CN111402198A - 基于解剖地标和残差网络的阿尔兹海默症分类方法及系统 - Google Patents
基于解剖地标和残差网络的阿尔兹海默症分类方法及系统 Download PDFInfo
- Publication number
- CN111402198A CN111402198A CN202010087745.1A CN202010087745A CN111402198A CN 111402198 A CN111402198 A CN 111402198A CN 202010087745 A CN202010087745 A CN 202010087745A CN 111402198 A CN111402198 A CN 111402198A
- Authority
- CN
- China
- Prior art keywords
- residual error
- gray matter
- alzheimer
- image
- disease
- 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
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
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本公开公开了一种基于解剖地标和残差网络的阿尔兹海默症分类方法及系统,包括对训练图像集进行组织分割调制后,获取灰质图像;将训练图像集中的患阿尔兹海默症图像和正常受试者图像的体素进行比较识别解剖地标;以获得的解剖地标为中心,提取灰质图像的灰质特征块;将灰质特征块进行连接,将得到的合成块输入到残差网络模型进行特征提取,将残差网络模型提取的特征作为分类器的输入,对测试图像集的阿尔兹海默症患者和正常受试者进行分类。以解剖地标为中心,采用大脑三种组织中的灰质的特征块作为残差网络的输入,采用特征块作为每个MR图像的特征表达,采用残差网络模型加强网络学习特征的能力,增强分类的准确性。
Description
技术领域
本公开涉及人工智能与医学图像技术领域,特别是涉及一种基于解剖地标和残差网络的阿尔兹海默症分类方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
核磁共振图像(MRI)能清晰的显示大脑的灰质、白质,并敏感的显示大脑结构的变化。在疾病的早期阶段可能没有明显的临床症状,但一定会在某些相关脑区发生退行性的病变。因此,MRI现已成为各种神经疾病诊断中不可或缺的辅助系统。
目前,基于MRI图像的阿尔兹海默症(Alzheimer's disease,AD)诊断主要分为三种:
(1)基于感兴趣区域(ROIs)的方法。基于ROI的方法需要对感兴趣区域的进行先验假设,依靠每个脑区的总的变化来进行诊断。
(2)基于体素的方法。基于体素的形态测量学(VBM)可以定量的分析出大脑的微小病变,并且广泛应用于临床脑结构损伤的研究之中。
(3)基于块的方法。这种方法的主要思想是只选取显著性差异比较高或者信息量大的部分中的特征,将这部分特征以块的形式提取出来作为特征表示,以此来降低特征的维数。因此,基于块的方法既可以考虑到脑组织的细微变化,又可以降低特征维数,避免过拟合的挑战。基于块的方法中最常见的一种基于地标的特征提取方法,这种方法主要分为三个主要阶段。在第一个阶段,通过空间配准,使MR图像进行归一化,以便进行不同被试个体的分析比较;第二个阶段通过比较训练集两组被试之间体素的形态特征对具有辨别力的解剖地标进行识别;第三个阶段,以获得的地标为中心,提取块作为图像的特征表示。
另外,基于地标的深度学习框架能自动从MRI中提取基于块的特征表示,进行阿尔茨海默病的自动诊断。这种方法首先选取L个地标,使每个CNN模型对应于一个特定的地标,训练L个CNN模型。判断出每个被试主体中L个块各自的分类情况,每个MR图像会得到L个结果,然后采用多数投票法来对每个样本进行分类,即在L个分类结果中哪种分类结果数量多,则将这个被试分类为哪种结果。
但是,发明人发现现有技术中至少存在以下问题:基于感兴趣区域(ROIs)的方法依靠的是每个脑区的总的变化来进行诊断,并没有考虑到它们细微的变化;基于体素的方法产生的特征的维数非常高,分类时花费的时间成本也会比较大并且常常会受到过度拟合的挑战;基于地标的深度学习方法将每一个基于地标的块进行独立的训练,当块的分类结果相差较大的时候,分类准确率不高的块会影响最终的诊断结果。
发明内容
为了解决上述问题,本公开提出了一种基于解剖地标和残差网络的阿尔兹海默症分类方法及系统,以解剖地标为中心,采用大脑三种组织中的灰质的特征块作为残差网络的输入,采用特征块作为每个MR图像的特征表达,采用残差网络模型加强网络学习特征的能力,增强分类的准确性。
