CN112561935A - 一种阿尔兹海默症的识别方法、装置和设备 - Google Patents
一种阿尔兹海默症的识别方法、装置和设备 Download PDFInfo
- Publication number
- CN112561935A CN112561935A CN202011569399.7A CN202011569399A CN112561935A CN 112561935 A CN112561935 A CN 112561935A CN 202011569399 A CN202011569399 A CN 202011569399A CN 112561935 A CN112561935 A CN 112561935A
- Authority
- CN
- China
- Prior art keywords
- brain
- voxel
- subjects
- correlation coefficient
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
- G06T2207/10012—Stereo images
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (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
本申请公开了一种阿尔兹海默症的识别方法、装置和设备,方法包括:将不同受试者之间所属同一脑区的体素数据按照行向量的形式依次排列,使得同一脑区中具有相同属性价值的体素数据组织在一起,考虑了同一脑区体素数据的空间联系以及不同脑区之间体素数据的差异;并提出一种能够融入到传统的计算机视觉分类流程中的注意力机制,将其应用在构造每个脑区所对应的基分类器过程中,通过对每个脑区进行集成得到AD分类模型,提升了集成分类模型的准确率和稳定性;并且本申请的模型基于脑区中的体素数据进行训练,对硬件资源的要求比使用深度学习的网络模型要低得多。从而解决了现有的阿尔兹海默症的识别技术无法兼顾识别准确率高且成本低的技术问题。
Description
技术领域
本申请涉及生物技术领域,尤其涉及一种阿尔兹海默症的识别方法、装置和设备。
背景技术
阿尔茨海默病(Alzheimer’s disease,AD)是一种最常见的神经退行性疾病,其病症具体表现为记忆和思维能力的退化。目前,AD的患病原因不明确且病程不可逆,尚没有药物可以治愈AD。因此,对不同患病阶段的人群进行分类,对于研发新型药物和及时采取措施干预治疗、减缓患者病情发展具有重要意义。
近年来,神经影像技术在AD早期诊断方面取得了惊人的成绩。以深度学习为代表的分析方法可以分为基于2D的卷积神经网络(CNN)识别方法和基于3D的CNN识别方法。其中,基于2DCNN的识别模型,虽然也能在AD的早期诊断中取得不错的效果,但对三维MRI图像进行切片处理的方式,削弱了受试者大脑组织结构的空间联系,导致分类准确率较低。而基于3DCNN的识别方法虽然充分考虑了受试者脑组织结构的空间联系,但是其训练过程对硬件资源要求较高且计算成本开销也较大。
因此,提供一种分类准确率较高且成本较低的阿尔兹海默症的识别方法、装置和设备是亟待解决的。
发明内容
本申请实施例提供了一种阿尔兹海默症的识别方法、装置和设备,解决现有的阿尔兹海默症的识别技术无法同时兼顾识别准确率高且成本低的技术问题。
有鉴于此,本申请第一方面提供了一种阿尔兹海默症的识别方法,所述方法包括:
S1、获取K个受试者的三维MRI脑图像,将所述K个受试者中的x个所述三维MRI脑图像划分为训练集和测试集,并将所述K个受试者中的y个所述三维MRI脑图像作为验证集,所述K个受试者包括无AD受试者和患有AD受试者,其中,K、x、y均为正整数,且x+y≤K;
S2、对所述K个受试者的每个所述三维MRI脑图像进行归一化处理后,通过AAL脑区模板将每个所述三维MRI脑图像的大脑区域均划分为90个脑区,并将每个受试者的同一脑区的体素数据按照行向量的形式依次排列,得到90个体素特征数据集;
S3、基于相关系数计算公式,根据每个所述体素特征数据集的特征和对应的类别标签计算所述特征和类别标签的相关关系;并将所述相关关系代入到掩码权重计算公式中,计算得到所述体素特征数据集的掩码权重;基于注意力融合机制公式,根据所述掩码对所述体素特征数据进行融合,得到每个脑区的体素向量集;
S4、基于分类算法,根据每个脑区的所述体素向量集分别构建每个脑区的基分类器;
S5、通过所述训练集对每个脑区的基分类器进行训练后,并通过所述验证集筛选出与AD的相关性符合第一预置相关系数值的若干个第一基分类器,基于投票法根据所述测试集对所述若干个第一基分类器进行集成,得到AD分类模型。
可选地,步骤S2之后,还包括:
基于所述相关系数计算公式,分别计算每个脑区的所述体素特征数据集的与所述体素特征数据集对应的类别标签向量的第一相关系数;
根据每个脑区的第一相关系数的绝对值,筛选出符合第二预置相关系数值的体素特征数据集。
