CN114366022A - 一种基于深度学习的阿尔茨海默症分类系统 - Google Patents
一种基于深度学习的阿尔茨海默症分类系统 Download PDFInfo
- Publication number
- CN114366022A CN114366022A CN202111480557.6A CN202111480557A CN114366022A CN 114366022 A CN114366022 A CN 114366022A CN 202111480557 A CN202111480557 A CN 202111480557A CN 114366022 A CN114366022 A CN 114366022A
- Authority
- CN
- China
- Prior art keywords
- alzheimer
- independent
- deep learning
- disease classification
- classification system
- 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
Links
- 208000024827 Alzheimer disease Diseases 0.000 title claims abstract description 41
- 238000013135 deep learning Methods 0.000 title claims abstract description 23
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 238000012880 independent component analysis Methods 0.000 claims abstract description 19
- 230000002441 reversible effect Effects 0.000 claims abstract description 5
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 4
- 238000007781 pre-processing Methods 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims 1
- 238000000034 method Methods 0.000 abstract description 25
- 230000002829 reductive effect Effects 0.000 abstract description 5
- 238000002599 functional magnetic resonance imaging Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 230000003068 static effect Effects 0.000 description 7
- 210000004556 brain Anatomy 0.000 description 6
- 201000010099 disease Diseases 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 208000010877 cognitive disease Diseases 0.000 description 4
- 208000027061 mild cognitive impairment Diseases 0.000 description 4
- 238000007637 random forest analysis Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 230000004886 head movement Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 229940050561 matrix product Drugs 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 230000000284 resting effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000003759 clinical diagnosis Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000002610 neuroimaging Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 208000014644 Brain disease Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 230000005786 degenerative changes Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000000004 hemodynamic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
- A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
- A61B5/0042—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part for the brain
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Molecular Biology (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Neurology (AREA)
