CN116310352A - 一种阿尔兹海默病mri图像多分类方法及装置 - Google Patents
一种阿尔兹海默病mri图像多分类方法及装置 Download PDFInfo
- Publication number
- CN116310352A CN116310352A CN202310108568.4A CN202310108568A CN116310352A CN 116310352 A CN116310352 A CN 116310352A CN 202310108568 A CN202310108568 A CN 202310108568A CN 116310352 A CN116310352 A CN 116310352A
- Authority
- CN
- China
- Prior art keywords
- brain
- mri
- image
- lobe
- map
- 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
- 208000024827 Alzheimer disease Diseases 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 title claims abstract description 58
- 210000004556 brain Anatomy 0.000 claims abstract description 338
- 210000003478 temporal lobe Anatomy 0.000 claims abstract description 76
- 210000001652 frontal lobe Anatomy 0.000 claims abstract description 71
- 210000000869 occipital lobe Anatomy 0.000 claims abstract description 39
- 230000004927 fusion Effects 0.000 claims abstract description 37
- 201000010099 disease Diseases 0.000 claims abstract description 17
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims description 127
- 230000000903 blocking effect Effects 0.000 claims description 85
- 230000011218 segmentation Effects 0.000 claims description 43
- 230000006870 function Effects 0.000 claims description 41
- 238000012545 processing Methods 0.000 claims description 33
- 238000010586 diagram Methods 0.000 claims description 32
- 230000001419 dependent effect Effects 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 19
- 230000004913 activation Effects 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 210000001152 parietal lobe Anatomy 0.000 claims description 4
- 238000013519 translation Methods 0.000 claims description 3
- 238000010008 shearing Methods 0.000 claims description 2
- 238000000638 solvent extraction Methods 0.000 claims description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 241
- 238000003745 diagnosis Methods 0.000 description 12
- 206010003694 Atrophy Diseases 0.000 description 11
- 230000037444 atrophy Effects 0.000 description 11
- 206010039966 Senile dementia Diseases 0.000 description 6