可选地,步骤S2之前,还包括:
对所述K个受试者的每个所述所述三维MRI脑图像进行预处理操作,所述预处理操作包括:去头骨、配准到MNI标准空间、图像平滑。
可选地,所述将所述K个受试者中的x个所述三维MRI脑图像划分为训练集和测试集,具体包括:
基于二分类算法,通过5折交叉验证法将所述K个受试者中的x个所述三维MRI脑图像划分为训练集和测试集。
可选地,所述相关系数计算公式为:
式中,Cofij为第i个脑区中的第j列体素向量的相关系数,Xij为第i个脑区中的第j列体素向量,Yij为第i个脑区中的第j列体素向量所对应的类别标签。
可选地,所述掩码权重计算公式为:
式中,Wij为注意力机制中的第i个脑区的第j列体素向量的掩码权重,Cofij为第i个脑区中的第j列体素向量的相关系数。
可选地,所述注意力融合机制公式为:
Att_Xij=(1+Wij)Xij;
式中,Att_Xij为融合注意力机制后的第i个脑区中的第j列的体素向量,Wij为注意力机制中的第i个脑区的第j列体素向量的掩码权重。
本申请第二方面提供一种阿尔兹海默症的识别装置,所述装置包括:
获取单元,用于获取K个受试者的三维MRI脑图像,将所述K个受试者中的x个所述三维MRI脑图像划分为训练集和测试集,并将所述K个受试者中的y个所述三维MRI脑图像作为验证集,所述K个受试者包括无AD受试者和患有AD受试者,其中,K、x、y均为正整数,且x+y≤K;
划分单元,用于对所述K个受试者的每个所述三维MRI脑图像进行归一化处理后,通过AAL脑区模板将每个所述三维MRI脑图像的大脑区域均划分为90个脑区,并将每个受试者的同一脑区的体素数据按照行向量的形式依次排列,得到90个体素特征数据集;
计算单元,用于基于相关系数计算公式,根据每个所述体素特征数据集的特征和对应的类别标签计算所述特征和类别标签的相关关系;并将所述相关关系代入到掩码权重计算公式中,计算得到所述体素特征数据集的掩码权重;基于注意力融合机制公式,根据所述掩码对所述体素特征数据进行融合,得到每个脑区的体素向量集;
构建单元,用于基于分类算法,根据每个脑区的所述体素向量集分别构建每个脑区的基分类器;
集成单元,用于通过所述训练集对每个脑区的基分类器进行训练后,并通过所述验证集筛选出与AD的相关性符合第一预置相关系数值的若干个第一基分类器,基于投票法根据所述测试集对所述若干个第一基分类器进行集成,得到AD分类模型。
可选地,还包括:特征选择单元;
所述特征选择单元用于:基于所述相关系数计算公式,分别计算每个脑区的所述体素特征数据集的与所述体素特征数据集对应的类别标签向量的第一相关系数;根据每个脑区的第一相关系数的绝对值,筛选出符合第二预置相关系数值的体素特征数据集。
本申请第三方面提供一种阿尔兹海默症的识别设备,所述设备包括处理器以及存储器:
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令,执行如上述第一方面所述的阿尔兹海默症的识别方法的步骤。
从以上技术方案可以看出,本申请实施例具有以下优点:
本申请实施例中的阿尔兹海默症的识别方法,将不同受试者之间所属同一脑区的体素数据按照行向量的形式依次排列,使得同一脑区中具有相同属性价值的体素数据组织在一起,考虑了同一脑区体素数据的空间联系以及不同脑区之间体素数据的差异;并提出一种新的且能够融入到传统的计算机视觉分类流程中的注意力机制,并将其应用在构造每个脑区所对应的基分类器过程中,通过对每个脑区进行集成得到AD分类模型,提升了集成分类模型的准确率和稳定性;并且本申请的AD分类模型基于脑区中的体素数据进行训练,对硬件资源的要求比使用深度学习的网络模型要低得多,且计算开销也比较小。从而解决了现有的阿尔兹海默症的识别技术无法同时兼顾识别准确率高且成本低的技术问题。
进一步地,为了降低高维特征对分类的影响,以及避免脑区与脑区之间体素特征数量上的差异对分类所造成的影响,本申请在构造基分类器的过程中,还使用特征选择算法筛选出符合第二预置相关系数值的体素特征数据集。
附图说明
图1为本申请实施例中提供的一种阿尔兹海默症的识别方法的实施例一的流程示意图;
图2为本申请实施例中提供的一种阿尔兹海默症的识别方法的实施例二的流程示意图;
图3为本申请实施例中提供的一种阿尔兹海默症的识别装置的结构图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
请参阅图1,本申请实施例中提供的一种阿尔兹海默症的识别方法的实施例一,包括:
步骤101、获取K个受试者的三维MRI脑图像,将K个受试者中的x个三维MRI脑图像划分为训练集和测试集,并将K个受试者中的y个三维MRI脑图像作为验证集,K个受试者包括无AD受试者和患有AD受试者,其中,K、x、y均为正整数,且x+y≤K。
需要说明的是,本领域技术人员可以从ADNI数据库中的他人收集并共享的目录下,下载多名受试者的MRI图像数据,用于划分训练集和测试集,另外从ADNI数据库中下载多名三维MRI图像数据作为验证集。其中,无AD受试者包括正常受试者(HC)和具有认知障碍(MCI)的受试者。
