CN114048806A - 一种基于细粒度深度学习的阿尔兹海默症辅助诊断模型分类方法 - Google Patents

一种基于细粒度深度学习的阿尔兹海默症辅助诊断模型分类方法 Download PDF

Info

Publication number
CN114048806A
CN114048806A CN202111317191.0A CN202111317191A CN114048806A CN 114048806 A CN114048806 A CN 114048806A CN 202111317191 A CN202111317191 A CN 202111317191A CN 114048806 A CN114048806 A CN 114048806A
Authority
CN
China
Prior art keywords
alzheimer
fine
grained
disease
convolution
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.)
Pending
Application number
CN202111317191.0A
Other languages
English (en)
Inventor
张军
徐凯
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.)
Anhui University
Original Assignee
Anhui University
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 Anhui University filed Critical Anhui University
Priority to CN202111317191.0A priority Critical patent/CN114048806A/zh
Publication of CN114048806A publication Critical patent/CN114048806A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Abstract

本发明涉及一种基于细粒度深度学习的阿尔兹海默症辅助诊断模型分类方法，与现有技术相比解决了难以针对脑部PET影像细粒度分类的缺陷。本发明包括以下步骤：脑部PET影像的获取和预处理；细粒度深度学习阿尔兹海默症辅助诊断模型的建立；细粒度深度学习阿尔兹海默症辅助诊断模型的训练；待诊断脑部PET影像的获取；阿尔兹海默症辅助诊断结果的获得。可有效解决脑部PET影像细粒度分类精度不高问题，大大提高阿尔兹海默症诊断速度和诊断准确性，使得阿尔兹海默症辅助诊断更具有普适性。

