CN113763343B - 基于深度学习的阿兹海默症检测方法及计算机可读介质 - Google Patents
基于深度学习的阿兹海默症检测方法及计算机可读介质 Download PDFInfo
- Publication number
- CN113763343B CN113763343B CN202111008957.7A CN202111008957A CN113763343B CN 113763343 B CN113763343 B CN 113763343B CN 202111008957 A CN202111008957 A CN 202111008957A CN 113763343 B CN113763343 B CN 113763343B
- Authority
- CN
- China
- Prior art keywords
- image
- alzheimer
- entropy
- slices
- steps
- 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
- 208000024827 Alzheimer disease Diseases 0.000 title claims abstract description 41
- 238000001514 detection method Methods 0.000 title claims abstract description 41
- 238000013135 deep learning Methods 0.000 title claims abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 238000013421 nuclear magnetic resonance imaging Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 17
- 238000012937 correction Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000007636 ensemble learning method Methods 0.000 claims description 5
- 238000013526 transfer learning Methods 0.000 claims description 5
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 3
- 230000003213 activating effect Effects 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000012790 confirmation Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 210000003625 skull Anatomy 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 description 11
- 230000010354 integration Effects 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 206010012289 Dementia Diseases 0.000 description 1
- 206010039966 Senile dementia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004770 neurodegeneration Effects 0.000 description 1
- 208000015122 neurodegenerative disease Diseases 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 210000004885 white matter Anatomy 0.000 description 1
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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/259—Fusion by voting
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于深度学习的阿兹海默症检测方法及计算机可读介质，其中阿兹海默症检测方法包括：步骤1：获取结构性核磁共振成像sMRI图像训练集，进行数据预处理；步骤2：基于熵选择最具信息量的图像切片；步骤3：构建阿兹海默症检测模型，并使用步骤2筛选的图像切片对检测模型进行训练；步骤4：将待检测的结构性核磁共振成像sMRI图像输入检测模型，获得检测结果。与现有技术相比，本发明具有准确度高、鲁棒性好、计算开销小等优点。
Description
技术领域
本发明涉及阿兹海默症预测技术领域，尤其是涉及一种基于深度学习的阿兹海默症检测方法及计算机可读介质。
背景技术