步骤102、对K个受试者的每个三维MRI脑图像进行归一化处理后,通过AAL脑区模板将每个三维MRI脑图像的大脑区域均划分为90个脑区,并将每个受试者的同一脑区的体素数据按照行向量的形式依次排列,得到90个体素特征数据集。
需要说明的是,本申请利用SPM12软件的CAT12工具包对所有受试者的每个三维MRI脑图像进行归一化预处理操作,然后对于归一化处理后的MRI脑图像,使用相同形状且相同空间分辨率的AAL脑区模板来分割每一个受试者的三维MRI图像。其中每一个受试者的三维MRI图像都将被划分为126个感兴趣区域(ROIs),即对应126个脑区。但其中有36个脑区属于小脑,而小脑区域不在研究范围内,故此将从每个受试者的三维MRI脑图像中得到90个ROIs,对应于本方法所构建集成AD分类模型中的90个基分类器。通过将不同受试者之间所属同一脑区的体素数据按照行向量的形式依次排列,从而获得集成学习分类模型中90个基分类器所需的数据。
步骤103、基于相关系数计算公式,根据每个体素特征数据集的特征和对应的类别标签计算特征和类别标签的相关关系;并将相关关系代入到掩码权重计算公式中,计算得到体素特征数据集的掩码权重;基于注意力融合机制公式,根据掩码对体素特征数据进行融合,得到每个脑区的体素向量集。
需要说明的是,申请人受深度学习与计算机视觉注意力机制相关工作的启发,提出一种基于相关性系数的注意力机制。通过相关系数计算公式计算体素特征数据集的特征和对应的类别标签计算特征和类别标签的相关关系;接着将相关系数通过激活函数映射为注意力机制中对特征所优化的掩码权重;最后通过注意力融合机制公式对体素特征数据进行注意力机制的融合。
本领域技术人员可以选择如本申请的相关系数计算公式(Pearson相关系数)来计算体素特征与类别标签之间的线性相关程度;也可以采用Kendall等级相关系数来衡量体素特征与标签之间的非线性相关程度。
步骤104、基于分类算法,根据每个脑区的体素向量集分别构建每个脑区的基分类器。
需要说明的是,本领域技术人员可以根据实际需求选择不同的分类算法,比如随机森林(random forest,RF)、支持向量机(support vector machine,SVM)、K最近邻(K-NearestNeighbor,KNN)等分类算法,本实施例采用SVM算法,SVM算法能够通过在训练数据的特征空间上找到一个间隔最大的分类超平面,从而保证了分类的精度,通过SVM算法根据根据每个脑区的体素向量集分别构建每个脑区的基分类器。
步骤105、通过训练集对每个脑区的基分类器进行训练后,并通过验证集筛选出与AD的相关性符合第一预置相关系数值的若干个第一基分类器,基于投票法根据测试集对若干个第一基分类器进行集成,得到AD分类模型。
需要说明的是,本申请实施例选择投票法进行基分类器的融合。首先通过训练集来训练每个脑区所对应的基分类器;接着通过验证集来挑选出与AD疾病相关性较高的前k个脑区,然后在测试集上使用投票法来集成验证集所筛选出的k个脑区,以此来评估本文所提出的识别方法的最终性能。
可以理解的是,对于第一预置相关系数值可以根据实际情况进行设置,不同的相关系数值决定了与AD疾病相关性程度高或低的脑区。
本申请实施例一中的阿尔兹海默症的识别方法,将不同受试者之间所属同一脑区的体素数据按照行向量的形式依次排列,使得同一脑区中具有相同属性价值的体素数据组织在一起,考虑了同一脑区体素数据的空间联系以及不同脑区之间体素数据的差异;并提出一种新的且能够融入到传统的计算机视觉分类流程中的注意力机制,并将其应用在构造每个脑区所对应的基分类器过程中,通过对每个脑区进行集成得到AD分类模型,提升了集成分类模型的准确率和稳定性;并且本申请的AD分类模型基于脑区中的体素数据进行训练,对硬件资源的要求比使用深度学习的网络模型要低得多,且计算开销也比较小。从而解决了现有的阿尔兹海默症的识别技术无法同时兼顾识别准确率高且成本低的技术问题。
以上为本申请实施例中提供的一种阿尔兹海默症的识别方法的实施例一,以下为本申请实施例中提供的一种阿尔兹海默症的识别方法的实施例二。
请参阅图2,本申请实施例中提供的一种阿尔兹海默症的识别方法的实施例二,包括:
步骤201、获取K个受试者的三维MRI脑图像,基于二分类算法,通过5折交叉验证法将K个受试者中的x个三维MRI脑图像划分为训练集和测试集,并将K个受试者中的y个三维MRI脑图像作为验证集,K个受试者包括无AD受试者和患有AD受试者,其中,K、x、y均为正整数,且x+y≤K。
需要说明的是,本申请实施例二将AD分类分为三个不同的二分类问题:AD vsHC、MCI vsHC、MCI vsAD。正常受试者即(HC)、具有认知障碍即(MCI)的受试者以及AD受试者。每个二分类实验均采用5折交叉验证的方法来划分训练集和测试集,即每个二分类实验都会训练5次,5次实验的平均分类准确率可以用于评估AD分类模型整体的性能。