Description

一种基于细粒度深度学习的阿尔兹海默症辅助诊断模型分类 方法
技术领域
本发明涉及医学影像处理技术领域，具体来说是一种基于细粒度深度学习的阿尔兹海默症辅助诊断模型分类方法。
背景技术
正电子发射型计算机断层显像(Positron Emission Computed Tomography，PET)其临床显像过程为：一些短寿命的物质，在衰变过程中释放出正电子，一个正电子在行进十分之几毫米到几毫米后遇到一个电子后发生湮灭，从而产生方向相反(180度)的一对能量为511KeV的光子(based on pair production)。这对光子，通过高度灵敏的照相机捕捉，并经计算机进行散射和随机信息的校正。便得到人体各部位横断面、冠状断面和矢状断面的影像，也可以得到在生物体内聚集情况的三维图像。
电子计算机断层扫描(Computed Tomography，CT)基本原理是图像重建，根据人体各种组织(包括正常和异常组织)对X射线吸收不等这一特性，将人体某一选定层面分成许多立方体小块(也称体素)X射线穿过体素后，测得的密度或灰度值称为象素。X射线束穿过选定层面，探测器接收到沿X射线束方向排列的各体素吸收X射线后衰减值的总和，为已知值，形成该总量的各体素X射线衰减值为未知值，当X射线发生源和探测器围绕人体做圆弧或圆周相对运动时。用迭代方法求出每一体素的X射线衰减值并进行图像重建，得到该层面不同密度组织的黑白图像。
PET-CT的图像融合是将PET(功能分子影像)与CT(解剖影像)两种不同成像原理的设备同机组合，不是其功能的简单相加。而是在此基础上进行图像融合，融合后的图像既有精细的解剖结构又有丰富的生理.生化功能信息能为确定和查找肿瘤及其它病灶的精确位置定量、定性诊断提供依据。并可用X线对核医学图像进行衰减校正。
阿尔兹海默症(Alzheimer's disease，AD)是一种发病率较高的神经退行性疾病，目前AD的诊断主要通过计算机辅助脑部影像数据分析诊断，常见影像的包括磁共振成像(Magnetic Resonance Imaging，MRI)及正电子发射计算机断层显像(Positron EmissionComputed Tomography，PET)等，其中PET在AD诊断中应用最为广泛。传统的诊断中方法太过于依赖患者和医生的主观意识，同时患者的年龄和学历等各种因素也会严重影响诊断的准确性，标准难以统一。近年来人工智能技术已经广泛应用于各行各业，特别是在医疗领域应用广泛。
因此，现阶段采用一种基于细粒度深度学习的阿尔兹海默症辅助诊断模型分类方法对脑部PET影像进行准确识别，从而达到阿尔兹海默症的辅助诊断效果已经成为急需解决的技术问题。
发明内容
本发明的目的是为了解决现有技术中的不足，针对细粒度脑部PET影像难以精准分类阿尔兹海默症的缺陷，提供一种基于细粒度深度学习的阿尔兹海默症辅助诊断模型分类方法来解决上述问题。
为了实现上述目的，本发明的技术方案如下：
一种基于细粒度深度学习的阿尔兹海默症辅助诊断模型分类方法，包括以下步骤：
11)脑部PET影像训练集的获取和预处理：获取已确诊患有阿尔兹海默症的患者脑部PET影像数据和已确诊患有轻度阿尔兹海默症的患者脑部PET影像数据以及未患有阿尔兹海默症的患者脑部PET影像数据，并对脑部PET影像数据进行裁剪、归一化、数据增强等预处理；
12)细粒度阿尔兹海默症辅助诊断模型的建立：基于移动翻转瓶颈卷积结构构建细粒度阿尔兹海默症辅助诊断模型；
13)细粒度阿尔兹海默症辅助诊断模型的训练：将预处理后的脑部PET影像数据输入细粒度阿尔兹海默症辅助诊断模型，得到训练后的细粒度阿尔兹海默症辅助诊断模型；
14)待诊断影像的获取：获取待诊断的脑部PET影像数据并进行相同的预处理；
15)细粒度阿尔兹海默症辅助诊断结果的获得：将预处理后的待诊断的脑部PET影像数据输入训练后的细粒度阿尔兹海默症辅助诊断模型，获得阿尔兹海默症辅助诊断结果。