为了实现上述目的,本公开采用如下技术方案:
第一方面,本公开提供一种基于解剖地标和残差网络的阿尔兹海默症分类方法,包括:
对训练图像集进行组织分割调制后,获取灰质图像;
将训练图像集中的患阿尔兹海默症图像和正常受试者图像的体素进行双样本t检验,预设显著水平阈值识别解剖地标;
以获得的解剖地标为中心,提取灰质图像的灰质特征块;
将灰质特征块进行连接,将得到的合成块输入到残差网络模型进行特征提取,将残差网络模型提取的特征作为分类器的输入,对测试图像集的阿尔兹海默症患者和正常受试者进行分类。
第二方面,本公开提供一种基于解剖地标和残差网络的阿尔兹海默症分类系统,包括:
预处理模块,被配置为对训练图像集进行组织分割调制后,获取灰质图像;
解剖地标获取模块,被配置为将训练图像集中的患阿尔兹海默症图像和正常受试者图像的体素进行双样本t检验,预设显著水平阈值识别解剖地标;
灰质特征提取模块,被配置为以获得的解剖地标为中心,提取灰质图像的灰质特征块;
训练与分类模块,被配置为将灰质特征块进行连接,将得到的合成块输入到残差网络模型进行特征提取,将残差网络模型提取的特征作为分类器的输入,对测试图像集的阿尔兹海默症患者和正常受试者进行分类。
第三方面,本公开提供一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成一种基于解剖地标和残差网络的阿尔兹海默症分类方法所述的步骤。
第四方面,本公开提供一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成一种基于解剖地标和残差网络的阿尔兹海默症分类方法所述的步骤。
与现有技术相比,本公开的有益效果为:
本公开采用基于解剖地标和残差网络对阿尔兹海默症进行诊断,相对于传统的基于感兴趣区域的方法,可以降低对先验知识的要求;与基于体素的方法相比,避免了过拟合的风险,降低了特征的维数和分类的时间成本,使模型更容易训练。
本公开中获得具有辨别力的解剖地标可以凸显出病变脑区,用于疾病的临床分析;采用残差网络提高了疾病诊断的准确率,缓解了网络退化问题,可以更加有效的辅助医生进行疾病早期精确的临床诊断。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。
图1为本公开实施例1提供的一种基于解剖地标和残差网络的阿尔兹海默症分类方法流程图;
图2为本公开实施例1提供的残差网络模型结构示意图;
图3为本公开实施例1提供的方法与其他算法的比较结果示意图。
具体实施方式:
下面结合附图与实施例对本公开做进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例1
如图1所示,本实施例提供一种基于解剖地标和残差网络的阿尔兹海默症分类方法,包括:
步骤一、对训练图像集进行组织分割调制后,获取灰质图像;
步骤二、将训练图像集中的患阿尔兹海默症图像和正常受试者图像的体素进行双样本t检验,预设显著水平阈值识别解剖地标;
步骤三、以获得的解剖地标为中心,提取灰质图像的灰质特征块;
步骤四、将灰质特征块进行连接,将得到的合成块输入到残差网络模型进行特征提取,将残差网络模型提取的特征作为分类器的输入,对测试图像集的阿尔兹海默症患者和正常受试者进行分类。
所述步骤一中:(1)获取公共数据集中的MR图像。本实施例采用3个公共数据集的数据,包括“阿尔茨海默症神经影像学计划”(Alzheimer’s Disease NeuroimagingInitiative,ADNI)数据库中的ADNI-1和ADNI-2数据集、MIRIAD数据集。ADNI-1数据集为训练集,ADNI-2数据集和MIRIAD数据集分别为独立的测试集。
本实施例中,在基线ADNI-1数据集中采用1.5T T1加权结构MRI数据,包括194个AD和226个NC;基线ADNI-2数据集采用了具有3T T1加权结构MRI数据,包括151个AD和193个NC受试者。为了保证训练集和测试集之间的独立性,将ADNI-2和ADNI-1两个数据集中相同的主体,在ADNI-2中删除。MIRIAD数据集中含有46个AD和23个NC共69张图像。
(2)图像预处理阶段:所有T1数据采用cat12工具箱进行严格的图像预处理流程如下:
A1:标椎化。将图像大小进行标准化,本实施例中优先将图像标准化到大小为121*145*121的MNI空间,有助于图像从个体空间的对齐到标准空间,使不同被试者之间可以进行比较。