步骤202、对K个受试者的每个三维MRI脑图像依次进行去头骨、配准到MNI标准空间、图像平滑、归一化处理后,通过AAL脑区模板将每个三维MRI脑图像的大脑区域均划分为90个脑区,并将每个受试者的同一脑区的体素数据按照行向量的形式依次排列,得到90个体素特征数据集。
需要说明的是,本申请实施例二还对每个受试者依次进行去头骨、配准到MNI标准空间、图像平滑、归一化的图像预处理操作。
步骤203、基于相关系数计算公式,分别计算每个脑区的体素特征数据集的与体素特征数据集对应的类别标签向量的第一相关系数;根据每个脑区的第一相关系数的绝对值,筛选出符合第二预置相关系数值的体素特征数据集。
需要说明的是,一方面,由于在预处理过程中没有对三维MRI脑图像进行灰质、白质的分割,输入到每个基分类器中的特征集中将会存在大量的无关特征和冗余特征,较易影响分类识别结果;另一方面,按照AAL脑区模板来划分受试者的三维MRI脑图像,则每个脑区所包含的体素数量都不尽相同,如有的脑区仅包含几百个体素数据,而有的脑区则含有上万个体素数据。为了避免脑区与脑区之间体素特征数量上的差异对分类所造成的影响,同时也为了进一步证实本申请所提出的集成分类模型的有效性,在构造基分类器的流程中加入如步骤203描述的特征选择算法。
步骤204、基于相关系数计算公式,根据每个体素特征数据集的特征和对应的类别标签计算特征和类别标签的相关关系;并将相关关系代入到掩码权重计算公式中,计算得到体素特征数据集的掩码权重;基于注意力融合机制公式,根据掩码对体素特征数据进行融合,得到每个脑区的体素向量集。
步骤204与实施例一的步骤103描述相同,请参见步骤103描述,在此不再赘述。
其中,相关系数计算公式为:
式中,Cofij为第i个脑区中的第j列体素向量的相关系数,Xij为第i个脑区中的第j列体素向量,Yij为第i个脑区中的第j列体素向量所对应的类别标签。
掩码权重计算公式为:
式中,Wij为注意力机制中的第i个脑区的第j列体素向量的掩码权重,Cofij为第i个脑区中的第j列体素向量的相关系数。
注意力融合机制公式为:
Att_Xij=(1+Wij)Xij;
式中,Att_Xij为融合注意力机制后的第i个脑区中的第j列的体素向量,Wij为注意力机制中的第i个脑区的第j列体素向量的掩码权重。
步骤205、基于分类算法,根据每个脑区的体素向量集分别构建每个脑区的基分类器。
步骤205与实施例一的步骤104描述相同,请参见步骤104描述,在此不再赘述。
步骤206、通过训练集对每个脑区的基分类器进行训练后,并通过验证集筛选出与AD的相关性符合第一预置相关系数值的若干个第一基分类器,基于投票法根据测试集对若干个第一基分类器进行集成,得到AD分类模型。
步骤206与实施例一的步骤105描述相同,请参见步骤105描述,在此不再赘述。
本申请实施例中的阿尔兹海默症的识别方法,将不同受试者之间所属同一脑区的体素数据按照行向量的形式依次排列,使得同一脑区中具有相同属性价值的体素数据组织在一起,考虑了同一脑区体素数据的空间联系以及不同脑区之间体素数据的差异;并提出一种新的且能够融入到传统的计算机视觉分类流程中的注意力机制,并将其应用在构造每个脑区所对应的基分类器过程中,通过对每个脑区进行集成得到AD分类模型,提升了集成分类模型的准确率和稳定性;并且本申请的AD分类模型基于脑区中的体素数据进行训练,对硬件资源的要求比使用深度学习的网络模型要低得多,且计算开销也比较小。从而解决了现有的阿尔兹海默症的识别技术无法同时兼顾识别准确率高且成本低的技术问题。
进一步地,为了降低高维特征对分类的影响,以及避免脑区与脑区之间体素特征数量上的差异对分类所造成的影响,本申请在构造基分类器的过程中,还使用如步骤203描述的特征选择算法筛选出符合第二预置相关系数值的体素特征数据集。
以上为本申请实施例中提供的一种阿尔兹海默症的识别方法的实施例二,以下为本申请实施例中提供的一种阿尔兹海默症的识别装置的实施例。
请参阅图3,本申请实施例中提供的一种阿尔兹海默症的识别装置的实施例,包括:
获取单元301,用于获取K个受试者的三维MRI脑图像,将K个受试者中的x个三维MRI脑图像划分为训练集和测试集,并将K个受试者中的y个三维MRI脑图像作为验证集,K个受试者包括无AD受试者和患有AD受试者,其中,K、x、y均为正整数,且x+y≤K。
划分单元302,用于对K个受试者的每个三维MRI脑图像进行归一化处理后,通过AAL脑区模板将每个三维MRI脑图像的大脑区域均划分为90个脑区,并将每个受试者的同一脑区的体素数据按照行向量的形式依次排列,得到90个体素特征数据集。
特征选择单元303,用于基于相关系数计算公式,分别计算每个脑区的体素特征数据集的与体素特征数据集对应的类别标签向量的第一相关系数;根据每个脑区的第一相关系数的绝对值,筛选出符合第二预置相关系数值的体素特征数据集。
计算单元304,用于基于相关系数计算公式,根据每个体素特征数据集的特征和对应的类别标签计算特征和类别标签的相关关系;并将相关关系代入到掩码权重计算公式中,计算得到体素特征数据集的掩码权重;基于注意力融合机制公式,根据掩码对体素特征数据进行融合,得到每个脑区的体素向量集。