所述脑部PET影像训练集的获取和预处理包括以下步骤：
21)读取原始的脑部PET影像；
22)根据原始的脑部PET影像进行脑部自适应裁剪，其具体步骤如下：
221)通过检索遍历像素值获取各个位置的像素点；
222)将设置既定像素阈值筛选出阈值之上的像素值的索引坐标；
223)根据这些索引坐标进行二次筛选，选出坐标值中横纵坐标位置最大最小值，以这些坐标值来界定大脑极限边界位置；
224)对于获取的最大最小的横纵坐标值加入自适应边界系数；
225)该系数加入的评判条件是对于最大的坐标值进行自适应扩增，对于坐标值进行自适应缩减，然后扩增或缩减后的尺度需要在原来未裁剪前的尺度范围内，否则自适应系数为0。
23)对脑部自适应裁剪后的影像进行边缘填充；
24)对边缘填充后的影像进行归一化处理；
25)对归一化后的脑部PET影像进行数据增广，得到最终的预处理后的影像；数据增广的具体步骤如下：
251)以0.5的概率对图像进行中心旋转,左右最大旋转角度为180度；
252)以0.5的概率对图像进行仿射变换，变形程度0.15；
253)以0.5的概率对图像进行亮度变换，变换幅度为0到0.5；
254)以0.5的概率对图像进行对比度变换，变换幅度为0到0.5；
255)以0.5的概率对图像进行饱和度变换，变换幅度为0到0.5。所述细粒度阿尔兹海默症辅助诊断模型的建立包括以下步骤：
31)构建具备专注于其输入(或特征)子集能力的神经注意力机制模块(SE)；
首先对输入执行一次全局平均池化；
在顺序执行一次全连接层、激活函数Swish；
在顺序执行一次全连接层、激活函数Sigmoid；
之后拼接最后一次全连接层的输出与输入做为最终神经注意力机制模块的输出。
32)构建用于提取抽象特征的移动翻转瓶颈卷积层结构(MBConv)；
设定每个移动翻转瓶颈卷积层结构后会跟一个数字1或6(MBConv1或MBConv6)，这里的1或6就是倍率因子n即移动翻转瓶颈卷积层结构中第一个1x1的卷积层会将输入特征矩阵的通道数量(channels)扩充为n倍；
设定其中k3x3或k5x5表示移动翻转瓶颈卷积层结构中深度可变卷积(DepthwiseConv)所采用的卷积核大小。
首先对输入依次执行卷积核大小为1x1普通卷积层(升维作用)、批归一化、激活函数Swish；
在依次执行一次卷积核大小为k x k的深度可变卷积、批归一化、激活函数Swish；
在执行一次神经注意力机制模块；
在依次执行一次卷积核大小为1x1普通卷积层(降维作用)、批归一化；
在执行一次连接失活层(Droupout)；
在拼接连接失活层的输出与输入做为最终移动翻转瓶颈卷积层结构的输出。
所述细粒度阿尔兹海默症辅助诊断模型的训练包括以下步骤：
41)将预处理后的脑部PET影像数据输入细粒度阿尔兹海默症辅助诊断模型；
42)依次执行一次64个卷积核大小为k3x3的普通卷积层、批归一化、激活函数Swish；
43)执行四次32个卷积核大小为k3x3的MBConv1结构卷积；
44)执行七次48个卷积核大小为k3x3的MBConv6结构卷积；
45)执行七次80个卷积核大小为k5x5的MBConv6结构卷积；
46)执行十次160个卷积核大小为k3x3的MBConv6结构卷积；
47)执行十次224个卷积核大小为k5x5的MBConv6结构卷积；
48)执行十三次384个卷积核大小为k5x5的MBConv6结构卷积；
49)执行四次640个卷积核大小为k3x3的MBConv6结构卷积；
410)依次执行一次2560个卷积核大小为k1x1普通卷积层、批归一化、激活函数Swish、一个平均池化层和一个全连接层组成；
411)执行一次全连接得到最终的分类概率。
412)使用Focal_Loss损失函数对最终的分类概率进行计算得到分类损失。