- 238000013136 deep learning model Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 208000024806 Brain atrophy Diseases 0.000 description 2
- 238000005481 NMR spectroscopy Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 206010012289 Dementia Diseases 0.000 description 1
- 206010061818 Disease progression Diseases 0.000 description 1
- 206010070246 Executive dysfunction Diseases 0.000 description 1
- 201000007201 aphasia Diseases 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 230000005750 disease progression Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000000971 hippocampal effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 206010027175 memory impairment Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 208000015122 neurodegenerative disease Diseases 0.000 description 1
- 238000013421 nuclear magnetic resonance imaging Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Geometry (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明涉及图像分类技术领域，揭露了一种阿尔兹海默病MRI图像多分类方法及装置，包括：接收病人的脑部MRI图像，将所述脑部MRI图像输入至预先构建的脑部结构识别模型，得到MRI颞叶图、MRI额叶图、MRI顶叶图及MRI枕叶图，其中，脑部结构自动识别模型由卷积层、特征融合层、注意力层及YOLO模型层，计算MRI颞叶图、MRI额叶图、MRI顶叶图及MRI枕叶图分别在脑部MRI图像的面积占比，并根据面积占比确定病人的阿尔兹海默病的病重等级。本发明主要目的在于解决目前多数方法仅依赖于单一模型识别脑部MRI图像的脑叶区域，从而造成阿尔兹海默病误判率较高的问题。
Description
技术领域
本发明涉及一种阿尔兹海默病MRI图像多分类方法及装置，属于图像分类技术领域。
背景技术
阿尔兹海默病(AD)是一种起病隐匿的进行性发展的神经系统退行性疾病。临床上以记忆障碍、失语、失用、失认、视空间技能损害、执行功能障碍以及人格和行为改变等全面性痴呆表现为特征。磁共振成像(Nuclear Magnetic Resonance Imaging，简称MRI)，又称自旋成像(英语：spin imaging)，是利用核磁共振(nuclear magneic resonance，简称NMR)原理，依据所释放的能量在物质内部不同结构环境中不同的衰减，通过外加梯度磁场检测所发射出的电磁波，即可得知构成这一物体原子核的位置和种类，据此可以绘制成物体内部的结构图像。
临床上，阿尔兹海默病MRI图像显示，轻度老年痴呆患者的MRI图像可以发现颞叶会出现轻度萎缩，其他脑叶区萎缩不会明显；中度老年痴呆的患者可见整个脑叶区域都会出现萎缩，其中颞叶区萎缩相对比较重；重度老年痴呆患者的脑叶萎缩非常明显，其中颞叶区及对应的海马萎缩更加明显。因此通过MRI技术获取脑部MRI图像，可有效诊断阿尔兹海默病患病程度。
目前基于脑部MRI图像诊断阿尔兹海默病患病程度主要依赖于人工诊断或技术诊断，其中人工诊断主要依赖于富有经验的医生，并根据脑部MRI图像中各脑叶萎缩程度，主观判断阿尔兹海默病的患病程度，严格来说人工诊断虽然效率差，但误诊概率低。技术诊断主要依赖于数字图像处理技术或机器学习、深度学习类模型执行脑部的各脑叶区域的智能识别，并将识别出的各脑叶区执行面积占比计算，从而推测出是否发生脑萎缩现象。
显而易见的，技术诊断可明显提高基于脑部MRI图像的阿尔兹海默病诊断效率。但由于目前多数技术诊断仅仅依赖于单一模型，如卷积神经网络模型，进而通过这类单一模型实现脑叶区域划分和脑叶面积占比计算，由于不同人脑、MRI拍摄环境以及MRI设备的差异性，极其容易导致误判现象，单一模型难以适应所有MRI图像，从而导致产生基于MRI图像的阿尔兹海默病误判现象。
发明内容
本发明提供一种阿尔兹海默病MRI图像多分类方法、装置及计算机可读存储介质，其主要目的在于解决目前多数方法仅依赖于单一模型识别脑部MRI图像的脑叶区域，从而造成阿尔兹海默病误判率较高的问题。