标准化采用仿射变换和非线性变换两种方法。仿射变换是实现MR图像的全局几何变换的一种线性映射方法,该方法以相同的方式应用于图像的所有部分;非线性变换是进行局部的非线性形变,具体来说通过允许以不同方式调整原始图像的不同部分进行局部的任意变换,以便实现图像之间的更精细的配准。
A2:分割。将所有的被试个体的标椎化后的MR图像分割为白质(WM)、灰质(GM)和脑脊液(CSF),三个组织在大脑中有着不同的功能,在受到AD影响后也有不同的形态学的改变。
A3:调制。将分割的灰质图像进行调制,对非线性配准后的灰质组织的体积进行补偿,不但保证了被试数据在空间上的一致性可以比较,而且也保证了个体灰质的差异性。
其中,调制方法为将每个体素与标椎化过程中得到的变形场的雅克比行列式相乘。
所述步骤二中:将标椎化后的T1图像分为AD和NC两组采用SPM12
(Statistical Parametric Mapping 12)工具箱进行双样本t检验,具体过程如下:
1)建立广义线性统计模型,本实施例对每一个体素建立相同的双样本t检验统计模型。
2)对统计模型的参数进行估计,计算出每个体素的T统计量,生成统计参数映射图。
3)定义对比,在一定显著水平下,进行统计检验得到分析结果。
由于在多个体素上同时进行检验,若采用单检验阈值,体素出现误判的可能性会非常高,所以需要进行多重比较校正。FWE(Family Wise Error)校正方法将单次检验情况下的p值除以整个实验的比较次数,得到一个新的p值来判断结果的显著性。本实施例采用显著水平p<0.05(FWE校正),即T>5.29,差异脑区大于30个体素的区域被认定为具有统计意义,报告全脑组织形态学异常。最后,统计参数映射图的局部最小p值(最大T值)处被识别为模板空间中的具有辨别力的解剖地标。在本实施例中,选取了24个解剖地标。
所述步骤三中:以获取的解剖地标为中心,采用灰质图像,将具有辨别力的组织中的灰质特征以块的形式进行提取。在本实施例中,块的大小为15*15*7,每幅MR图像共提取出24个块作为图像表示。
所述步骤四中:(1)连接特征块,进行模型训练。将提取出的24个块先进行深度上的连接,生成一个大小为15*15*(7*24)的合成块作为每个T1图像的表示;将最后合成的块输入至残差网络模型进行训练。
本实施例所使用的残差卷积神经网络结构如图2所示。连接生成的大小为15*15*168的合成块作为整个网络的输入,进行深度特征的学习;然后输入的图像通过3个卷积层(即,C1,C2,C3)进行卷积,其中前两个卷积层中2D内核的大小为3*3,C3层使用的是1*1的2D卷积核,C2、C3之后是线性整流单元(Relu1,Relu2)进行激活;随后,将C1层和Relu2层进行深度连接,构成一个残差网络,将深度连接层(D1)的输出送入2个完全卷积连接(FC)层(即FC1,FC2),尺寸分别为128、2,最后一个FC层(即FC2)的输出被送到softmax输出层。
网络模型通过adam(adaptive moment estimation)算法进行优化,梯度移动平均值的衰减率设为0.9,梯度平方移动平均值的衰减率为0.8。该网络的学习率初始化为0.002,权重更新采用每批64个数据的小批量进行,采用L2正则化来降低模型复杂度和不稳定程度,避免过拟合的危险,L2正则化因子设为0.001。
(2)采用支持向量机(SVM)进行分类;将残差卷积神经网络模型中深度连接层的特征提取出来,采用线性SVM对正常受试者以及AD患者进行分类。在本实施例中,采用ADNI-2做测试集时,其分类的最佳准确率为90.99%,特异度为96.89%,敏感度为83.44%;采用MIRIAD做测试集时,其分类的最佳准确率为94.20%,特异度为95.65%,敏感度93.48%。
为了验证本实施例方案的有效性,与其他方法进行对比。
方法一、基于ROI的方法。采用解剖自动标记图谱(AAL)将分割后的灰质图像划分为90个ROI,提取90个ROI中的灰质组织总体积作为每个MR图像的特征表示;最后将ROI特征提供给用于疾病分类的线性支持向量机分类器。
方法二、基于VBM的方法。首先将分割产生的GM图像进行平滑,提高数据的信噪比。然后将训练集中平滑后的灰质图像分为AD和NC两组进行统计分析,进而得到两组之间具有显著性差异的脑区,将这些脑区的体素作为MR图像的特征表示。最终将这些特征输入到线性支持向量机分类器进行分类。
方法三、基于块的深度特征连接的方法。将全脑MR图像分为AD和NC两组进行统计分析获得L个解剖地标,这每个地标为中心提取15*15*7大小的灰质特征块作为每个MR图像的特征表示;每个特征块用一个CNN模型进行训练,共训练L个模型。将每个网络模型中深度连接层的特征提取出来,进行连接;即对于每个MR图像,可以通过CNN模型获得L个特征向量,将L个特征向量连接为一个行向量;将连接后的特征向量,同样采用线性支持向量机进行诊断。