阿兹海默症(AD)，又称老年痴呆症，是一种以三种主要症状为特征的慢性进行性神经退行性疾病，也是痴呆最常见的病因，到目前为止，还没有任何治疗方法可以减缓或阻止AD对大脑的病理损害，因此这种疾病是致命的。目前，人们一致认为，有效的治疗减缓或停止AD的进展应该集中在疾病的早期阶段，即MCI，甚至是临床前阶段。早期的诊断与预后，对延缓AD进展与延长患者生命具有重要的意义。
针对阿兹海默症的影像检测，目前已有了一些研究，或基于传统算法，或基于深度学习的算法；或基于人工提取的特征，或基于自动提取的特征。传统的算法中，通常使用基于人工选取的感兴趣区域(ROI)的灰质体素体积作为特征，同时伴随着复杂的特征选取、学习步骤，现有技术中有的基于单模态数据有的基于多模态数据，多模态数据的应用具有不小的困难，因为医疗数据本身获取就十分昂贵，如果还需要多模态的数据，数据的获取就变得更加困难，所以现有技术中还未有一种简单且有效的阿兹海默症检测方法。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种准确度高、鲁棒性好、计算开销小的基于深度学习的阿兹海默症检测方法及计算机可读介质。
本发明的目的可以通过以下技术方案来实现：
一种基于深度学习的阿兹海默症检测方法，所述的阿兹海默症的检测方法为：
步骤1：获取结构性核磁共振成像sMRI图像训练集，进行数据预处理；
步骤2：基于熵选择最具信息量的图像切片；
步骤3：构建阿兹海默症检测模型，并使用步骤2筛选的图像切片对检测模型进行训练；
步骤4：将待检测的结构性核磁共振成像sMRI图像输入检测模型，获得检测结果。
优选地，所述的步骤1具体为：
步骤1-1：进行运动校正与确认；
具体为：
当存在多个量源时，校正微小运动，并将其平均在一起；
令inVol1,inVol2,...,inVoln分别为图像I的输入量，然后在运动校正后收到新的输出量：
步骤1-2：进行非均匀强度归一化；
具体为：
图像形成模型为：
其中，I是给定图像，U为未损坏的图像，f为偏置场，n为噪声；
使用公式在无噪声环境中，将上式修改为：
其中， 为具有n噪声和e误差的偏置量f；S{·}为平滑运算符，是B样条近似；
步骤1-3：进行Talairach变换计算；
首先，将像素左边转化为Talairach坐标；
然后，将仿射变换应用于上述获得的坐标；
步骤1-4：进行强度归一化；
步骤1-5：进行颅骨剥离操作；
步骤1-6：对图像进行裁剪操作。
优选地，所述的步骤2具体为：
使用基于图像熵的排序机制来获取更具信息量的图像切片，首先计算每个切片的图像熵，然后根据图像熵对切片进行排序，最后获取前m名所对应的m个切片。
更加优选地，所述的图像熵的计算方法为：
对于具有概率p1,p2,…,pi的一组M个符号，熵值E的计算方法为：
优选地，所述的步骤3具体为：
使用预训练的DenseNet经过迁移学习的方式获得阿兹海默症检测模型，将DenseNet原模型中顶层的输出部分删除，保留输出、稠密块与转化层，并将最后一个稠密块的输出连接上一个全局平均池化层，并且在之后直接添加新的输出层和全连接层，经过激活函数激活输出图像切片的分类结果；然后对搭建好的模型进行训练。
更加优选地，所述阿兹海默症检测模型的训练方法为：
使用分类交叉熵损失函数训练模型，若分类数量为2，则二进制交叉熵损失函数的计算方法为：
L(y,p)＝-(ylogp+(1-y)log(1-p))
若分类数量大于2，则分类交叉熵损失函数的计算方法为：
其中，M为分类数量，y为实际值，p为预测值。
更加优选地，所述的阿兹海默症检测模型在训练时采用小批量梯度下降方法更新网络特定神经元的参数θ，具体方法为：
其中，α为学习率，为梯度算子，J为损失函数，x和y分别为样本与标签。
优选地，所述的步骤4具体为：
步骤4-1：获取待检测sMRI图像每个切片的熵值；
步骤4-2：筛选出熵值最高的切片
步骤4-3：在范围内随机选取若干个切片；
步骤4-4：根据步骤4-3选取的若干个切片，通过集成学习方法获得待检测sMRI图像的预测分数，根据预测分数获得分类。
更加优选地，所述的集成学习方法包括投票法和平均法。
一种计算机可读介质，所述的计算机可读介质内存储有上述任一项所述的基于深度学习的阿兹海默症检测方法。
与现有技术相比，本发明具有以下有益效果：
一、准确度高、鲁棒性好：本发明中的阿兹海默症检测方法通过比较sMRI切片的熵，仅使用那些具有大量信息的切片用以训练，从而增强了模型的整体鲁棒性；在样本阶段的预测时，使用了基于熵选取的同一样本的多个切片进行预测，使用得到的结果通过集成以提高算法的准确度与鲁棒性。
二、计算开销小：本发明中的阿兹海默症检测方法是基于sMRI单模态影像利用深度卷积神经网络的一种算法，同时应用了迁移学习的技巧来提高算法效果并节省计算开销。
附图说明
图1为本发明中阿兹海默症检测方法的流程示意图；
图2为本发明中阿兹海默症检测方法训练阶段的示意图；
图3为本发明中阿兹海默症检测方法预测阶段的示意图；
图4为本发明实施例中sMRI切片熵值得分布图像；
图5为本发明中阿兹海默症检测模型的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
结构性核磁共振成像(sMRI)是被研究者广泛采用的一种模态，也是数据量相对较大的一种。sMRI图像是3D图像，目前已有的研究中，一般使用3D CNN或是基于分块(即将3D图像分割为不同的区域)的算法。类似于基于切片进行分类的Hon等人、Jain R等人的工作，本实施例选取sMRI图像中最具信息量的切片作为训练数据进行研究，不同于现有技术中的方法仅仅对切片进行分类，本实施例中的检测方法将其扩展到了病例层次的分类。本实施例提出的方法，是基于sMRI单模态影像利用深度卷积神经网络的一种算法，同时应用了迁移学习的技巧来提高算法效果并节省计算开销。同时，通过比较sMRI切片的熵，仅使用那些具有大量信息的切片用以训练，从而增强了模型的整体鲁棒性。并且，在样本阶段的预测时，使用了基于熵选取的同一样本的多个切片进行预测，使用得到的结果通过集成以提高算法的准确度与鲁棒性。