413)使用分类损失，反向传播更新模型参数。
414)判断是否达到设定的轮数，是则得到训练好的分类模型，否则返回41)步重新加载数据继续训练。
有益效果
本发明的一种基于细粒度深度学习的阿尔兹海默症辅助诊断模型分类方法，与现有技术相比通过基于细粒度深度学习的阿尔兹海默症辅助诊断模型训练方法得到的模型应用于阿尔兹海默症辅助诊方法中，可有效解决脑部细粒度分类精度不高问题，大大提高阿尔兹海默症诊断速度和诊断准确性，使得阿尔兹海默症诊断更具有普适性。
附图说明
图1是本发明的方法顺序图；
图2是本发明脑部PET影像预处理方法的流程图；
图3是本发明预处理结果示意图；
图4是本发明卷积神经网络模型结构示意图；
图5是本发明SE模块结构的示意图；
图6是本发明MBConv模块结构示意图；
具体实施方式
为使对本发明的结构特征及所达成的功效有更进一步的了解与认识，用以较佳的实施例及附图配合详细的说明，说明如下：
如图1所示，本发明所述的一种基于细粒度深度学习的阿尔兹海默症辅助诊断模型分类方法，包括以下步骤：
第一步，脑部PET影像训练集的获取和预处理：获取已确诊患有阿尔兹海默症的患者脑部PET影像数据和已确诊患有轻度阿尔兹海默症的患者脑部PET影像数据以及未患有阿尔兹海默症的患者脑部PET影像数据，并对脑部PET影像数据进行裁剪、归一化、数据增强等预处理；
由于脑部PET影像中的大脑外壳与影像的边界存在一段真空区域，这部分区域其实是无效区域，如果再进行后续的随机旋转翻转会进一步缩小ROI的区域，也就是实际有效样本的区域。因此本发明基于以上情况进行脑部自适应裁剪。由于神经网络对样本的都会进行resize操作，因此，对于裁剪完成后的样本其尺度都不一样的情况，本发明以自适应裁剪后的样本长边为基准对短边方向进行黑像素填充扩增，确保每张影像都是以正方形的形式。
其具体步骤如下，如图2所示：
(1)读取原始的脑部PET影像；
(2)根据原始的脑部PET影像进行脑部自适应裁剪，如图3所示，其具体步骤如下：
A1)通过检索遍历像素值获取各个位置的像素点；
A2)将设置既定像素阈值筛选出阈值之上的像素值的索引坐标；
A3)根据这些索引坐标进行二次筛选，选出坐标值中横纵坐标位置最大最小值，以这些坐标值来界定大脑极限边界位置；
A4)对于获取的最大最小的横纵坐标值加入自适应边界系数；
A5)该系数加入的评判条件是对于最大的坐标值进行自适应扩增，对于坐标值进行自适应缩减，然后扩增或缩减后的尺度需要在原来未裁剪前的尺度范围内，否则自适应系数为0。
(3)对脑部自适应裁剪后的影像进行边缘填充；
(4)对边缘填充后的影像进行归一化处理；
(5)对归一化后的脑部PET影像进行数据增广，得到最终的预处理后的影像；数据增广的具体步骤如下：
B1)以0.5的概率对图像进行中心旋转,左右最大旋转角度为180度；
B2)以0.5的概率对图像进行仿射变换，变形程度0.15；
B3)以0.5的概率对图像进行亮度变换，变换幅度为0到0.5；
B4)以0.5的概率对图像进行对比度变换，变换幅度为0到0.5；
B5)以0.5的概率对图像进行饱和度变换，变换幅度为0到0.5。
第二步，细粒度阿尔兹海默症辅助诊断模型的建立：基于移动翻转瓶颈卷积结构(Mobile Inverted Bottleneck Convolution，MBConv)构建细粒度阿尔兹海默症辅助诊断模型；
通过构建的细粒度阿尔兹海默症辅助诊断模型，可以针对细粒度的脑部PET影像数据从而达到更快的诊断以及较高的精度，能够自动辅助诊断阿尔兹海默症，同时诊断标准更加统一，使阿尔兹海默症辅助诊断具有普适性。并且通过采用Focal_Loss损失函数以及数据增广等方法解决了过拟合问题，从而达到较快的速度以及较高的精度。
其具体步骤如下：
(1)构建具备专注于其输入(或特征)子集能力的神经注意力机制模块(SE)，如图5所示；
首先对输入执行一次全局平均池化；