构建单元305,用于基于分类算法,根据每个脑区的体素向量集分别构建每个脑区的基分类器。
集成单元306,用于通过训练集对每个脑区的基分类器进行训练后,并通过验证集筛选出与AD的相关性符合第一预置相关系数值的若干个第一基分类器,基于投票法根据测试集对若干个第一基分类器进行集成,得到AD分类模型。
本申请实施例中的阿尔兹海默症的识别装置,将不同受试者之间所属同一脑区的体素数据按照行向量的形式依次排列,使得同一脑区中具有相同属性价值的体素数据组织在一起,考虑了同一脑区体素数据的空间联系以及不同脑区之间体素数据的差异;并提出一种新的且能够融入到传统的计算机视觉分类流程中的注意力机制,并将其应用在构造每个脑区所对应的基分类器过程中,通过对每个脑区进行集成得到AD分类模型,提升了集成分类模型的准确率和稳定性;并且本申请的AD分类模型基于脑区中的体素数据进行训练,对硬件资源的要求比使用深度学习的网络模型要低得多,且计算开销也比较小。从而解决了现有的阿尔兹海默症的识别技术无法同时兼顾识别准确率高且成本低的技术问题。
进一步地,为了降低高维特征对分类的影响,以及避免脑区与脑区之间体素特征数量上的差异对分类所造成的影响,本申请在构造基分类器的过程中,还使用特征选择算法筛选出符合第二预置相关系数值的体素特征数据集。
进一步地,本申请的实施例还提供了一种阿尔兹海默症的识别设备,其特征在于,所述设备包括处理器以及存储器:
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行实施例二所述的阿尔兹海默症的识别方法。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解,在本申请中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,用于描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”,其中a,b,c可以是单个,也可以是多个。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(英文全称:Read-OnlyMemory,英文缩写:ROM)、随机存取存储器(英文全称:Random Access Memory,英文缩写:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种阿尔兹海默症的识别方法,其特征在于,包括:
S1、获取K个受试者的三维MRI脑图像,将所述K个受试者中的x个所述三维MRI脑图像划分为训练集和测试集,并将所述K个受试者中的y个所述三维MRI脑图像作为验证集,所述K个受试者包括无AD受试者和患有AD受试者,其中,K、x、y均为正整数,且x+y≤K;
S2、对所述K个受试者的每个所述三维MRI脑图像进行归一化处理后,通过AAL脑区模板将每个所述三维MRI脑图像的大脑区域均划分为90个脑区,并将每个受试者的同一脑区的体素数据按照行向量的形式依次排列,得到90个体素特征数据集;
S3、基于相关系数计算公式,根据每个所述体素特征数据集的特征和对应的类别标签计算所述特征和类别标签的相关关系;并将所述相关关系代入到掩码权重计算公式中,计算得到所述体素特征数据集的掩码权重;基于注意力融合机制公式,根据所述掩码对所述体素特征数据进行融合,得到每个脑区的体素向量集;
S4、基于分类算法,根据每个脑区的所述体素向量集分别构建每个脑区的基分类器;
S5、通过所述训练集对每个脑区的基分类器进行训练后,并通过所述验证集筛选出与AD的相关性符合第一预置相关系数值的若干个第一基分类器,基于投票法根据所述测试集对所述若干个第一基分类器进行集成,得到AD分类模型。
2.根据权利要求1所述的阿尔兹海默症的识别方法,其特征在于,步骤S2之后,还包括:
基于所述相关系数计算公式,分别计算每个脑区的所述体素特征数据集的与所述体素特征数据集对应的类别标签向量的第一相关系数;
根据每个脑区的第一相关系数的绝对值,筛选出符合第二预置相关系数值的体素特征数据集。
3.根据权利要求1所述的阿尔兹海默症的识别方法,其特征在于,步骤S2之前,还包括:
对所述K个受试者的每个所述所述三维MRI脑图像进行预处理操作,所述预处理操作包括:去头骨、配准到MNI标准空间、图像平滑。
4.根据权利要求1所述的阿尔兹海默症的识别方法,其特征在于,所述将所述K个受试者中的x个所述三维MRI脑图像划分为训练集和测试集,具体包括:
基于二分类算法,通过5折交叉验证法将所述K个受试者中的x个所述三维MRI脑图像划分为训练集和测试集。
7.根据权利要求1所述的阿尔兹海默症的识别方法,其特征在于,所述注意力融合机制公式为:
Att_Xij=(1+Wij)Xij;
式中,Att_Xij为融合注意力机制后的第i个脑区中的第j列的体素向量,Wij为注意力机制中的第i个脑区的第j列体素向量的掩码权重。