一种基于深度学习的阿兹海默症检测方法，其流程如图1所示，包括：
步骤1：获取结构性核磁共振成像sMRI图像训练集，进行数据预处理；
具体为：
步骤1-1：进行运动校正与确认；
具体为：
当存在多个量源时，校正微小运动，并将其平均在一起；
令inVol1,inVol2,...,inVoln分别为图像I的输入量，然后在运动校正后收到新的输出量：
步骤1-2：进行非均匀强度归一化(N3)，通过去除图像强度的不均匀性来校正MR数据；
具体为：
图像形成模型为：
其中，I是给定图像，U为未损坏的图像，f为偏置场，n为噪声；
使用公式在无噪声环境中，将上式修改为：
其中， 为具有n噪声和e误差的偏置量f，/>通常设置为0；S{·}为平滑运算符，是B样条近似；
步骤1-3：进行Talairach变换计算；
首先，将像素左边转化为Talairach坐标，具体方法为：
X′＝0.88X-0.8
Y′＝0.97Y-3.32
Z′＝0.05Y+0.88Z-0.44
然后，将仿射变换应用于上述获得的坐标；
步骤1-4：进行强度归一化，校正强度的拨正，可以调整所有体素的强度，使得白质的平均强度为110；
步骤1-5：进行颅骨剥离操作；
步骤1-6：对图像进行裁剪操作，将图像裁剪为200×200×3尺寸。
步骤2：基于熵选择最具信息量的图像切片；
本实施例使用基于图像熵的排序机制来获取更具信息量的切片，即计算每个切片的图像熵，并且选择每个主体的基于熵值的前32个切片并且丢弃其余切片，类似Hon等人工作中描述的方法。
步骤2具体为：使用基于图像熵的排序机制来获取更具信息量的图像切片，首先计算每个切片的图像熵，然后根据图像熵对切片进行排序，最后获取前m名所对应的m个切片。
图像熵的计算方法为：
对于具有概率p1,p2,…,pi的一组M个符号，熵值E的计算方法为：
根据前期实验数据显示，经过处理后的sMRI切片，熵的分布呈类正态分布N～(93.05,11.452)，如图4所示。
步骤3：如图2所示，构建阿兹海默症检测模型，并使用步骤2筛选的图像切片对检测模型进行训练；
为了构建分类模型，本实施例利用迁移学习的方法，来减少模型训练的时间，使用的是在Imagenet上预训练的Densenet。通过预训练的CNN作为特征提取部分，得到脑MRI切片的特征值。
具体地讲，为了利用分类任务的基本模型，删除了DenseNet原本模型中顶层的输出部分，仅保留了输入、稠密块与转化层。在移除模型的输出部分之后，将最后一个稠密块的输出连接上一个全局平均池化层，并且在之后直接添加新的输出层全连接层，经过Softmax激活，其输出为3类分数，用于3路分类；二元分类任务输出为1个类分数，经过Sigmoid函数激活。图5显示了最终得到的分类模型。
其中，Softmax是一个激活函数，它输出一个介于0和1之间的值，类似于Sigmoid函数，通常在类数大于2时使用，定义如下等式：
使用分类交叉熵损失函数训练模型，若分类数量为2，则二进制交叉熵损失函数的计算方法为：
L(y,p)＝-(ylogp+(1-y)log(1-p))
若分类数量大于2，则分类交叉熵损失函数的计算方法为：
其中，M为分类数量，y为实际值，p为预测值；
阿兹海默症检测模型在训练时采用小批量梯度下降方法更新网络特定神经元的参数θ，学习率设置为0.01，具体方法为：
其中，α为学习率，为梯度算子，J为损失函数，x和y分别为样本与标签。
步骤4：如图3所示，将待检测的结构性核磁共振成像sMRI图像输入检测模型，获得检测结果；
在训练完训练成切片层次的模型后，采用一种切片集成，用以准确地对病例层次进行分类。具体地讲，通过选取样本上一些特定的切片，输入模型进行预测切片的类别，通过预测分数的集成选出得票多的类别为样本阶段的类别。集成方法可以是简单的投票集成也可以是其他集成方式。
步骤4具体为：
步骤4-1：获取待检测sMRI图像每个切片的熵值；
步骤4-2：筛选出熵值最高的切片
步骤4-3：在范围内随机选取若干个切片，σ使用图4所示的统计数据，即11.45，在此范围内均匀采样5个序号，得到最终的序号选择；
步骤4-4：根据步骤4-3选取的若干个(本实施例中为5个)切片，通过集成学习方法获得待检测sMRI图像的预测分数，根据预测分数获得分类。
本实施例还涉及一种计算机可读介质，该介质存储有上述任一项基于深度学习的阿兹海默症检测方法。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (5)
1.一种基于深度学习的阿兹海默症检测方法，其特征在于，所述的阿兹海默症的检测方法为：
步骤1：获取结构性核磁共振成像sMRI图像训练集，进行数据预处理；
步骤2：基于熵选择最具信息量的图像切片；
步骤3：构建阿兹海默症检测模型，并使用步骤2筛选的图像切片对检测模型进行训练；
步骤4：将待检测的结构性核磁共振成像sMRI图像输入检测模型，获得检测结果；
所述的步骤2具体为：
使用基于图像熵的排序机制来获取更具信息量的图像切片，首先计算每个切片的图像熵，然后根据图像熵对切片进行排序，最后获取前m名所对应的m个切片；
所述的图像熵的计算方法为：
对于具有概率p1,p2,…,pi的一组M个符号，熵值E的计算方法为：