本实施例算法与其他已有算法的AD vs.NC结果见图3。通过对比本实施例算法与基于ROI的方法、基于VBM的方法和基于块的深度特征连接的方法,可以看出,本实施例算法阿尔兹海默症诊断的准确率最高。
实施例2
本实施例提供一种基于解剖地标和残差网络的阿尔兹海默症分类系统,包括:
预处理模块,被配置为对训练图像集进行组织分割调制后,获取灰质图像;
解剖地标获取模块,被配置为将训练图像集中的患阿尔兹海默症图像和正常受试者图像的体素进行比较识别解剖地标;
灰质特征提取模块,被配置为以获得的解剖地标为中心,提取灰质图像的灰质特征块;
训练与分类模块,被配置为将灰质特征块进行连接,将得到的合成块输入到残差网络模型进行特征提取,将残差网络模型提取的特征作为分类器的输入,对测试图像集的阿尔兹海默症患者和正常受试者进行分类。
所述预处理模块中:(1)首先获取公共数据集中的MR图像。本实施例采用3个公共数据集的数据,包括“阿尔茨海默症神经影像学计划”(Alzheimer’s DiseaseNeuroimaging Initiative,ADNI)数据库中的ADNI-1和ADNI-2数据集、MIRIAD数据集。ADNI-1数据集为训练集,ADNI-2数据集和MIRIAD数据集分别为独立的测试集。
本实施例中,在基线ADNI-1数据集中采用1.5T T1加权结构MRI数据,包括194个AD和226个NC;基线ADNI-2数据集采用了具有3T T1加权结构MRI数据,包括151个AD和193个NC受试者。为了保证训练集和测试集之间的独立性,将ADNI-2和ADNI-1两个数据集中相同的主体,在ADNI-2中删除。MIRIAD数据集中含有46个AD和23个NC共69张图像。
(2)所有T1数据采用cat12工具箱进行严格的图像预处理如下:
A1:标椎化子模块,用于将图像大小进行标准化,本实施例中优先将图像标准化到大小为121*145*121的MNI空间,有助于图像从个体空间的对齐到标准空间,使不同被试者之间可以进行比较。
标准化采用仿射变换和非线性变换两种方法。仿射变换是实现MR图像的全局几何变换的一种线性映射方法,该方法以相同的方式应用于图像的所有部分;非线性变换是进行局部的非线性形变,具体来说通过允许以不同方式调整原始图像的不同部分进行局部的任意变换,以便实现图像之间的更精细的配准。
A2:分割子模块,用于将所有的被试个体的标椎化后的MR图像分割为白质(WM)、灰质(GM)和脑脊液(CSF),三个组织在大脑中有着不同的功能,在受到AD影响后也有不同的形态学的改变。
A3:调制子模块,用于将分割的灰质图像进行调制,对非线性配准后的灰质组织的体积进行补偿,不但保证了被试数据在空间上的一致性可以比较,而且也保证了个体灰质的差异性。
其中,调制方法为将每个体素与标椎化过程中得到的变形场的雅克比行列式相乘。
所述解剖地标获取模块中:将标椎化后的T1图像分为AD和NC两组采用SPM12(Statistical Parametric Mapping 12)工具箱进行双样本t检验,具体包括:
1)广义线性统计模型建立子模块,本实施例对每一个体素建立相同的双样本t检验统计模型;
2)统计参数映射图子模块,用于对统计模型的参数进行估计,计算出每个体素的T统计量,生成统计参数映射图;
3)统计子模块,用于定义对比,在一定显著水平下,进行统计检验得到分析结果。
由于在多个体素上同时进行检验,若采用单检验阈值,体素出现误判的可能性会非常高,所以需要进行多重比较校正。FWE(Family Wise Error)校正方法将单次检验情况下的p值除以整个实验的比较次数,得到一个新的p值来判断结果的显著性。本实施例采用显著水平p<0.05(FWE校正),即T>5.29,差异脑区大于30个体素的区域被认定为具有统计意义,报告全脑组织形态学异常;最后,统计参数映射图的局部最小p值(最大T值)处被识别为模板空间中的具有辨别力的解剖地标。在本实施例中,选取了24个解剖地标。
所述灰质特征提取模块中:以获取的解剖地标为中心,采用灰质图像,将具有辨别力的组织中的灰质特征以块的形式进行提取。在本实施例中,块的大小为15*15*7,每幅MR图像共提取出24个块作为图像表示。
所述训练与分类模块中:(1)训练子模块,用于连接特征块,进行模型训练。将提取出的24个块先进行深度上的连接,生成一个大小为15*15*(7*24)的合成块作为每个T1图像的表示,将最后合成的块输入至残差网络模型进行训练。