- Radiology & Medical Imaging (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Child & Adolescent Psychology (AREA)
- Psychology (AREA)
- Neurosurgery (AREA)
- High Energy & Nuclear Physics (AREA)
- Hospice & Palliative Care (AREA)
- Developmental Disabilities (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于深度学习的阿尔茨海默症分类系统，包括数据获取模块，被配置为，获取图像数据；独立分解模块，被配置为，根据获取的图像数据，利用独立成分分析算法得到独立成分；分类模块，被配置为，根据独立成分，利用长短记忆网络模型得到阿尔茨海默症分类结果；其中，利用独立成分分析算法获得组级的独立成分，采用反向重建回归得到每个独立个体的独立成分。本发明采用基于独立成分分析和长短记忆网络对阿尔茨海默症进行诊断，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。
Description
技术领域
本发明涉及人工智能与医学图像处理技术领域，尤其涉及一种基于深度学习的阿尔茨海默症分类系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
功能核磁共振成像(fMRI)原理是利用磁振造影来测量神经元活动所引发之血液动力的改变，能够给出大脑中不同区域间更精确的功能关系。在某些疾病的早期阶段可能没有结构上的或者临床上症状的改变，但是会在某些功能方面发生退行性病变。且相对于其他脑成像技术来说，fMRI具有分辨率高、损伤性小等优点。因此，fMRI已经成为脑疾病辅助诊断中不可或缺的一部分。
目前对于fMRI的阿尔茨海默症(Alzheimer's disease，AD)分类方法主要是寻找大脑不同区域间的功能连接(FC)状态。在传统的基于网络的分析中，假设在一个大约5～10分钟的典型fMRI扫描过程中，不同脑区之间的相关性在2～3秒的重复时间(TR)范围内不随时间变化(即时间静止)。由于这一假设，在整个fMRI扫描期间计算大脑区域相关性，以表征网络连接强度。
独立成分分析(ICA)是一种用于将多元信号分离为加性子分量的计算方法，它可以将静息态下的大脑分为若干个互相独立的静息态网络(RSN)。有研究表明，阿尔茨海默症患者(AD)相对于正常对照(NC)来说，在某些RSN会产生病变。
然而，发明人发现在现有技术中至少存在以下问题：
(1)功能连接的时间特征包含了丰富的信息并且功能连接能够表达静息或任务状态下神经活动时间模式的变化，把整个扫描阶段的功能连接视为静态是不合理的。
(2)不同感兴趣区域(ROI)，或者不同脑区之间的功能连接信息过于庞大，难免存在冗余特征，从而降低分类的可靠性。
(3)目前常用的深度学习网络大多用于提取图像纹理等特征，对于时间信息丰富的fMRI并不敏感。
发明内容
本发明为了解决上述问题，提出了一种基于深度学习的阿尔茨海默症分类系统，本发明能够快速有效的辅助医生进行疾病早期精确的临床诊断。
根据一些实施例，本发明采用如下技术方案：
一种基于深度学习的阿尔茨海默症分类系统，包括：
数据获取模块，被配置为，获取图像数据；
独立分解模块，被配置为，根据获取的图像数据，利用独立成分分析算法得到独立成分；
分类模块，被配置为，根据独立成分，利用长短记忆网络模型得到阿尔茨海默症分类结果；
其中，利用独立成分分析算法获得组级的独立成分，采用反向重建回归得到每个独立个体的独立成分。
进一步地，所述获取图像数据，包括对图像数据进行预处理。
进一步地，所述得到每个独立个体的独立成分后，剔除噪声成分，并提取所有独立成分的时间序列。
进一步地，所述提取所有独立成分的时间序列，包括对时间序列使用滑动窗口进行截取。
进一步地，所述提取所有独立成分的时间序列，还包括获取滑动窗口内的子时间序列之间的相关系数，从而得到动态特征。
进一步地，所述获取滑动窗口内的子时间序列之间的相关系数，基于用皮尔逊相关理论获取。
进一步地，所述动态特征输入到长短记忆网络模型中，即得到对阿尔茨海默症的分类结果。
进一步地，所述长短记忆网络模型，还包括采用adam算法对模型进行优化。
一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的一种基于深度学习的阿尔茨海默症分类方法。
一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的一种基于深度学习的阿尔茨海默症分类方法。
与现有技术相比，本发明的有益效果为：
本发明采用基于独立成分分析和长短记忆网络对阿尔茨海默症进行诊断，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。
本发明中获得的动态功能连接矩阵可以揭示不同被试大脑功能网络的动态差异，获得丰富的时间特性。
本发明中使用的LSTM网络可以更有针对性的提取深度时间特征，相对于传统的深度网络来说可以节省训练的时间成本和算力成本，更加快速有效的辅助医生进行疾病早期精确的临床诊断。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
图1是本实施例1的流程图；
图2是本实施例1的LSTM网络模型结构图；
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发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请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申请的示例性实施方式。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，一种基于深度学习的阿尔茨海默症分类系统，包括：
数据获取模块，被配置为，获取图像数据；