在顺序执行一次全连接层、激活函数Swish；
在顺序执行一次全连接层、激活函数Sigmoid；
之后拼接最后一次全连接层的输出与输入做为最终神经注意力机制模块的输出。
(2)构建用于提取抽象特征的移动翻转瓶颈卷积层结构(MBConv)，如图6所示；
设定每个移动翻转瓶颈卷积层结构后会跟一个数字1或6(MBConv1或MBConv6)，这里的1或6就是倍率因子n即移动翻转瓶颈卷积层结构中第一个1x1的卷积层会将输入特征矩阵的通道数量(channels)扩充为n倍；
设定其中k3x3或k5x5表示移动翻转瓶颈卷积层结构中深度可变卷积(DepthwiseConv)所采用的卷积核大小。
首先对输入依次执行卷积核大小为k1x1普通卷积层(升维作用)、批归一化、激活函数Swish；
在依次执行一次卷积核大小为k x k的深度可变卷积、批归一化、激活函数Swish；
在执行一次神经注意力机制模块；
在依次执行一次卷积核大小为1x1普通卷积层(降维作用)、批归一化；
在执行一次连接失活层(Droupout)；
在拼接连接失活层的输出与输入做为最终移动翻转瓶颈卷积层结构的输出，拼接连接失活层的输出与输入可以让模型具有随机的深度，缩短了模型训练所需的时间，提升了模型性能。
第三步，细粒度阿尔兹海默症辅助诊断模型的训练：将预处理后的脑部PET影像数据输入细粒度阿尔兹海默症辅助诊断模型，得到训练后的细粒度阿尔兹海默症辅助诊断模型；
在深度学习模型训练时，采用5折交叉验证，数据增广以及Focal_Loss损失函数来防止过拟合问题，以及一系列方法来提升最终的分割精度。细粒度影像难以分类的问题，在此，采用一种基于细粒度深度学习的阿尔兹海默症辅助诊断模型分类方法解决了分类精度不高问题，并且分类迅速，且精度较高。
其具体步骤如下，如图4所示：
(1)将预处理后的脑部PET影像数据输入细粒度阿尔兹海默症辅助诊断模型；
(2)依次执行一次64个卷积核大小为k3x3的普通卷积层、批归一化、激活函数Swish；
(3)执行四次32个卷积核大小为k3x3的MBConv1结构卷积；
(4)执行七次48个卷积核大小为k3x3的MBConv6结构卷积；
(5)执行七次80个卷积核大小为k5x5的MBConv6结构卷积；
(6)执行十次160个卷积核大小为k3x3的MBConv6结构卷积；
(7)执行十次224个卷积核大小为k5x5的MBConv6结构卷积；
(8)执行十三次384个卷积核大小为k5x5的MBConv6结构卷积；
(9)执行四次640个卷积核大小为k3x3的MBConv6结构卷积；
(10)依次执行一次2560个卷积核大小为k1x1普通卷积层、批归一化、激活函数Swish、一个平均池化层和一个全连接层组成；
(11)执行一次全连接得到最终的分类概率结果。
(12)使用Focal_Loss损失函数对最终的分类概率进行计算得到分类损失。
(13)使用分类损失，反向传播更新模型参数。
(14)判断是否达到设定的轮数，是则得到训练好的分类模型，否则返回(1)步重新加载数据继续训练。
第四步，待诊断影像的获取：获取待诊断的脑部PET影像数据并进行相同的预处理。
第五步，细粒度阿尔兹海默症辅助诊断结果的获得：将预处理后的待诊断的脑部PET影像数据输入训练后的细粒度阿尔兹海默症辅助诊断模型，获得阿尔兹海默症辅助诊断结果。
与现有技术相比，本发明具有如下优点与有益效果：本发明的一种基于细粒度深度学习的阿尔兹海默症辅助诊断模型分类方法，与现有技术相比通过基于细粒度深度学习的阿尔兹海默症辅助诊断模型训练方法得到的模型应用于阿尔兹海默症辅助诊方法中，可有效解决脑部细粒度分类精度不高问题，大大提高阿尔兹海默症诊断速度和诊断准确性，使得阿尔兹海默症诊断更具有普适性。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。