8.一种阿尔兹海默症的识别装置,其特征在于,包括:
获取单元,用于获取K个受试者的三维MRI脑图像,将所述K个受试者中的x个所述三维MRI脑图像划分为训练集和测试集,并将所述K个受试者中的y个所述三维MRI脑图像作为验证集,所述K个受试者包括无AD受试者和患有AD受试者,其中,K、x、y均为正整数,且x+y≤K;
划分单元,用于对所述K个受试者的每个所述三维MRI脑图像进行归一化处理后,通过AAL脑区模板将每个所述三维MRI脑图像的大脑区域均划分为90个脑区,并将每个受试者的同一脑区的体素数据按照行向量的形式依次排列,得到90个体素特征数据集;
计算单元,用于基于相关系数计算公式,根据每个所述体素特征数据集的特征和对应的类别标签计算所述特征和类别标签的相关关系;并将所述相关关系代入到掩码权重计算公式中,计算得到所述体素特征数据集的掩码权重;基于注意力融合机制公式,根据所述掩码对所述体素特征数据进行融合,得到每个脑区的体素向量集;
构建单元,用于基于分类算法,根据每个脑区的所述体素向量集分别构建每个脑区的基分类器;
集成单元,用于通过所述训练集对每个脑区的基分类器进行训练后,并通过所述验证集筛选出与AD的相关性符合第一预置相关系数值的若干个第一基分类器,基于投票法根据所述测试集对所述若干个第一基分类器进行集成,得到AD分类模型。
9.根据权利要求8所述的阿尔兹海默症的识别装置,其特征在于,还包括:特征选择单元;
所述特征选择单元用于:基于所述相关系数计算公式,分别计算每个脑区的所述体素特征数据集的与所述体素特征数据集对应的类别标签向量的第一相关系数;根据每个脑区的第一相关系数的绝对值,筛选出符合第二预置相关系数值的体素特征数据集。
10.一种阿尔兹海默症的识别设备,其特征在于,所述设备包括处理器以及存储器:
所述存储器用于存储程序代码,并将所述程序代码传输给所述处理器;
所述处理器用于根据所述程序代码中的指令执行权利要求1-7任一项所述的阿尔兹海默症的识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011569399.7A CN112561935B (zh) | 2020-12-26 | 2020-12-26 | 一种大脑影像智能分类方法、装置和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011569399.7A CN112561935B (zh) | 2020-12-26 | 2020-12-26 | 一种大脑影像智能分类方法、装置和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112561935A true CN112561935A (zh) | 2021-03-26 |
CN112561935B CN112561935B (zh) | 2022-09-16 |
Family
ID=75033207
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011569399.7A Active CN112561935B (zh) | 2020-12-26 | 2020-12-26 | 一种大脑影像智能分类方法、装置和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112561935B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116110599A (zh) * | 2023-04-12 | 2023-05-12 | 北京航空航天大学 | 用于轻度认知障碍的筛查分析的装置、系统和存储介质 |
CN118398200A (zh) * | 2024-06-24 | 2024-07-26 | 陕西省人民医院(陕西省临床医学研究院) | 一种基于图像处理的术后认知障碍评估方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102622607A (zh) * | 2012-02-24 | 2012-08-01 | 河海大学 | 一种基于多特征融合的遥感图像分类方法 |
CN103093087A (zh) * | 2013-01-05 | 2013-05-08 | 电子科技大学 | 一种基于多任务学习的多模态脑网络特征融合方法 |
CN104715261A (zh) * | 2015-03-23 | 2015-06-17 | 南京工业大学 | fMRI动态脑功能子网络构建及并联SVM加权识别方法 |
CN109036568A (zh) * | 2018-09-03 | 2018-12-18 | 浪潮软件集团有限公司 | 一种基于朴素贝叶斯算法的预测模型的建立方法 |
CN109589092A (zh) * | 2018-10-08 | 2019-04-09 | 广州市本真网络科技有限公司 | 基于集成学习的阿尔茨海默症确定方法及系统 |