为实现上述目的，本发明提供的一种阿尔兹海默病MRI图像多分类方法，包括：
接收病人的脑部MRI图像，将脑部MRI图像执行二值化处理，得到脑部二值图像，其中脑部二值图像由包括像素值为0或1的二维图像矩阵组成；
利用预先构建的分块标准，依次将所述二维图像矩阵执行切分，得到多组不同维度的二维分块矩阵，其中分块标准为：按照二维分块矩阵的维度依次为2i*2i2i*2i执行切分，其中，i＝0，1，...，ni＝0，1，...，n，nn为二维图像矩阵的维度；
从多组不同维度的二维分块矩阵中选择包含像素值为1的分块矩阵，得到一组或多组单像素分块矩阵；
确定每组单像素分块矩阵在二维分块矩阵中的分块位置及所包括的像素值为1的个数，并以分块位置为自变量，像素值为1的总数为因变量拟合得到函数关系；
根据所述函数关系重新对脑部MRI图像执行二值化处理，得到优化二值图像，对所述优化二值图像执行脑部结构拆分，得到二值颞叶图、二值额叶图、二值顶叶图及二值枕叶图；
将所述脑部MRI图像输入至预先构建的脑部结构识别模型，得到MRI颞叶图、MRI额叶图、MRI顶叶图及MRI枕叶图，其中，脑部结构自动识别模型由卷积层、特征融合层、注意力层及YOLO模型层；
分别计算二值颞叶图、二值额叶图、二值顶叶图及二值枕叶图与对应的MRI颞叶图、MRI额叶图、MRI顶叶图及MRI枕叶图之间的各脑叶区的面积误差，得到颞叶面积误差、额叶面积误差、顶叶面积误差及枕叶面积误差；
若存在面积误差大于预设的面积阈值的脑叶区，则将所述脑部MRI图像发送至医生执行阿尔兹海默病的人为判断；
若不存在面积误差大于所述面积阈值的脑叶区，计算MRI颞叶图、MRI额叶图、MRI顶叶图及MRI枕叶图分别在脑部MRI图像的面积占比，并根据四组面积占比确定病人的阿尔兹海默病的病重等级。
可选地，所述确定每组单像素分块矩阵在二维分块矩阵中的分块位置，包括：
构建二维直角坐标系，将所述二维分块矩阵投射至二维直角坐标系中，其中，二维分块矩阵的左下角为二维直角坐标系的原点，二维直角坐标系的横坐标及纵坐标的距离划分以二维分块矩阵的像素间距为划分依据；
依次确定每组单像素分块矩阵在二维直角坐标系中的分块位置，其中分块位置由单像素分块矩阵的矩阵中心的中心坐标及矩阵边长组成。
可选地，所述以分块位置为自变量，像素值为1的总数为因变量拟合得到函数关系，包括：
设定所有单像素分块矩阵对应的矩阵中心坐标集为CC，其中C＝{(xj，yj)|j＝0，1，...，m}C＝{(xj，yj)|j＝0，1，...，m}，(xj，yj)(xj，yj)表示第jj个矩阵中心的中心坐标，mm为矩阵中心的总个数；
获取每个矩阵中心下所有的矩阵边长及像素值为1的总数，并以矩阵边长为自编量，像素值为1的总数为因变量，分别拟合得到与每个矩阵中心对应的矩阵边长及像素值为1的总数的函数关系。
可选地，所述根据所述函数关系重新对脑部MRI图像执行二值化处理，得到优化二值图像，包括：
获取每个中心坐标(xj，yj)相邻内的所有像素，得到邻域像素集，对所述邻域像素集内每个邻域像素均执行如下操作：
获取中心坐标(xj，yj)的函数关系zj＝f(l)zj＝f(l)，其中，zjzj表示第jj个中心坐标下，像素点等于1的总数的因变量，u以矩阵边长的自变量；
求解该函数关系内的一阶导数，得到一阶导函数；
将所述一阶导函数内的矩阵边长设置为2，求解得到一阶导函数的函数值，其中函数值称为二值化权重值；
将所述二值化权重值与每个邻域像素的像素值相乘，并判断相乘后的邻域像素的像素值与128的大小关系；
当相乘后的邻域像素的像素值大于或等于128，则将其映射为像素值等于1；
当相乘后的邻域像素的像素值小于128，则将其映射为像素值等于0；
汇总每个已执行上述二值化操作的邻域像素，得到所述优化二值图像。
可选地，所述将所述脑部MRI图像输入至预先构建的脑部结构识别模型，得到MRI颞叶图、MRI额叶图、MRI顶叶图及MRI枕叶图，包括：
将脑部MRI图像执行图像增强，得到脑部增强图像集
利用所述卷积层分别对脑部MRI图像和脑部增强图像集均执行卷积操作，分别得到脑部卷积图像和增强卷积图像集，其中卷积层的卷积操作依次使用卷积核2*2、5*5、10*10，且卷积核的步长为1；
利用RELU函数对所述脑部卷积图像及增强卷积图像集执行激活处理，得到脑部激活图像和增强激活图像集；
在所述特征融合层内，将脑部激活图像和增强激活图像集按照像素对应原则依次相加，得到脑部融合图像；
将所述脑部融合图像和脑部卷积图像输入至注意力层执行注意力计算，得到脑部MRI特征；
利用所述YOLO模型层对脑部MRI特征执行脑部结构识别，得到MRI颞叶图、MRI额叶图、MRI顶叶图及MRI枕叶图。
可选地，所述图像增强包括剪切、旋转、缩放变换、平移变换、尺度变换、对比度变换、噪声扰动。
可选地，所述将所述脑部融合图像和脑部卷积图像输入至注意力层执行注意力计算，得到脑部MRI特征，包括：
对所述脑部融合图像和脑部卷积图像均执行步长为2、卷积核为2*2的卷积操作，分别得到已完成卷积的脑部融合图像和脑部卷积图像；