Claims (4)

1.一种基于细粒度深度学习的阿尔兹海默症辅助诊断模型分类方法，其特征在于，包括以下步骤：
11）脑部PET影像训练集的获取和预处理：获取已确诊患有阿尔兹海默症的患者脑部PET影像数据和已确诊患有轻度阿尔兹海默症的患者脑部PET影像数据以及未患有阿尔兹海默症的患者脑部PET影像数据，并对脑部PET影像数据进行裁剪、归一化、数据增强等预处理；
12）细粒度阿尔兹海默症辅助诊断模型的建立：基于移动翻转瓶颈卷积结构构建细粒度阿尔兹海默症辅助诊断模型；
13）细粒度阿尔兹海默症辅助诊断模型的训练：将预处理后的脑部PET影像数据输入细粒度阿尔兹海默症辅助诊断模型，得到训练后的细粒度阿尔兹海默症辅助诊断模型；
14）待诊断影像的获取：获取待诊断的脑部PET影像数据并进行相同的预处理；
15）细粒度阿尔兹海默症辅助诊断结果的获得：将预处理后的待诊断的脑部PET影像数据输入训练后的细粒度阿尔兹海默症辅助诊断模型，获得阿尔兹海默症辅助诊断结果。
2.根据权利要求1所述的一种基于细粒度深度学习的阿尔兹海默症辅助诊断模型分类方法，其特征在于，所述脑部PET影像训练集的获取和预处理包括以下步骤：
21）读取原始的脑部PET影像；
22）根据原始的脑部PET影像进行脑部自适应裁剪，其具体步骤如下：
221）通过检索遍历像素值获取各个位置的像素点；
222）将设置既定像素阈值筛选出阈值之上的像素值的索引坐标；
223）根据这些索引坐标进行二次筛选，选出坐标值中横纵坐标位置最大最小值，以这些坐标值来界定大脑极限边界位置；
224）对于获取的最大最小的横纵坐标值加入自适应边界系数；
225）该系数加入的评判条件是对于最大的坐标值进行自适应扩增，对于坐标值进行自适应缩减，然后扩增或缩减后的尺度需要在原来未裁剪前的尺度范围内，否则自适应系数为0；
23）对脑部自适应裁剪后的影像进行边缘填充；
24）对边缘填充后的影像进行归一化处理；
25）对归一化后的脑部PET影像进行数据增广，得到最终的预处理后的影像；数据增广的具体步骤如下：
251）以0.5的概率对图像进行中心旋转,左右最大旋转角度为180度；
252）以0.5的概率对图像进行仿射变换，变形程度0.15；
253）以0.5的概率对图像进行亮度变换，变换幅度为0到0.5；
254）以0.5的概率对图像进行对比度变换，变换幅度为0到0.5；
255）以0.5的概率对图像进行饱和度变换，变换幅度为0到0.5。
3.根据权利要求1所述的一种基于细粒度深度学习的阿尔兹海默症辅助诊断模型分类方法，其特征在于，所述细粒度阿尔兹海默症辅助诊断模型的建立包括以下步骤：
31）构建具备专注于其输入（或特征）子集能力的神经注意力机制模块；
首先对输入执行一次全局平均池化；
在顺序执行一次全连接层、激活函数Swish；
在顺序执行一次全连接层、激活函数Sigmoid；
之后拼接最后一次全连接层的输出与输入做为最终神经注意力机制模块的输出；
32）构建用于提取抽象特征的移动翻转瓶颈卷积层结构（MBConv）；
设定每个移动翻转瓶颈卷积层结构后会跟一个数字1或6（MBConv1或MBConv6），这里的1或6就是倍率因子n即移动翻转瓶颈卷积层结构中第一个1x1的卷积层会将输入特征矩阵的通道数量扩充为n倍；
设定其中k3x3或k5x5表示移动翻转瓶颈卷积层结构中深度可变卷积所采用的卷积核大小；
首先对输入依次执行卷积核大小为1x1普通卷积层（升维作用）、批归一化、激活函数Swish；
在依次执行一次卷积核大小为k x k的深度可变卷积、批归一化、激活函数Swish；
在执行一次神经注意力机制模块；
在依次执行一次卷积核大小为1x1普通卷积层（降维作用）、批归一化；
在执行一次连接失活层；
在拼接连接失活层的输出与输入做为最终移动翻转瓶颈卷积层结构的输出。
4.根据权利要求1所述的一种基于细粒度深度学习的阿尔兹海默症辅助诊断模型分类方法，其特征在于，所述细粒度阿尔兹海默症辅助诊断模型的训练包括以下步骤：
41）将预处理后的脑部PET影像数据输入细粒度阿尔兹海默症辅助诊断模型；
42）依次执行一次64个卷积核大小为k3x3的普通卷积层、批归一化、激活函数Swish；
43）执行四次32个卷积核大小为k3x3的MBConv1结构卷积；
44）执行七次48个卷积核大小为k3x3的MBConv6结构卷积；
45）执行七次80个卷积核大小为k5x5的MBConv6结构卷积；
46）执行十次160个卷积核大小为k3x3的MBConv6结构卷积；
47）执行十次224个卷积核大小为k5x5的MBConv6结构卷积；
48）执行十三次384个卷积核大小为k5x5的MBConv6结构卷积；
49）执行四次640个卷积核大小为k3x3的MBConv6结构卷积；
410）依次执行一次2560个卷积核大小为k1x1普通卷积层、批归一化、激活函数Swish、一个平均池化层和一个全连接层组成；
411）执行一次全连接得到最终的分类概率；
412）使用Focal_Loss损失函数对最终的分类概率进行计算得到分类损失；
413）使用分类损失，反向传播更新模型参数；
414）判断是否达到设定的轮数，是则得到训练好的分类模型，否则返回41）步重新加载数据继续训练。
CN202111317191.0A 2021-11-09 2021-11-09 一种基于细粒度深度学习的阿尔兹海默症辅助诊断模型分类方法 Pending CN114048806A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111317191.0A CN114048806A (zh) 2021-11-09 2021-11-09 一种基于细粒度深度学习的阿尔兹海默症辅助诊断模型分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111317191.0A CN114048806A (zh) 2021-11-09 2021-11-09 一种基于细粒度深度学习的阿尔兹海默症辅助诊断模型分类方法