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 |
CN109993230A (zh) * | 2019-04-04 | 2019-07-09 | 江南大学 | 一种面向脑功能磁共振图像分类的tsk模糊系统建模方法 |
CN110097128A (zh) * | 2019-05-07 | 2019-08-06 | 广东工业大学 | 医学图像分类装置及系统 |
CN112070742A (zh) * | 2020-09-07 | 2020-12-11 | 杭州师范大学 | 基于自适应感受野3d空间注意力的脑影像分类装置 |
-
2020
- 2020-12-26 CN CN202011569399.7A patent/CN112561935B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102622607A (zh) * | 2012-02-24 | 2012-08-01 | 河海大学 | 一种基于多特征融合的遥感图像分类方法 |
CN103093087A (zh) * | 2013-01-05 | 2013-05-08 | 电子科技大学 | 一种基于多任务学习的多模态脑网络特征融合方法 |
CN104715261A (zh) * | 2015-03-23 | 2015-06-17 | 南京工业大学 | fMRI动态脑功能子网络构建及并联SVM加权识别方法 |
CN109036568A (zh) * | 2018-09-03 | 2018-12-18 | 浪潮软件集团有限公司 | 一种基于朴素贝叶斯算法的预测模型的建立方法 |
CN109589092A (zh) * | 2018-10-08 | 2019-04-09 | 广州市本真网络科技有限公司 | 基于集成学习的阿尔茨海默症确定方法及系统 |
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 |
CN109993230A (zh) * | 2019-04-04 | 2019-07-09 | 江南大学 | 一种面向脑功能磁共振图像分类的tsk模糊系统建模方法 |
CN110097128A (zh) * | 2019-05-07 | 2019-08-06 | 广东工业大学 | 医学图像分类装置及系统 |
CN112070742A (zh) * | 2020-09-07 | 2020-12-11 | 杭州师范大学 | 基于自适应感受野3d空间注意力的脑影像分类装置 |
Non-Patent Citations (6)
Title |
---|
LULU YUE等: "Hierarchical Feature Extraction for Early Alzheimer’s Disease Diagnosis", 《IEEE ACCESS》 * |
曾安,邹超,潘丹: "基于3D卷积神经网络-感兴趣区域的阿尔茨海默症辅助诊断模型", 《生物医学工程研究》 * |
曾安等: "基于卷积神经网络和集成学习的阿尔茨海默症早期诊断", 《生物医学工程学杂志》 * |
李慧卓: "基于集成学习的多模态AD辅助诊断模型研究", 《中国优秀博硕士学位论文全文数据库(硕士)医药卫生科技辑》 * |
李蝉秀等: "基于结构和功能的多模态脑影像与基因变异的关联研究", 《阿尔茨海默病及相关病杂志》 * |
郁松,廖文浩: "基于3D-ResNet的阿尔兹海默症分类算法研究", 《计算机工程与科学》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116110599A (zh) * | 2023-04-12 | 2023-05-12 | 北京航空航天大学 | 用于轻度认知障碍的筛查分析的装置、系统和存储介质 |
CN118398200A (zh) * | 2024-06-24 | 2024-07-26 | 陕西省人民医院(陕西省临床医学研究院) | 一种基于图像处理的术后认知障碍评估方法及系统 |
CN118398200B (zh) * | 2024-06-24 | 2024-09-10 | 陕西省人民医院(陕西省临床医学研究院) | 一种基于图像处理的术后认知障碍评估方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112561935B (zh) | 2022-09-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Suganyadevi et al. | A review on deep learning in medical image analysis | |
CN109447183B (zh) | 预测模型训练方法、装置、设备以及介质 | |