独立分解模块，被配置为，根据获取的图像数据，利用独立成分分析算法得到独立成分；
分类模块，被配置为，根据独立成分，利用长短记忆网络模型得到阿尔茨海默症分类结果；
其中，利用独立成分分析算法获得组级的独立成分，采用反向重建回归得到每个独立个体的独立成分。
具体的，执行一种基于深度学习的阿尔茨海默症分类方法，具体包括：
步骤一、对原始图像进行预处理，以保留图像的有价值的信息，一定的程度上优化图像质量；
步骤二、将所有被试(包括正常对照、早期轻度认知障碍患者、晚期轻度认知障碍患者、阿尔茨海默症患者)的预处理后的图像执行组独立成分分析(GICA)算法，获取组级的独立成分，采用反向重建回归出每个独立个体的独立成分。
步骤三、剔除噪声成分后对于每个被试提取所有IC的时间序列(TS)，对时间序列使用滑动窗口进行截取并对所有窗口内的子时间序列运用皮尔逊相关理论获取时间序列之间的相关系数来动态表示功能连接随着时间的变化。
步骤四、将得到的动态特征送入LSTM网络，对四种状态的被试进行两两分类。
所述步骤一中：(1)获取公共数据集中的fMRI图像。本实施例采用“阿尔茨海默症神经影像学计划”(Alzheimer’s Disease Neuroimaging Initiative，ADNI)数据库中的数据，其中包括AD121例，早期轻度认知障碍(EMCI)患者61例，晚期轻度认知障碍(LMCI)患者49例和NC161例，共392例被试图像。
(2)图像预处理阶段：所有fMRI数据采用DPARSF(Data ProcessingAssistant forResting-State fMRI)工具箱进行严格的图像预处理，流程如下：
A1：时间层校正。对切片间可能存在的偏差进行校正。
A2：头动校正。被试扫描过程中可能存在小幅度头动，对于头动大于2mm，头部旋转角度超过2°的被试进行剔除。
A3：归一化。利用仿射变换和非线性配准将所有被试配准到蒙特利尔神经研究所建立的MNI152标准模板。
A4：平滑。利用4mm的半最大值(FWHM)高斯平滑核对数据进行平滑处理，以提高数据的信噪比。
所述步骤二中：将预处理后的所有被试视为一个组，利用GIFT(Group ICA/IVA OffMRI Toolbox)工具箱进行组独立成分分析，流程如下：
B1：主成分分析。采用主成分分析(PCA)算法对数据进行降维操作，以筛选重要特征，经过两次PCA降维将主成分个数降为20。
B2：独立成分估计。对所有被试进行组级独立成分分析，获取20个独立成分。
B3：反向重建。利用反向重建算法回归出每个被试的独立成分，其中5个成分被视为噪声成分从而共获得每个被试的15个独立成分
所述步骤三中：将得到的独立成分提取其时间序列，并获取动态的子时间序列，从而得到随时间变化的功能连接矩阵，流程如下：
C1：获取时间序列。对B3中得到的独立成分提取平均时间序列。
C2：滑动窗口截取。利用窗长为50TR，步长为1TR的滑动窗口对时间序列进行截取，得到一系列的子时间序列。
C3：功能连接矩阵。对于每个窗口截取出的子时间序列做皮尔逊相关，得到不同独立成分之间的相关系数，以此来表示不同独立成分间的功能连接状态。
所述步骤四中：采用了层数为7的LSTM网络。网络模型采用adam(adaptive momentestimation)算法进行优化，梯度移动平均值的衰减率设为0.9。该网络的学习率初始化为0.001，权重更新采用每批40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。网络结构如下：
(1)输入层。将获得的动态特征作为输入，送入网络进行训练；
(2)长短记忆网络层。该层共包括30个隐藏单元，对特征进行选择或遗忘，提取深度时间特征；
(3)全连接层1。将LSTM层得到的特征进行结合，该层输出大小为100*分类个数，即100*2；
(4)激活函数层1。该网络中用到的第一个激活函数为ReLu，其优点是梯度和计算量小，可以得到稀疏激活的神经网络；
(5)全连接层2。将激活函数层1得到的特征进行结合，该层输出大小为1分类个数，即2；
(6)激活函数层2。第二个激活函数采用Softmax，将所有可能的输出归一化；
(7)分类输出层。该层输出分类预测的结果。
本公开所提出的方法对四类被试进行两两分类，得到六个分类结果(EMCIvs.LMCI，NC vs.EMCI，AD vs.LMCI，NC vs.LMCI，AD vs.EMCI，AD vs.NC)，其中在AD vs.NC中得到了最佳分类结果，其中准确率为98.22％，敏感性为99.38％，特异性为96.7％，F1分数为98.46％。
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的动态连接方法。采用解剖自动标记图谱(AAL)将预处理后的fMRI划分为116个ROI，分别提取116个ROI中的平均时间序列，对序列做同样的滑动窗口进行截取获取子时间序列，对子时间序列应用皮尔逊相关得到动态功能连接矩阵积作为每个fMRI的特征表示；最后将ROI动态特征提供给LSTM网络。
方法二、基于ICA的静态连接方法。对于采用组独立成分分析得到的最终成分提取时间序列，分别提取15个IC中的平均时间序列，对序列做皮尔逊相关得到静态功能连接矩阵积作为每个fMRI的特征表示；最后将IC特征提供给用于疾病分类的随机森林(RandomForest，RF)分类器。
方法三、基于ROI的静态连接方法。采用解剖自动标记图谱(AAL)将预处理后的fMRI划分为116个ROI，分别提取116个ROI中的平均时间序列，对序列做皮尔逊相关得到静态功能连接矩阵积作为每个fMRI的特征表示；最后将ROI特征提供给用于疾病分类的随机森林(Random Forest，RF)分类器。
本实施例算法与其他算法的结果比较见图3。通过对比本实施例算法与基于ROI的动态连接方法、基于ICA的静态连接方法和基于ROI的静态连接方法，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
一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行本实施例1提供的一种基于深度学习的阿尔茨海默症分类系统。