所述的步骤3具体为：
使用预训练的DenseNet经过迁移学习的方式获得阿兹海默症检测模型，将DenseNet原模型中顶层的输出部分删除，保留输出、稠密块与转化层，并将最后一个稠密块的输出连接上一个全局平均池化层，并且在之后直接添加新的输出层和全连接层，经过激活函数激活输出图像切片的分类结果；然后对搭建好的模型进行训练；
所述阿兹海默症检测模型的训练方法为：
使用分类交叉熵损失函数训练模型，若分类数量为2，则二进制交叉熵损失函数的计算方法为：
L(y,p)＝-(ylogp+(1-y)log(1-p))
若分类数量大于2，则分类交叉熵损失函数的计算方法为：
其中，M为分类数量，y为实际值，p为预测值；
所述的阿兹海默症检测模型在训练时采用小批量梯度下降方法更新网络特定神经元的参数θ，具体方法为：
θ＝θ-α▽θJ(θ；xi:i+n；yi:i+n)
其中，α为学习率，▽为梯度算子，J为损失函数，x和y分别为样本与标签。
2.根据权利要求1所述的一种基于深度学习的阿兹海默症检测方法，其特征在于，所述的步骤1具体为：
步骤1-1：进行运动校正与确认；
具体为：
当存在多个量源时，校正微小运动，并将其平均在一起；
令inVol1,inVol2,...,inVoln分别为图像I的输入量，然后在运动校正后收到新的输出量：
步骤1-2：进行非均匀强度归一化；
具体为：
图像形成模型为：
其中，I是给定图像，U为未损坏的图像，f为偏置场，n为噪声；
使用公式在无噪声环境中，将上式修改为：
其中， 为具有n噪声和e误差的偏置量f；S{·}为平滑运算符，是B样条近似；
步骤1-3：进行Talairach变换计算；
首先，将像素左边转化为Talairach坐标；
然后，将仿射变换应用于上述获得的坐标；
步骤1-4：进行强度归一化；
步骤1-5：进行颅骨剥离操作；
步骤1-6：对图像进行裁剪操作。
3.根据权利要求1所述的一种基于深度学习的阿兹海默症检测方法，其特征在于，所述的步骤4具体为：
步骤4-1：获取待检测sMRI图像每个切片的熵值；
步骤4-2：筛选出熵值最高的切片
步骤4-3：在范围内随机选取若干个切片；
步骤4-4：根据步骤4-3选取的若干个切片，通过集成学习方法获得待检测sMRI图像的预测分数，根据预测分数获得分类。
4.根据权利要求3所述的一种基于深度学习的阿兹海默症检测方法，其特征在于，所述的集成学习方法包括投票法和平均法。
5.一种计算机可读介质，其特征在于，所述的计算机可读介质内存储有如权利要求1～4中任一项所述的基于深度学习的阿兹海默症检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111008957.7A CN113763343B (zh) | 2021-08-31 | 2021-08-31 | 基于深度学习的阿兹海默症检测方法及计算机可读介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111008957.7A CN113763343B (zh) | 2021-08-31 | 2021-08-31 | 基于深度学习的阿兹海默症检测方法及计算机可读介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113763343A CN113763343A (zh) | 2021-12-07 |
| CN113763343B true CN113763343B (zh) | 2024-03-29 |
Family
ID=78792048
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111008957.7A Active CN113763343B (zh) | 2021-08-31 | 2021-08-31 | 基于深度学习的阿兹海默症检测方法及计算机可读介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113763343B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114512236A (zh) * | 2022-04-18 | 2022-05-17 | 山东师范大学 | 一种阿尔兹海默症智能辅助诊断系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111488914A (zh) * | 2020-03-17 | 2020-08-04 | 哈尔滨工业大学 | 一种基于多任务学习的阿尔茨海默症分类及预测系统 |
| CN111738302A (zh) * | 2020-05-28 | 2020-10-02 | 华南理工大学 | 一种基于多模态数据对阿尔茨海默病进行分类诊断的系统 |
| WO2020223434A1 (en) * | 2019-04-30 | 2020-11-05 | The Trustees Of Columbia University In The City Of New York | Classifying neurological disease status using deep learning |
| KR20200142835A (ko) * | 2019-06-13 | 2020-12-23 | 조선대학교산학협력단 | 뇌이미지를 이용하는 알츠하이머 진단장치 |