获取注意力层执行注意力计算的权重值和偏置值，并根据所述权重值和偏置值，对已完成卷积的脑部融合图像和脑部卷积图像执行注意力计算，得到所述脑部MRI特征。
可选地，所述根据所述权重值和偏置值，对已完成卷积的脑部融合图像和脑部卷积图像执行注意力计算，得到所述脑部MRI特征，包括：
采用如下注意力计算公式计算得到脑部MRI特征：
h＝f2(f1(Wtt+Wgg)+b)
其中，hh表示所述脑部MRI特征，f1f1和f2f2为注意力层内预先设定的两组激活函数，tt为已完成卷积的脑部融合图像，gg为已完成卷积的脑部卷积图像，WtWt为tt的权重值，WgWg为gg的权重值，bb为偏置值。
为了解决上述问题，本发明还提供一种阿尔兹海默病MRI图像多分类装置，所述装置包括：
二维图像矩阵切分模块，用于接收病人的脑部MRI图像，将脑部MRI图像执行二值化处理，得到脑部二值图像，其中脑部二值图像由包括像素值为0或1的二维图像矩阵组成，利用预先构建的分块标准，依次将所述二维图像矩阵执行切分，得到多组不同维度的二维分块矩阵，其中分块标准为：按照二维分块矩阵的维度依次为2i*2i2i*2i执行切分，其中，i＝0，1，...，ni＝0，1，...，n，nn为二维图像矩阵的维度；
函数拟合模块，用于从多组不同维度的二维分块矩阵中选择包含像素值为1的分块矩阵，得到一组或多组单像素分块矩阵，确定每组单像素分块矩阵在二维分块矩阵中的分块位置及所包括的像素值为1的个数，并以分块位置为自变量，像素值为1的总数为因变量拟合得到函数关系，根据所述函数关系重新对脑部MRI图像执行二值化处理，得到优化二值图像，对所述优化二值图像执行脑部结构拆分，得到二值颞叶图、二值额叶图、二值顶叶图及二值枕叶图；
脑部结构识别模块，用于将所述脑部MRI图像输入至预先构建的脑部结构识别模型，得到MRI颞叶图、MRI额叶图、MRI顶叶图及MRI枕叶图，其中，脑部结构自动识别模型由卷积层、特征融合层、注意力层及YOLO模型层；
病重等级判断模块，用于分别计算二值颞叶图、二值额叶图、二值顶叶图及二值枕叶图与对应的MRI颞叶图、MRI额叶图、MRI顶叶图及MRI枕叶图之间的各脑叶区的面积误差，得到颞叶面积误差、额叶面积误差、顶叶面积误差及枕叶面积误差，若存在面积误差大于预设的面积阈值的脑叶区，则将所述脑部MRI图像发送至医生执行阿尔兹海默病的人为判断，若不存在面积误差大于所述面积阈值的脑叶区，计算MRI颞叶图、MRI额叶图、MRI顶叶图及MRI枕叶图分别在脑部MRI图像的面积占比，并根据四组面积占比确定病人的阿尔兹海默病的病重等级。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以实现上述所述的阿尔兹海默病MRI图像多分类方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的阿尔兹海默病MRI图像多分类方法。
相比于背景技术所述问题，本发明实施例接收病人的脑部MRI图像，将脑部MRI图像执行二值化处理，得到脑部二值图像，脑部二值图像最主要的作用是用于构建二维图像矩阵，而二维图像矩阵是方便从中提取包括像素值为1的分块矩阵，其中包括像素值为1的分块矩阵称为单像素分块矩阵，为了提高对脑部各脑叶区域的识别准确率，本发明实施例确定每组单像素分块矩阵在二维分块矩阵中的分块位置及所包括的像素值为1的个数，并以分块位置为自变量，像素值为1的总数为因变量拟合得到函数关系，并利用该函数关系重新对脑部MRI图像执行二值化处理，得到优化二值图像，对所述优化二值图像执行脑部结构拆分，得到二值颞叶图、二值额叶图、二值顶叶图及二值枕叶图，可见本发明实施例并未简单的使用深度学习模型切分出各脑叶区域，而是通过优化的二值化手段识别出各脑叶区域，优化的二值化手段相比于需要消耗庞大计算资源的深度学习模型来说，对于脑叶区域的识别效率更高且更快，避免了资源消耗，最重要的，优化的二值化手段也可作为脑叶区域的识别参考，即将所述脑部MRI图像输入至预先构建的脑部结构识别模型，得到MRI颞叶图、MRI额叶图、MRI顶叶图及MRI枕叶图，分别计算二值颞叶图、二值额叶图、二值顶叶图及二值枕叶图与对应的MRI颞叶图、MRI额叶图、MRI顶叶图及MRI枕叶图之间的各脑叶区的面积误差，得到颞叶面积误差、额叶面积误差、顶叶面积误差及枕叶面积误差，即若存在面积误差大于预设的面积阈值的脑叶区，则表明基于深度学习构建的脑部结构识别模型并不一定适用本次的脑部MRI图像，因为优化的二值化所识别的脑叶区域和脑部结构识别模型所识别的脑叶区域误差太大，若不存在面积误差大于所述面积阈值的脑叶区，计算MRI颞叶图、MRI额叶图、MRI顶叶图及MRI枕叶图分别在脑部MRI图像的面积占比，并根据四组面积占比确定病人的阿尔兹海默病的病重等级，可见不存在面积误差大于所述面积阈值的脑叶区时，表明优化的二值化和脑部结构识别模型所识别的脑叶区域具有统一结果，因此可放心用于后续的阿尔兹海默病诊断。因此本发明提出的阿尔兹海默病MRI图像多分类方法、装置、电子设备及计算机可读存储介质，其主要目的在于解决目前多数方法仅依赖于单一模型识别脑部MRI图像的脑叶区域，从而造成阿尔兹海默病误判率较高的问题。