Publications (1)

Publication Number Publication Date
CN114048806A true CN114048806A (zh) 2022-02-15

Family

ID=80207558

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111317191.0A Pending CN114048806A (zh) 2021-11-09 2021-11-09 一种基于细粒度深度学习的阿尔兹海默症辅助诊断模型分类方法

Country Status (1)

Country Link
CN (1) CN114048806A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111951950A (zh) * 2019-05-16 2020-11-17 中国科学院自动化研究所 基于深度学习的三维数据医疗分类系统、方法和装置
CN115064263A (zh) * 2022-06-08 2022-09-16 华侨大学 一种基于随机森林剪枝脑区选择的阿尔兹海默症预测方法
CN115375665A (zh) * 2022-08-31 2022-11-22 河南大学 一种基于深度学习策略的早期阿尔兹海默症发展预测方法
CN115831356A (zh) * 2023-02-20 2023-03-21 中国海洋大学 一种基于人工智能算法的辅助预测诊断方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107506797A (zh) * 2017-08-25 2017-12-22 电子科技大学 一种基于深度神经网络和多模态影像阿尔兹海默病分类方法
WO2020168820A1 (zh) * 2019-02-22 2020-08-27 中国石油大学(华东) 一种基于yolo卷积神经网络的胆石病ct医疗图像数据增强方法
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
CN112347984A (zh) * 2020-11-27 2021-02-09 安徽大学 基于嗅觉刺激的eeg采集和情感识别方法及其系统
CN112785593A (zh) * 2021-03-12 2021-05-11 大连民族大学 一种基于深度学习的脑部图像分割方法
CN112950587A (zh) * 2021-03-02 2021-06-11 中国科学院自动化研究所 基于深度学习的脑胶质瘤荧光图像分析方法、系统及设备
CN113096814A (zh) * 2021-05-28 2021-07-09 哈尔滨理工大学 一种基于多分类器融合的阿尔兹海默症分类预测方法
CN113158949A (zh) * 2021-04-30 2021-07-23 湖北工业大学 一种基于自监督学习的运动想象脑电信号分类方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107506797A (zh) * 2017-08-25 2017-12-22 电子科技大学 一种基于深度神经网络和多模态影像阿尔兹海默病分类方法
WO2020168820A1 (zh) * 2019-02-22 2020-08-27 中国石油大学(华东) 一种基于yolo卷积神经网络的胆石病ct医疗图像数据增强方法
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
CN112347984A (zh) * 2020-11-27 2021-02-09 安徽大学 基于嗅觉刺激的eeg采集和情感识别方法及其系统
CN112950587A (zh) * 2021-03-02 2021-06-11 中国科学院自动化研究所 基于深度学习的脑胶质瘤荧光图像分析方法、系统及设备
CN112785593A (zh) * 2021-03-12 2021-05-11 大连民族大学 一种基于深度学习的脑部图像分割方法
CN113158949A (zh) * 2021-04-30 2021-07-23 湖北工业大学 一种基于自监督学习的运动想象脑电信号分类方法
CN113096814A (zh) * 2021-05-28 2021-07-09 哈尔滨理工大学 一种基于多分类器融合的阿尔兹海默症分类预测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
RAHMA KADRI 等: "Alzheimer’s Disease Prediction Using EfficientNet and Fastai", 《KNOWLEDGE SCIENCE ENGINEERING AND MANAGEMENT 》 *
李彩等: "基于机器学习的阿尔兹海默症分类预测", 《中国医学物理学杂志》 *
林雪峰等: "基于深度学习的阿尔兹海默症多模态辅助诊断研究", 《工业控制计算机》 *
邓爽 等: "基于改进VGG的弱监督细粒度阿尔兹海默症分类方法", 《计算机应用》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111951950A (zh) * 2019-05-16 2020-11-17 中国科学院自动化研究所 基于深度学习的三维数据医疗分类系统、方法和装置
CN111951950B (zh) * 2019-05-16 2023-11-24 中国科学院自动化研究所 基于深度学习的三维数据医疗分类系统
CN115064263A (zh) * 2022-06-08 2022-09-16 华侨大学 一种基于随机森林剪枝脑区选择的阿尔兹海默症预测方法
CN115375665A (zh) * 2022-08-31 2022-11-22 河南大学 一种基于深度学习策略的早期阿尔兹海默症发展预测方法
CN115375665B (zh) * 2022-08-31 2024-04-16 河南大学 一种基于深度学习策略的早期阿尔兹海默症发展预测方法
CN115831356A (zh) * 2023-02-20 2023-03-21 中国海洋大学 一种基于人工智能算法的辅助预测诊断方法
CN115831356B (zh) * 2023-02-20 2024-02-27 中国海洋大学 一种基于人工智能算法的辅助预测诊断方法