本实施例所使用的残差卷积神经网络结构中,连接生成的大小为15*15*168的合成块作为整个网络的输入,进行深度特征的学习;然后输入的图像通过3个卷积层(即,C1,C2,C3)进行卷积,其中前两个卷积层中2D内核的大小为3*3,C3层使用的是1*1的2D卷积核,C2、C3之后是线性整流单元(Relu1,Relu2)进行激活;随后,将C1层和Relu2层进行深度连接,构成一个残差网络,将深度连接层(D1)的输出送入2个完全卷积连接(FC)层(即FC1,FC2),尺寸分别为128、2,最后一个FC层(即FC2)的输出被送到softmax输出层。
网络模型通过adam(adaptive moment estimation)算法进行优化,梯度移动平均值的衰减率设为0.9,梯度平方移动平均值的衰减率为0.8。该网络的学习率初始化为0.002,权重更新采用每批64个数据的小批量进行,采用L2正则化来降低模型复杂度和不稳定程度,避免过拟合的危险,L2正则化因子设为0.001。
(2)分类子模块,采用支持向量机(SVM)进行分类,将残差卷积神经网络模型中深度连接层的特征提取出来,采用线性SVM对正常受试者以及AD患者进行分类。在本实施例中,采用ADNI-2做测试集时,其分类的最佳准确率为90.99%,特异度为96.89%,敏感度为83.44%;采用MIRIAD做测试集时,其分类的最佳准确率为94.20%,特异度为95.65%,敏感度93.48%。
在其他实施例中,还提供:
一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成一种基于解剖地标和残差网络的阿尔兹海默症分类方法所述的步骤。
一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成一种基于解剖地标和残差网络的阿尔兹海默症分类方法所述的步骤。
在以上实施例中,采用基于解剖地标和残差网络对阿尔兹海默症进行诊断,相对于传统的基于感兴趣区域的方法,可以降低对先验知识的要求;与基于体素的方法相比,避免了过拟合的风险,降低了特征的维数,使模型更容易训练。
以上仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述,但并非对本公开保护范围的限制,所属领域技术人员应该明白,在本公开的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (10)
1.一种基于解剖地标和残差网络的阿尔兹海默症分类方法,其特征在于,包括:
对训练图像集进行组织分割调制后,获取灰质图像;
将训练图像集中的患阿尔兹海默症图像和正常受试者图像的体素进行双样本t检验,预设显著水平阈值识别解剖地标;
以获得的解剖地标为中心,提取灰质图像的灰质特征块;
将灰质特征块进行连接,将得到的合成块输入到残差网络模型进行特征提取,将残差网络模型提取的特征作为分类器的输入,对测试图像集的阿尔兹海默症患者和正常受试者进行分类。
2.如权利要求1所述的基于解剖地标和残差网络的阿尔兹海默症分类方法,其特征在于,所述对训练图像集进行组织分割调制具体包括:
将训练图像集的图像大小进行标准化;
将标准化的图像分割为白质图像、灰质图像和脑脊液图像;
对分割后的灰质图像进行调制,对灰质图像中灰质组织的体积进行补偿。
3.如权利要求2所述的基于解剖地标和残差网络的阿尔兹海默症分类方法,其特征在于,所述标准化包括:仿射变换和非线性变换,所述仿射变换应用于训练图像集的所有部分;所述非线性变换进行局部的非线性形变,调整训练图像集的不同部分进行局部的任意变换。
4.如权利要求2所述的基于解剖地标和残差网络的阿尔兹海默症分类方法,其特征在于,所述调制方式包括:将每个体素与标椎化过程中得到的变形场的雅克比行列式相乘。
5.如权利要求1所述的基于解剖地标和残差网络的阿尔兹海默症分类方法,其特征在于,所述对残差网络模型进行训练包括:合成块作为输入通过3个卷积层进行卷积,将第一卷积层和最后一个线性整流单元进行深度连接,由完全卷积连接层输出,并输入到soft-max层,完成深度特征的学习。
6.如权利要求1所述的基于解剖地标和残差网络的阿尔兹海默症分类方法,其特征在于,所述残差网络模型通过自适应矩估计算法进行优化,初始化梯度移动平均值的衰减率和梯度平方移动平均值的衰减率,采用L2正则化降低残差网络模型复杂度和不稳定程度。
7.如权利要求1所述的基于解剖地标和残差网络的阿尔兹海默症分类方法,其特征在于,所述分类器采用支持向量机SVM进行分类。
8.一种基于解剖地标和残差网络的阿尔兹海默症分类系统,其特征在于,包括:
预处理模块,被配置为对训练图像集进行组织分割调制后,获取灰质图像;
解剖地标获取模块,被配置为将训练图像集中的患阿尔兹海默症图像和正常受试者图像的体素进行双样本t检验,预设显著水平阈值识别解剖地标;
灰质特征提取模块,被配置为以获得的解剖地标为中心,提取灰质图像的灰质特征块;