附图说明
图1为本发明一实施例提供的阿尔兹海默病MRI图像多分类方法的流程示意图；
图2为本发明一实施例提供的利用传统二值化所识别的脑叶结构示意图；
图3为本发明一实施例提供的利用优化后的二值化方法所识别的脑叶结构示意图；
图4为本发明一实施例提供的各脑叶在脑部的位置示意图；
图5为本发明一实施例提供的阿尔兹海默病MRI图像多分类装置的功能模块图；
图6为本发明一实施例提供的实现所述阿尔兹海默病MRI图像多分类方法的电子设备的结构示意图。
本发明目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种阿尔兹海默病MRI图像多分类方法。所述阿尔兹海默病MRI图像多分类方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述阿尔兹海默病MRI图像多分类方法可以由安装在终端设备或服务端设备的软件或硬件来执行。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
实施例1：
参照图1所示，为本发明一实施例提供的阿尔兹海默病MRI图像多分类方法的流程示意图。在本实施例中，所述阿尔兹海默病MRI图像多分类方法包括：
S1、接收脑部MRI图像，将脑部MRI图像执行二值化处理，得到脑部二值图像，其中脑部二值图像由包括像素值为0或1的二维图像矩阵组成。
需解释的是，二值化处理是将脑部MRI图像的原像素值映射为像素值为0或1的操作，其主要目的是快速寻找脑部的边缘和切分脑部结构。示例性的，若脑部MRI图像为灰白类图像，则其原像素值的变化范围为[0,255]之间，因此将[0,255]的全部像素值均变为0或1。传统的二值化映射是取中间值，即将小于128的像素值变为0，大于或等于128的像素值变为1，但这种二值化映射并没有考虑脑部MRI图像的图像特征，极其容易造成重要信息丢失的现象，参阅图2所示的传统二值化方法，可见虽然能粗略识别出脑边缘和脑内部结构，但依然存在信息丢失。因此本发明实施例重新构建一种二值化方法，以提高脑部的边缘和切分脑部结构的识别效果。
S2、利用预先构建的分块标准，依次将所述二维图像矩阵执行切分，得到多组不同维度的二维分块矩阵。
需解释的是，分块标准为：按照二维分块矩阵的维度依次为2i*2i2i*2i执行切分，其中，i＝0，1，...，ni＝0，1，...，n，nn为二维图像矩阵的维度。
示例性的，如二维图像矩阵为1000*1000，即表示nn为1000，因此先按照2*2的方式切分1000*1000的二维图像矩阵，则得到共500组的2*2二维分块矩阵，然后按照4*4的方式切分1000*1000的二维图像矩阵，得到共250组二维分块矩阵，依次类推，得到多组不同维度的二维分块矩阵。
S3、从多组不同维度的二维分块矩阵中选择包含像素值为1的分块矩阵，得到一组或多组单像素分块矩阵。
根据上述可知，通过切分操作将二维图像矩阵切分为多组不同维度的二维分块矩阵，因此每个二维分块矩阵可能不包括像素值为1的像素，也可能包括像素值为1的像素，且像素值为1的像素不止一个的情况。因此本发明实施例筛选出所有包含像素值为1的二维分块矩阵，得到一组或多组单像素分块矩阵。
S4、确定每组单像素分块矩阵在二维分块矩阵中的分块位置及所包括的像素值为1的个数，并以分块位置为自变量，像素值为1的总数为因变量拟合得到函数关系。
需解释的是，每组单像素分块矩阵在二维分块矩阵中均具有对应的分块位置，其中分块位置以每组单像素分块矩阵的矩阵中心及边长确定。详细地，所述确定每组单像素分块矩阵在二维分块矩阵中的分块位置，包括：
构建二维直角坐标系，将所述二维分块矩阵投射至二维直角坐标系中，其中，二维分块矩阵的左下角为二维直角坐标系的原点，二维直角坐标系的横坐标及纵坐标的距离划分以二维分块矩阵的像素间距为划分依据；
依次确定每组单像素分块矩阵在二维直角坐标系中的分块位置，其中分块位置由单像素分块矩阵的矩阵中心的中心坐标及矩阵边长组成。
示例性的，如二维图像矩阵为1000*1000，则表示二维直角坐标系的横坐标长度及纵坐标长度均为1000，假设二维图像矩阵的左下角存在一个2*2的单像素分块矩阵，则该单像素分块矩阵的边长为2、矩阵中心坐标为(1,1))。由此可知，假设共有800组单像素分块矩阵，其中第一组单像素分块矩阵的边长为2、中心坐标为(1,1)，像素值为1的总数为1，第二组单像素分块矩阵的边长为4、中心坐标为(2,2)，像素值为1的总数为3等，以此类推。
详细地，所述以分块位置为自变量，像素值为1的总数为因变量拟合得到函数关系，包括：
设定所有单像素分块矩阵对应的矩阵中心坐标集为CC，其中C＝{(xj，yj)|j＝0，1，...，m}C＝{(xj，yj)|j＝0，1，...，m}，(xj，yj)(xj，yj)表示第jj个矩阵中心的中心坐标，mm为矩阵中心的总个数；
获取每个矩阵中心下所有的矩阵边长及像素值为1的总数，并以矩阵边长为自编量，像素值为1的总数为因变量，分别拟合得到与每个矩阵中心对应的矩阵边长及像素值为1的总数的函数关系。