实施例3
一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行本实施例1提供的一种基于深度学习的阿尔茨海默症分类系统。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明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发明的保护范围以内。
Claims (10)
1.一种基于深度学习的阿尔茨海默症分类系统，其特征在于，包括：
数据获取模块，被配置为，获取图像数据；
独立分解模块，被配置为，根据获取的图像数据，利用独立成分分析算法得到独立成分；
分类模块，被配置为，根据独立成分，利用长短记忆网络模型得到阿尔茨海默症分类结果；
其中，利用独立成分分析算法获得组级的独立成分，采用反向重建回归得到每个独立个体的独立成分。
2.如权利要求1所述的一种基于深度学习的阿尔茨海默症分类系统，其特征在于，所述获取图像数据，包括对图像数据进行预处理。
3.如权利要求2所述的一种基于深度学习的阿尔茨海默症分类系统，其特征在于，所述得到每个独立个体的独立成分后，剔除噪声成分，并提取所有独立成分的时间序列。
4.如权利要求3所述的一种基于深度学习的阿尔茨海默症分类系统，其特征在于，所述提取所有独立成分的时间序列，包括对时间序列使用滑动窗口进行截取。
5.如权利要求4所述的一种基于深度学习的阿尔茨海默症分类系统，其特征在于，所述提取所有独立成分的时间序列，还包括获取滑动窗口内的子时间序列之间的相关系数，从而得到动态特征。
6.如权利要求5所述的一种基于深度学习的阿尔茨海默症分类系统，其特征在于，所述获取滑动窗口内的子时间序列之间的相关系数，基于用皮尔逊相关理论获取。
7.如权利要求6所述的一种基于深度学习的阿尔茨海默症分类系统，其特征在于，所述动态特征输入到长短记忆网络模型中，即得到对阿尔茨海默症的分类结果。
8.如权利要求7所述的一种基于深度学习的阿尔茨海默症分类系统，其特征在于，所述长短记忆网络模型，还包括采用adam算法对模型进行优化。
9.一种计算机可读存储介质，其特征在于，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行权利要求1-8中任一项所述的一种基于深度学习的阿尔茨海默症分类系统。
10.一种终端设备，其特征在于，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行权利要求1-8中任一项所述的一种基于深度学习的阿尔茨海默症分类系统。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111480557.6A CN114366022A (zh) | 2021-12-06 | 2021-12-06 | 一种基于深度学习的阿尔茨海默症分类系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111480557.6A CN114366022A (zh) | 2021-12-06 | 2021-12-06 | 一种基于深度学习的阿尔茨海默症分类系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114366022A true CN114366022A (zh) | 2022-04-19 |
Family
ID=81140896
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111480557.6A Pending CN114366022A (zh) | 2021-12-06 | 2021-12-06 | 一种基于深度学习的阿尔茨海默症分类系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114366022A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110840432A (zh) * | 2019-12-02 | 2020-02-28 | 苏州大学 | 基于一维cnn-lstm的多通道脑电图癫痫自动检测装置 |
| CN112263253A (zh) * | 2020-11-18 | 2021-01-26 | 山东大学 | 基于深度学习与心电信号的抑郁症识别系统、介质及设备 |
| CN113057648A (zh) * | 2021-03-22 | 2021-07-02 | 山西三友和智慧信息技术股份有限公司 | 一种基于复合lstm结构的ecg信号分类方法 |
-
2021
- 2021-12-06 CN CN202111480557.6A patent/CN114366022A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110840432A (zh) * | 2019-12-02 | 2020-02-28 | 苏州大学 | 基于一维cnn-lstm的多通道脑电图癫痫自动检测装置 |
| CN112263253A (zh) * | 2020-11-18 | 2021-01-26 | 山东大学 | 基于深度学习与心电信号的抑郁症识别系统、介质及设备 |
| CN113057648A (zh) * | 2021-03-22 | 2021-07-02 | 山西三友和智慧信息技术股份有限公司 | 一种基于复合lstm结构的ecg信号分类方法 |
Non-Patent Citations (2)
| Title |
|---|
| ANEES ABROL 等: "Multimodal Data Fusion of Deep Learning and Dynamic Functional Connectivity Features to Predict Alzheimer’s Disease Progression", 2019 41ST ANNUAL INTERNATIONAL CONFERENCE OF THE IEEE ENGINEERING IN MEDICINE AND BIOLOGY SOCIETY (EMBC), 7 October 2019 (2019-10-07), pages 4410 - 4411 * |