训练与分类模块,被配置为将灰质特征块进行连接,将得到的合成块输入到残差网络模型进行特征提取,将残差网络模型提取的特征作为分类器的输入,对测试图像集的阿尔兹海默症患者和正常受试者进行分类。
9.一种电子设备,其特征在于,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成权利要求1-7任一项方法所述的步骤。
10.一种计算机可读存储介质,其特征在于,用于存储计算机指令,所述计算机指令被处理器执行时,完成权利要求1-7任一项方法所述的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010087745.1A CN111402198B (zh) | 2020-02-11 | 2020-02-11 | 基于解剖地标和残差网络的阿尔兹海默症分类方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010087745.1A CN111402198B (zh) | 2020-02-11 | 2020-02-11 | 基于解剖地标和残差网络的阿尔兹海默症分类方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111402198A true CN111402198A (zh) | 2020-07-10 |
CN111402198B CN111402198B (zh) | 2022-12-27 |
Family
ID=71413194
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010087745.1A Active CN111402198B (zh) | 2020-02-11 | 2020-02-11 | 基于解剖地标和残差网络的阿尔兹海默症分类方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111402198B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111932522A (zh) * | 2020-08-14 | 2020-11-13 | 中国科学院心理研究所 | 一种基于脑成像大数据深度学习的阿尔兹海默症分类器 |
CN113191413A (zh) * | 2021-04-25 | 2021-07-30 | 华中科技大学 | 基于中央凹残差网络的前列腺多模mr图像分类方法和系统 |
CN113962930A (zh) * | 2021-09-07 | 2022-01-21 | 北京邮电大学 | 阿尔茨海默病风险评估模型建立方法和电子设备 |
CN114373095A (zh) * | 2021-12-09 | 2022-04-19 | 山东师范大学 | 基于影像信息的阿尔茨海默病分类系统及方法 |
CN113558602B (zh) * | 2021-06-11 | 2023-11-14 | 杭州电子科技大学 | 一种假设驱动的认知障碍脑网络分析方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101650827A (zh) * | 2009-09-09 | 2010-02-17 | 西北工业大学 | 一种混合的大脑白质神经纤维自动聚类及标记方法 |
CN104102839A (zh) * | 2013-11-16 | 2014-10-15 | 西安电子科技大学 | 一种基于多尺度网格曲面形状特征的阿尔茨海默病脑皮层自动分类方法 |
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 |
CN108520283A (zh) * | 2018-04-13 | 2018-09-11 | 山东管理学院 | 一种基于脑区间接关系网络构建的医学图像分类方法 |
CN109165667A (zh) * | 2018-07-06 | 2019-01-08 | 中国科学院自动化研究所 | 基于自注意力机制的脑疾病分类系统 |
CN109330677A (zh) * | 2018-11-22 | 2019-02-15 | 自贡市第四人民医院(自贡市急救中心) | 一种个性化寰枢椎椎弓根螺钉逐级导航模板装置及其制作方法 |
CN109389587A (zh) * | 2018-09-26 | 2019-02-26 | 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 |