示例性的，上述共有800组单像素分块矩阵，假设有一部分单像素分块矩阵的中心坐标重合，现只有2000组中心坐标，包括(1,1)、(2,2)、(4,4)等，则依次获取以(1,1)为中心坐标的所有单像素分块矩阵的矩阵边长，假设有2、4、16等，其分别对应的像素值为1的总数为1、2、5等，则可见通过这种关系可拟合得到矩阵边长与像素值为1的总数的函数关系。需解释的是，可使用MATLAB、Python等软件或程序库拟合，有多组单像素分块矩阵在矩阵边长相同的情况下对应不同的像素值为1的总数，则去平均数。
由上所述可知，通过一系列拟合，可在不同中心坐标下建立了不同的函数关系，其中函数关系均以矩阵边长为自变量，像素值为1的总数为因变量，示例性的，上述中心坐标为(1,1)时，对应的矩阵边长与像素值为1的总数的函数关系可能为一元一次关系、中心坐标为(2,2)所对应的矩阵边长与像素值为1的总数的函数关系可能为指数关系等。
S5、根据所述函数关系重新对脑部MRI图像执行二值化处理，得到优化二值图像，对所述优化二值图像执行脑部结构拆分，得到二值颞叶图、二值额叶图、二值顶叶图及二值枕叶图。
根据上述S1所述，传统二值化是将小于128的像素值变为0，大于或等于128的像素值变为1，由于没有考虑脑部MRI图像的图像特征，容易造成重要信息丢失。因此本发明实施例构建矩阵边长与像素值为1的总数的函数关系，并基于该函数关系对其执行二值化处理，以求保留更多脑部信息，完成更高精度的脑边缘和脑结构的切分。详细地，所述根据所述函数关系重新对脑部MRI图像执行二值化处理，得到优化二值图像，包括：
获取每个中心坐标(xj，yj)相邻内的所有像素，得到邻域像素集，对所述邻域像素集内每个邻域像素均执行如下操作：
获取中心坐标(xj，yj)的函数关系zj＝f(l)zj＝f(l)，其中，zjzj表示第jj个中心坐标下，像素点等于1的总数的因变量，ll以矩阵边长的自变量；
求解该函数关系内的一阶导数，得到一阶导函数；
将所述一阶导函数内的矩阵边长设置为2，求解得到一阶导函数的函数值，其中函数值称为二值化权重值；
将所述二值化权重值与每个邻域像素的像素值相乘，并判断相乘后的邻域像素的像素值与128的大小关系；
当相乘后的邻域像素的像素值大于或等于128，则将其映射为像素值等于1；
当相乘后的邻域像素的像素值小于128，则将其映射为像素值等于0；
汇总每个已执行上述二值化操作的邻域像素，得到所述优化二值图像。
示例性的，如中心坐标为(1,1，其对应有4组相邻像素，分别为(1,0)、(0,1)、(2,1)、(1,2)，且假设中心坐标为(1,1)的函数关系为：
zj＝al2+b
则通过求解该函数关系的一阶导，得到一阶导函数为：
zj′＝2al
因此设定l＝2，则可计算出一阶导函数的值，即为二值化权重值，并根据上述相乘与判断操作，再重新执行二值化操作，即可得到优化二值图像。
需强调的是，优化二值图像的生成过程由于考虑到相邻像素之间的像素值关系，因此不易丢失细节信息，故脑边缘和脑结构的切分相比于传统二值化更加精准，参阅图3所示的优化二值图像，通过对比图2发现，其脑部结构切分更加准确，对于后续的阿尔兹海默症的判断将更加有利。
需强调的是，阿尔茨海默病的表现可分为轻、中、重度三种级别。其中，轻度老年痴呆患者的MRI图像可以发现颞叶区出现轻度萎缩，其他脑叶区萎缩不会明显；对于中度老年痴呆的患者，临床上可以看见整个脑叶区均出现萎缩，其中颞叶区萎缩相对比较重，以此类推，重度老年痴呆患者的脑叶萎缩更加明显。因此本发明实施例根据二值化后得到的优化二值图像，将优化二值图像执行脑部结构拆分，得到二值颞叶图、二值额叶图、二值顶叶图及二值枕叶图，其主要目的在于计算各个脑叶区的萎缩情况，关于各个脑叶在脑部的分布图参阅图4所示。
但可理解的是，由于受到MRI拍摄环境、人脑结构、仪器差异性等原因，所成像的脑部MRI图像仅通过一种方法拆分出颞叶、额叶、顶叶及枕叶可能并不准确，因此本发明实施例引入第二种方法：深度学习类的模型，自动识别出脑部MRI图像各脑叶区，并通过两种方法各自所识别出的颞叶、额叶、顶叶及枕叶执行对比，若差异性小于预设标准，则表示脑叶区域切分准确，直接计算出萎缩比例即可，若差异性大于预设标准，则需人为执行鉴别，以防止误诊断。
S6、将所述脑部MRI图像输入至预先构建的脑部结构识别模型，得到MRI颞叶图、MRI额叶图、MRI顶叶图及MRI枕叶图，其中，脑部结构自动识别模型由卷积层、特征融合层、注意力层及YOLO模型层。
需解释的是，脑部结构识别模型是基于深度学习模型所构建的，在使用脑部结构识别模型之前，需要对其执行模型训练，训练过程与其他深度学习模型并无明显差别，在此不再赘述。
但需强调的是，本发明实施例为提高脑部结构识别的准确率，优化了脑部结构自动识别模型，其中主要包括卷积层、特征融合层、注意力层及YOLO模型层。详细地，所述将所述脑部MRI图像输入至预先构建的脑部结构识别模型，得到MRI颞叶图、MRI额叶图、MRI顶叶图及MRI枕叶图，包括：
将脑部MRI图像执行图像增强，得到脑部增强图像集