| CN113298758A (zh) * | 2021-04-29 | 2021-08-24 | 深圳市铱硙医疗科技有限公司 | 阿尔兹海默症的辅助诊断系统、其数据处理方法及终端 |
-
2021
- 2021-08-31 CN CN202111008957.7A patent/CN113763343B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020223434A1 (en) * | 2019-04-30 | 2020-11-05 | The Trustees Of Columbia University In The City Of New York | Classifying neurological disease status using deep learning |
| KR20200142835A (ko) * | 2019-06-13 | 2020-12-23 | 조선대학교산학협력단 | 뇌이미지를 이용하는 알츠하이머 진단장치 |
| CN111488914A (zh) * | 2020-03-17 | 2020-08-04 | 哈尔滨工业大学 | 一种基于多任务学习的阿尔茨海默症分类及预测系统 |
| CN111738302A (zh) * | 2020-05-28 | 2020-10-02 | 华南理工大学 | 一种基于多模态数据对阿尔茨海默病进行分类诊断的系统 |
| CN113298758A (zh) * | 2021-04-29 | 2021-08-24 | 深圳市铱硙医疗科技有限公司 | 阿尔兹海默症的辅助诊断系统、其数据处理方法及终端 |
Non-Patent Citations (2)
| Title |
|---|
| 基于卷积循环神经网络的阿尔茨海默症早期诊断;曾安;黄殷;潘丹;SONG Xiaowei;;生物医学工程研究(03);全文 * |
| 深度迁移学习辅助的阿尔兹海默氏症早期诊断;金祝新;秦飞巍;方美娥;;计算机应用与软件(05);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113763343A (zh) | 2021-12-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106815481B (zh) | 一种基于影像组学的生存期预测方法及装置 | |
| CN111798462B (zh) | 一种基于ct图像的鼻咽癌放疗靶区自动勾画方法 | |
| CN110310287B (zh) | 基于神经网络的危及器官自动勾画方法、设备和存储介质 | |
| CN111488914B (zh) | 一种基于多任务学习的阿尔茨海默症分类及预测系统 | |
| CN111784671B (zh) | 基于多尺度深度学习的病理图像病灶区域检测方法 | |
| CN107578416B (zh) | 一种由粗到精级联深度网络的心脏左心室全自动分割方法 | |
| WO2022063199A1 (zh) | 一种肺结节自动检测方法、装置及计算机系统 | |
| CN109447998B (zh) | 基于PCANet深度学习模型下的自动分割方法 | |
| CN111462116A (zh) | 基于影像组学特征的多模态参数模型优化融合方法 | |
| CN111882560B (zh) | 一种基于加权全卷积神经网络的肺实质ct图像分割方法 | |
| CN109829882B (zh) | 一种糖尿病视网膜病变分期预测方法 | |
| CN108122221B (zh) | 弥散加权成像图像中脑缺血区域的分割方法及装置 | |
| CN112446891B (zh) | 基于U-Net网络脑胶质瘤的医学图像分割方法 | |
| CN111738363B (zh) | 基于改进的3d cnn网络的阿尔茨海默病分类方法 | |
| CN112862830B (zh) | 一种多模态图像分割方法、系统、终端及可读存储介质 | |
| Soleymanifard et al. | Segmentation of whole tumor using localized active contour and trained neural network in boundaries | |
| CN115601330A (zh) | 一种基于多尺度空间反向注意力机制的结肠息肉分割方法 | |
| CN113763343B (zh) | 基于深度学习的阿兹海默症检测方法及计算机可读介质 | |
| CN112529886A (zh) | 一种基于Attention DenseUNet的MRI神经胶质瘤分割方法 | |
| CN117036288A (zh) | 一种面向全切片病理图像的肿瘤亚型诊断方法 | |
| CN112712520A (zh) | 一种基于ARU-Net脉络膜层分割方法 | |
| CN115018780B (zh) | 一种融合全局推理和mlp架构的甲状腺结节分割方法 | |
| CN111932575A (zh) | 基于模糊c均值和概率标签融合的图像分割方法及系统 | |
| CN114913174B (zh) | 用于血管系统变异检测的方法、装置和存储介质 | |
| CN110738231B (zh) | 改进S-DNet神经网络模型的乳腺X射线图像的分类方法 |
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 |