CN109840554A (zh) * | 2018-12-26 | 2019-06-04 | 贵州联科卫信科技有限公司 | 一种基于svm-rfe-mrmr算法的阿兹海默症mri图像分类方法 |
CN109920550A (zh) * | 2018-12-25 | 2019-06-21 | 天津大学 | 一种基于dMRI研究青少年肌阵挛性癫痫的方法 |
CN110473635A (zh) * | 2019-08-14 | 2019-11-19 | 电子科技大学 | 一种青少年脑结构网络和脑功能网络关系模型的分析方法 |
CN110704662A (zh) * | 2019-10-17 | 2020-01-17 | 广东工业大学 | 一种图像分类方法及系统 |
-
2020
- 2020-02-11 CN CN202010087745.1A patent/CN111402198B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101650827A (zh) * | 2009-09-09 | 2010-02-17 | 西北工业大学 | 一种混合的大脑白质神经纤维自动聚类及标记方法 |
CN104102839A (zh) * | 2013-11-16 | 2014-10-15 | 西安电子科技大学 | 一种基于多尺度网格曲面形状特征的阿尔茨海默病脑皮层自动分类方法 |
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 |
CN108520283A (zh) * | 2018-04-13 | 2018-09-11 | 山东管理学院 | 一种基于脑区间接关系网络构建的医学图像分类方法 |
CN109165667A (zh) * | 2018-07-06 | 2019-01-08 | 中国科学院自动化研究所 | 基于自注意力机制的脑疾病分类系统 |
CN109389587A (zh) * | 2018-09-26 | 2019-02-26 | 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 |
CN109330677A (zh) * | 2018-11-22 | 2019-02-15 | 自贡市第四人民医院(自贡市急救中心) | 一种个性化寰枢椎椎弓根螺钉逐级导航模板装置及其制作方法 |
CN109920550A (zh) * | 2018-12-25 | 2019-06-21 | 天津大学 | 一种基于dMRI研究青少年肌阵挛性癫痫的方法 |
CN109840554A (zh) * | 2018-12-26 | 2019-06-04 | 贵州联科卫信科技有限公司 | 一种基于svm-rfe-mrmr算法的阿兹海默症mri图像分类方法 |
CN110473635A (zh) * | 2019-08-14 | 2019-11-19 | 电子科技大学 | 一种青少年脑结构网络和脑功能网络关系模型的分析方法 |
CN110704662A (zh) * | 2019-10-17 | 2020-01-17 | 广东工业大学 | 一种图像分类方法及系统 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111932522A (zh) * | 2020-08-14 | 2020-11-13 | 中国科学院心理研究所 | 一种基于脑成像大数据深度学习的阿尔兹海默症分类器 |
CN111932522B (zh) * | 2020-08-14 | 2023-02-10 | 中国科学院心理研究所 | 一种基于脑成像大数据深度学习的阿尔兹海默症分类器 |
CN113191413A (zh) * | 2021-04-25 | 2021-07-30 | 华中科技大学 | 基于中央凹残差网络的前列腺多模mr图像分类方法和系统 |
CN113191413B (zh) * | 2021-04-25 | 2022-06-21 | 华中科技大学 | 基于中央凹残差网络的前列腺多模mr图像分类方法和系统 |
CN113558602B (zh) * | 2021-06-11 | 2023-11-14 | 杭州电子科技大学 | 一种假设驱动的认知障碍脑网络分析方法 |
CN113962930A (zh) * | 2021-09-07 | 2022-01-21 | 北京邮电大学 | 阿尔茨海默病风险评估模型建立方法和电子设备 |
CN113962930B (zh) * | 2021-09-07 | 2022-09-09 | 北京邮电大学 | 阿尔茨海默病风险评估模型建立方法和电子设备 |