利用所述卷积层分别对脑部MRI图像和脑部增强图像集均执行卷积操作，分别得到脑部卷积图像和增强卷积图像集，其中卷积层的卷积操作依次使用卷积核2*2、5*5、10*10，且卷积核的步长为1；
利用RELU函数对所述脑部卷积图像及增强卷积图像集执行激活处理，得到脑部激活图像和增强激活图像集；
在所述特征融合层内，将脑部激活图像和增强激活图像集按照像素对应原则依次相加，得到脑部融合图像；
将所述脑部融合图像和脑部卷积图像输入至注意力层执行注意力计算，得到脑部MRI特征；
利用所述YOLO模型层对脑部MRI特征执行脑部结构识别，得到MRI颞叶图、MRI额叶图、MRI顶叶图及MRI枕叶图。
本发明实施例中，所述图像增强包括但不限于剪切、旋转/反射/翻转变换、缩放变换、平移变换、尺度变换、对比度变换、噪声扰动、颜色变换等。
进一步地，所述将所述脑部融合图像和脑部卷积图像输入至注意力层执行注意力计算，得到脑部MRI特征，包括：
对所述脑部融合图像和脑部卷积图像均执行步长为2、卷积核为2*2的卷积操作，分别得到已完成卷积的脑部融合图像和脑部卷积图像；
获取注意力层执行注意力计算的权重值和偏置值，并根据所述权重值和偏置值，对已完成卷积的脑部融合图像和脑部卷积图像执行注意力计算，得到所述脑部MRI特征。
详细地，所述根据所述权重值和偏置值，对已完成卷积的脑部融合图像和脑部卷积图像执行注意力计算，得到所述脑部MRI特征，包括：
采用如下注意力计算公式计算得到脑部MRI特征：
h＝f2(f1Wtt+Wgg)+b)
其中，hh表示所述脑部MRI特征，f1f1和f2f2为注意力层内预先设定的两组激活函数，tt为已完成卷积的脑部融合图像，gg为已完成卷积的脑部卷积图像，WtWt为tt的权重值，WgWg为gg的权重值，bb为偏置值。
进一步地，YOLO模型层主要是通过YOLO模型所构建的脑部结构识别层，YOLO模型是已公开的优质目标检测模型，当本发明实施例将完成卷积、自注意计算所得到的脑部MRI特征输入至YOLO模型层，通过YOLO模型可从脑部MRI图像识别出MRI颞叶图、MRI额叶图、MRI顶叶图及MR枕叶图。
S7、分别计算二值颞叶图、二值额叶图、二值顶叶图及二值枕叶图与对应的MRI颞叶图、MRI额叶图、MRI顶叶图及MRI枕叶图之间的各脑叶区的面积误差，得到颞叶面积误差、额叶面积误差、顶叶面积误差及枕叶面积误差。
可理解的是，通过本发明实施例改进的二值化方法，可识别出二值颞叶图、二值额叶图、二值顶叶图及二值枕叶图，此外，通过脑部结构识别模型也识别出MRI颞叶图、MRI额叶图、MRI顶叶图及MRI枕叶图，为了防止两种自动识别脑叶区域的方法之间误差很大，因此根据S7所述，分别计算得到颞叶面积误差、额叶面积误差、顶叶面积误差及枕叶面积误差。
S8、若存在面积误差大于预设的面积阈值的脑叶区，则将所述脑部MRI图像发送至医生执行阿尔兹海默病的人为判断。
可理解的是，若存在面积误差大于预设的面积阈值的脑叶区，则表示两种方法对于脑部MRI图像的区域划分存在技术识别的差异性，因此若依然自动判断病人的阿尔兹海默病的病重等级，则极容易造成诊断失误的问题，故将脑部MRI图像发送至医生执行阿尔兹海默病的人为判断。
S9、若不存在面积误差大于所述面积阈值的脑叶区，计算MRI颞叶图、MRI额叶图、MRI顶叶图及MRI枕叶图分别在脑部MRI图像的面积占比，并根据四组面积占比确定病人的阿尔兹海默病的病重等级。
当优化的二值化和脑部结构识别模型对于脑叶区域识别误差在可控范围以内，则表示两种方法的技术识别差异性较小，则为提高对阿尔兹海默病的病重等级的诊断效率，依次计算MRI颞叶图、MRI额叶图、MRI顶叶图及MRI枕叶图分别在脑部MRI图像的面积占比，停过面积占比情况可判断颞叶、额叶、顶叶及枕叶是否存在萎缩情况，并根据萎缩的比例确定病人的阿尔兹海默病为初级、中级还是重级。
相比于背景技术所述问题，本发明实施例接收病人的脑部MRI图像，将脑部MRI图像执行二值化处理，得到脑部二值图像，脑部二值图像最主要的作用是用于构建二维图像矩阵，而二维图像矩阵是方便从中提取包括像素值为的分块矩阵，其中包括像素值为的分块矩阵称为单像素分块矩阵，为了提高对脑部各脑叶区域的识别准确率，本发明实施例确定每组单像素分块矩阵在二维分块矩阵中的分块位置及所包括的像素值为1的个数，并以分块位置为自变量，像素值为1的总数为因变量拟合得到函数关系，并利用该函数关系重新对脑部MMRI图像执行二值化处理，得到优化二值图像，对所述优化二值图像执行脑部结构拆分，得到二值颞叶图、二值额叶图、二值顶叶图及二值枕叶图，可见本发明实施例并未简单的使用深度学习模型切分出各脑叶区域，而是通过优化的二值化手段识别出各脑叶区域，优化的二值化手段相比于需要消耗庞大计算资源的深度学习模型来说，对于脑叶区域的识别效率更高且更快，避免了资源消耗，最重要的，优化的二值化手段也可作为脑叶区域的识别参考，即将所述脑部MRI图像输入至预先构建的脑部结构识别模型，得到MRI颞叶图、MRI额叶图、MRI顶叶图及MRI枕叶图，分别计算二值颞叶图、二值额叶图、二值顶叶图及二值枕叶图与对应的MRI颞叶图、MMRRII额叶图、MMRI顶叶图及MRI枕叶图之间的各脑叶区的面积误差，得到颞叶面积误差、额叶面积误差、顶叶面积误差及枕叶面积误差，即若存在面积误差大于预设的面积阈值的脑叶区，则表明基于深度学习构建的脑部结构识别模型并不一定适用本次的脑部MMRII图像，因为优化的二值化所识别的脑叶区域和脑部结构识别模型所识别的脑叶区域误差太大，若不存在面积误差大于所述面积阈值的脑叶区，计算MMRRI颞叶图、MRRII额叶图、MＭRＲI顶叶图及MＭRRII枕叶图分别在脑部MRRII图像的面积占比，并根据四组面积占比确定病人的阿尔兹海默病的病重等级，可见不存在面积误差大于所述面积阈值的脑叶区时，表明优化的二值化和脑部结构识别模型所识别的脑叶区域具有统一结果，因此可放心用于后续的阿尔兹海默病诊断。