Similar Documents

Publication Publication Date Title
CN114048806A (zh) 一种基于细粒度深度学习的阿尔兹海默症辅助诊断模型分类方法
CN111008984B (zh) 医学影像中正常器官的轮廓线自动勾画方法
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
Solanki et al. Brain tumor detection and classification using intelligence techniques: An overview
CN108985345B (zh) 一种基于肺部医学图像融合分类的检测装置
Shen et al. Simultaneous segmentation and classification of mass region from mammograms using a mixed-supervision guided deep model
US20230281809A1 (en) Connected machine-learning models with joint training for lesion detection
CN115496771A (zh) 一种基于脑部三维mri图像设计的脑肿瘤分割方法
CN108665454A (zh) 一种内镜图像智能分类及不规则病变区域检测方法
Tan et al. Analysis of segmentation of lung parenchyma based on deep learning methods
Zhao et al. D2a u-net: Automatic segmentation of covid-19 lesions from ct slices with dilated convolution and dual attention mechanism
CN109215035B (zh) 一种基于深度学习的脑部mri海马体三维分割方法
Liu et al. Robust cortical thickness morphometry of neonatal brain and systematic evaluation using multi-site MRI datasets
Qiu et al. A deep learning approach for segmentation, classification, and visualization of 3-D high-frequency ultrasound images of mouse embryos
Zhang et al. TW-Net: Transformer weighted network for neonatal brain MRI segmentation
CN116309806A (zh) 一种基于CSAI-Grid RCNN的甲状腺超声图像感兴趣区域定位方法
CN115797308A (zh) 一种基于dce-mri的乳腺肿瘤分割方法
Jadwaa X-Ray lung image classification using a canny edge detector
Taş et al. Detection of retinal diseases from ophthalmological images based on convolutional neural network architecture.
CN116862930B (zh) 适用于多模态的脑血管分割方法、装置、设备和存储介质
Ji et al. Review on Lung Cancer Lesion Detection and Segmentation Methods
Hasan et al. Semantic Lung Segmentation from Chest X-Ray Images Using Seg-Net Deep CNN Model
Khan et al. Region Extraction with Deep Cascaded Neural Architecture for Preserving Image Intensities
Akbaba et al. Determination of Appropriate Thresholding Method in Segmentation Stage in Detecting Breast Cancer Cells
Курбанов et al. DEEP LEARNING APPROACHES TO BIOMEDICAL IMAGE SEGMENTATION

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20220215