CN114373095A (zh) * | 2021-12-09 | 2022-04-19 | 山东师范大学 | 基于影像信息的阿尔茨海默病分类系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111402198B (zh) | 2022-12-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111402198B (zh) | 基于解剖地标和残差网络的阿尔兹海默症分类方法及系统 | |
Lian et al. | Multi-channel multi-scale fully convolutional network for 3D perivascular spaces segmentation in 7T MR images | |
CN109886179B (zh) | 基于Mask-RCNN的子宫颈细胞涂片的图像分割方法和系统 | |
WO2018120942A1 (zh) | 一种多模型融合自动检测医学图像中病变的系统及方法 | |
CN110236543B (zh) | 基于深度学习的阿尔茨海默病多分类诊断系统 | |
CN109409416A (zh) | 特征向量降维方法和医学图像识别方法、装置及存储介质 | |
CN108985345B (zh) | 一种基于肺部医学图像融合分类的检测装置 | |
US6950544B2 (en) | Automated measurement of anatomical structures in medical imaging | |
CN111488914A (zh) | 一种基于多任务学习的阿尔茨海默症分类及预测系统 | |
EP3190542B1 (en) | Method and system for generating multiparametric nosological images | |
CN111681230A (zh) | 脑白质高信号评分系统及其评分方法 | |
Zacharaki et al. | Abnormality segmentation in brain images via distributed estimation | |
US20230005140A1 (en) | Automated detection of tumors based on image processing | |
CN115423754A (zh) | 一种图像分类方法、装置、设备及存储介质 | |
Tong et al. | Segmentation of brain MR images via sparse patch representation | |
CN114494127A (zh) | 基于通道注意力深度学习的医学图像分类系统 | |
CN116758336A (zh) | 一种基于人工智能的医学图像智能分析系统 | |
CN113052800B (zh) | 一种阿尔茨海默症影像分析方法与装置 | |
Verma et al. | Role of deep learning in classification of brain MRI images for prediction of disorders: a survey of emerging trends | |
CN109816665B (zh) | 一种光学相干断层扫描图像的快速分割方法及装置 | |
Vinutha et al. | Efficient morphometric techniques in Alzheimer’s disease detection: survey and tools | |
Yu et al. | 3D convolutional networks based automatic diagnosis of Alzheimer's disease using structural MRI | |
Prasad et al. | Skull-stripping with machine learning deformable organisms | |
CN112614092A (zh) | 脊柱检测方法和装置 | |
Torabi et al. | Multiple sclerosis diagnosis based on analysis of subbands of 2-D wavelet transform applied on MR-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 |