
1.基于级联深度网络的阿尔茨海默症病灶脑区的提取方法,其特征在于,包括:
将三维Unet网络和三维CNN反馈网络级联成一个级联深度网络;
输入采用正常人的核磁共振脑部图像与患者的核磁共振脑部图像作为的训练样本对级联深度网络进行训练;
获取患者的核磁共振脑部图像,并将其输入已训练的级联深度网络;
三维Unet网络提取核磁共振脑部图像中的脑部逐体素概率初图谱,并将其输入三维CNN反馈网络;以及
三维CNN反馈网络对脑部逐体素概率初图谱进行分类,并反馈修正脑部逐体素概率初图谱,使得输出校正后概率大于设定阈值的逐体素图谱作为患者脑部的病灶脑区;
采用损失函数将三维Unet网络和三维CNN反馈网络级联成一个级联深度网络,所述损失函数为:
其中,W1为三维Unet网络的参数,W2为三维CNN反馈网络的参数,x为输入到三维Unet的结构MR图像,y为三维Unet网络的输出;pl(x)为体素x为病灶的概率;|| ||2为二范数。
2.根据权利要求1所述的基于级联深度网络的阿尔茨海默症病灶脑区的提取方法,其特征在于,采用梯度下降法对级联深度网络进行训练。
3.根据权利要求2所述的基于级联深度网络的阿尔茨海默症病灶脑区的提取方法,其特征在于,在对级联深度网络进行训练时,三维Unet网络的输出作为三维CNN反馈网络的输入,通过三维CNN反馈网络的二分类训练反向校正三维Unet网络输出的脑部逐体素概率初图。
4.根据权利要求1-3任一所述的基于级联深度网络的阿尔茨海默症病灶脑区的提取方法,其特征在于,所述设定阈值为0.7。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910312762.8A CN109871838B (zh) | 2019-04-18 | 2019-04-18 | 基于级联深度网络的阿尔茨海默症病灶脑区的提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910312762.8A CN109871838B (zh) | 2019-04-18 | 2019-04-18 | 基于级联深度网络的阿尔茨海默症病灶脑区的提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109871838A CN109871838A (zh) | 2019-06-11 |
CN109871838B true CN109871838B (zh) | 2019-11-05 |
Family
ID=66922768
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910312762.8A Active CN109871838B (zh) | 2019-04-18 | 2019-04-18 | 基于级联深度网络的阿尔茨海默症病灶脑区的提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109871838B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113379735B (zh) * | 2021-07-09 | 2023-05-12 | 中山大学 | 一种ct结肠影像内容物的标注方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108376558A (zh) * | 2018-01-24 | 2018-08-07 | 复旦大学 | 一种多模态核磁共振影像病历报告自动生成方法 |
CN108682009A (zh) * | 2018-05-08 | 2018-10-19 | 深圳市铱硙医疗科技有限公司 | 一种阿尔茨海默症预测方法、装置、设备及介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108389201B (zh) * | 2018-03-16 | 2020-06-30 | 北京推想科技有限公司 | 基于3d卷积神经网络与深度学习的肺结节良恶性分类方法 |
CN108460783B (zh) * | 2018-05-09 | 2019-03-12 | 电子科技大学 | 一种脑部核磁共振图像组织分割方法 |
CN109447120A (zh) * | 2018-09-26 | 2019-03-08 | 佛山市幻云科技有限公司 | 一种图像自动分割的方法、装置及计算机可读存储介质 |
-
2019
- 2019-04-18 CN CN201910312762.8A patent/CN109871838B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108376558A (zh) * | 2018-01-24 | 2018-08-07 | 复旦大学 | 一种多模态核磁共振影像病历报告自动生成方法 |
CN108682009A (zh) * | 2018-05-08 | 2018-10-19 | 深圳市铱硙医疗科技有限公司 | 一种阿尔茨海默症预测方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109871838A (zh) | 2019-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | A fast medical image super resolution method based on deep learning network | |
Zhang et al. | A 3D densely connected convolution neural network with connection-wise attention mechanism for Alzheimer's disease classification | |
CN112132833B (zh) | 一种基于深度卷积神经网络的皮肤病图像病灶分割方法 | |
CN109410219A (zh) | 一种基于金字塔融合学习的图像分割方法、装置和计算机可读存储介质 | |
CN106296699A (zh) | 基于深度神经网络和多模态mri图像的脑肿瘤分割方法 | |
CN109871838B (zh) | 基于级联深度网络的阿尔茨海默症病灶脑区的提取方法 | |
CN110148145B (zh) | 一种融合边界信息的图像目标区提取方法及应用 | |
CN108053398A (zh) | 一种半监督特征学习的黑色素瘤自动检测方法 | |
CN113870289B (zh) | 一种解耦分治的面神经分割方法和装置 | |
Sheng et al. | Second-order ResU-Net for automatic MRI brain tumor segmentation | |
Tian et al. | Hierarchical organization of the human subcortex unveiled with functional connectivity gradients | |
CN107993194A (zh) | 一种基于平稳小波变换的超分辨率重建方法 | |
CN114266939B (zh) | 一种基于ResTLU-Net模型的脑提取方法 | |
CN111080575A (zh) | 一种基于残差密集u形网络模型的丘脑分割方法 | |
CN108877923A (zh) | 一种基于深度学习的舌苔生成中药处方的方法 | |
Yonekura et al. | Improving the generalization of disease stage classification with deep CNN for glioma histopathological images | |
Dabass et al. | Five-grade cancer classification of colon histology images via deep learning | |
CN115311184A (zh) | 基于半监督深度神经网络的遥感图像融合方法及系统 | |
CN116912253B (zh) | 基于多尺度混合神经网络的肺癌病理图像分类方法 | |
Dong et al. | Supervised learning-based retinal vascular segmentation by m-unet full convolutional neural network | |
CN116309629A (zh) | 一种基于门控轴向自注意力双编码卷积神经网络的视网膜血管分割方法 | |
CN112669327B (zh) | 磁共振图像分割系统及其分割方法 | |
Zhao et al. | Multi-scale residual fusion network for super-resolution reconstruction of single image | |
Sun et al. | Brain tumor segmentation based on AMRUNet++ neural network | |
He et al. | A deep fully residual convolutional neural network for segmentation in EM images |
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 |