Pion-Tonachini et al. | ICLabel: An automated electroencephalographic independent component classifier, dataset, and website | |
US20220059229A1 (en) | Method and apparatus for analyzing medical treatment data based on deep learning | |
Jha et al. | Diagnosis of Alzheimer’s Disease Using Dual‐Tree Complex Wavelet Transform, PCA, and Feed‐Forward Neural Network | |
US20220366321A1 (en) | System and method for class specific deep learning | |
CN104361318A (zh) | 一种基于弥散张量成像技术的疾病诊断辅助系统及方法 | |
CN107845424B (zh) | 诊断信息处理分析的方法和系统 | |
CN113688862B (zh) | 一种基于半监督联邦学习的脑影像分类方法及终端设备 | |
CN111540467B (zh) | 精神分裂症分类识别方法、运行控制装置及医疗设备 | |
CN112561935B (zh) | 一种大脑影像智能分类方法、装置和设备 | |
CN113962930B (zh) | 阿尔茨海默病风险评估模型建立方法和电子设备 | |
Sagayam et al. | A cognitive perception on content-based image retrieval using an advanced soft computing paradigm | |
CN116597214A (zh) | 基于多模态超图注意网络的阿尔茨海默症分类方法及系统 | |
CN106510736A (zh) | 基于多维心理状态指标的心理状态判定方法与系统 | |
Pan et al. | Multi-classification prediction of Alzheimer’s disease based on fusing multi-modal features | |
CN115120238A (zh) | 基于联邦学习多中心首发精神分裂症患者的识别方法、装置及系统 | |
Cheng et al. | De-accumulated error collaborative learning framework for predicting Alzheimer’s disease progression | |
Zhang et al. | Modeling alzheimer’s disease progression via amalgamated magnitude-direction brain structure variation quantification and tensor multi-task learning | |
Lai et al. | An exploration of machine learning methods for predicting post-stroke aphasia recovery | |
Sasikala | A CAD system design using iteratively reweighted fuzzy c-means and deep tree training for Alzheimer's disease diagnosis | |
Hamdi et al. | Biomarker detection from fmri-based complete functional connectivity networks | |
Tajammal et al. | Deep Learning‐Based Ensembling Technique to Classify Alzheimer’s Disease Stages Using Functional MRI | |
Shankar et al. | An Efficient MR Images Based Analysis to Predict Alzheimer's Dementia Stage Using Random Forest Classifier | |
Elakkiya | Toward improving the accuracy in the diagnosis of schizophrenia using functional magnetic resonance imaging (fMRI) |
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 |