| WEIZHENG YAN 等: "Deep Chronnectome Learning via Full Bidirectional Long Short-Term Memory Networks for MCI Diagnosis", MED. IMAGE COMPUT. COMPUT. ASSIST. INTERV., 13 September 2018 (2018-09-13), pages 251 - 256 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Shoeibi et al. | Applications of deep learning techniques for automated multiple sclerosis detection using magnetic resonance imaging: A review | |
| Aquino et al. | Identifying and removing widespread signal deflections from fMRI data: Rethinking the global signal regression problem | |
| CN109344889B (zh) | 脑疾病分类装置、用户终端和计算机可读存储介质 | |
| Torres et al. | Evaluation of interpretability for deep learning algorithms in EEG emotion recognition: A case study in autism | |
| CN115222688B (zh) | 基于图网络时间序列的医学影像分类方法 | |
| Byeon et al. | Artificial neural network inspired by neuroimaging connectivity: application in autism spectrum disorder | |
| CN115272295A (zh) | 基于时域-空域联合状态的动态脑功能网络分析方法及系统 | |
| WO2019229454A1 (en) | Apparatus and method for analysing functional mri data | |
| CN116758336A (zh) | 一种基于人工智能的医学图像智能分析系统 | |
| Bintsi et al. | Voxel-level importance maps for interpretable brain age estimation | |
| Zhao et al. | Attention residual convolution neural network based on U-net (AttentionResU-Net) for retina vessel segmentation | |
| Ciceri et al. | Review on deep learning fetal brain segmentation from magnetic resonance images | |
| Fedorov et al. | Almost instant brain atlas segmentation for large-scale studies | |
| Rondinella et al. | Boosting multiple sclerosis lesion segmentation through attention mechanism | |
| CN117218453B (zh) | 一种不完备多模态医学影像学习方法 | |
| Rai et al. | Automatic segmentation and classification of brain tumor from mr images using dwt-rbfnn | |
| CN116385467B (zh) | 基于自监督学习的脑血管分割方法及相关设备 | |
| Zhang et al. | Equivalent processing of facial expression and identity by macaque visual system and task-optimized neural network | |
| Nawaz et al. | Multi-Class Retinal Diseases Detection Using Deep CNN With Minimal Memory Consumption | |
| CN114366022A (zh) | 一种基于深度学习的阿尔茨海默症分类系统 | |
| CN113171075B (zh) | 基于深度生成模型的神经退行性疾病脑影像生成预测方法 | |
| CN115191946A (zh) | 基于多尺度卷积自编码器的脑网络盲源分离方法 | |
| CN114419015A (zh) | 一种基于多模态配准的脑功能融合分析方法 | |
| Stępień et al. | No-Reference Image Quality Assessment of Magnetic Resonance images with multi-level and multi-model representations based on fusion of deep architectures | |
| Zhang et al. | SAR image despeckling based on convolutional denoising autoencoder |
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 |