因此本发明提出的阿尔兹海默病MRI图像多分类方法、装置、电子设备及计算机可读存储介质，其主要目的在于解决目前多数方法仅依赖于单一模型识别脑部MRRII图像的脑叶区域，从而造成阿尔兹海默病误判率较高的问题。
实施例：
如图5所示，是本发明一实施例提供的阿尔兹海默病MRI图像多分类装置的功能模块图。
本发明所述阿尔兹海默病MRI图像多分类装置100可以安装于电子设备中。根据实现的功能，所述阿尔兹海默病MRI图像多分类装置100可以包括二维图像矩阵切分模块101、函数拟合模块102、脑部结构识别模块103及病重等级判断模块104。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
所述二维图像矩阵切分模块101，用于接收病人的脑部MRI图像，将脑部MRI图像执行二值化处理，得到脑部二值图像，其中脑部二值图像由包括像素值为0或1的二维图像矩阵组成，利用预先构建的分块标准，依次将所述二维图像矩阵执行切分，得到多组不同维度的二维分块矩阵，其中分块标准为：按照二维分块矩阵的维度依次为2i*2i2i*2i执行切分，其中，i＝0，１，...，ni＝0，１，...，n，nn为二维图像矩阵的维度；
所述函数拟合模块102，用于从多组不同维度的二维分块矩阵中选择包含像素值为1的分块矩阵，得到一组或多组单像素分块矩阵，确定每组单像素分块矩阵在二维分块矩阵中的分块位置及所包括的像素值为1的个数，并以分块位置为自变量，像素值为1的总数为因变量拟合得到函数关系，根据所述函数关系重新对脑部MRI图像执行二值化处理，得到优化二值图像，对所述优化二值图像执行脑部结构拆分，得到二值颞叶图、二值额叶图、二值顶叶图及二值枕叶图；
所述脑部结构识别模块103，用于将所述脑部MRI图像输入至预先构建的脑部结构识别模型，得到MRI颞叶图、MRI额叶图、MRI顶叶图及MRI枕叶图，其中，脑部结构自动识别模型由卷积层、特征融合层、注意力层及YOLO模型层；
所述病重等级判断模块104，用于分别计算二值颞叶图、二值额叶图、二值顶叶图及二值枕叶图与对应的MRI颞叶图、MRI额叶图、MRI顶叶图及MRI枕叶图之间的各脑叶区的面积误差，得到颞叶面积误差、额叶面积误差、顶叶面积误差及枕叶面积误差，若存在面积误差大于预设的面积阈值的脑叶区，则将所述脑部MRI图像发送至医生执行阿尔兹海默病的人为判断，若不存在面积误差大于所述面积阈值的脑叶区，计算MRI颞叶图、MRI额叶图、MRI顶叶图及MRI枕叶图分别在脑部MRI图像的面积占比，并根据四组面积占比确定病人的阿尔兹海默病的病重等级。
详细地，本发明实施例中所述阿尔兹海默病MRI图像多分类装置100中的所述各模块在使用时采用与上述的图1中所述的阿尔兹海默病MRI图像多分类方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
实施例3：
如图6所示，是本发明一实施例提供的实现阿尔兹海默病MRI图像多分类方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、总线12和通信接口13，还可以包括存储在所述存储器11中并可在所述处理器100上运行的计算机程序，如阿尔兹海默病MRI图像多分类程序。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如阿尔兹海默病MRI图像多分类程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如阿尔兹海默病MRI图像多分类程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图6仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图6示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的阿尔兹海默病MRI图像多分类程序是多个指令的组合，在所述处理器10中运行时，可以实现：
接收病人的脑部MRI图像，将脑部MRI图像执行二值化处理，得到脑部二值图像，其中脑部二值图像由包括像素值为0或1的二维图像矩阵组成；
利用预先构建的分块标准，依次将所述二维图像矩阵执行切分，得到多组不同维度的二维分块矩阵，其中分块标准为：按照二维分块矩阵的维度依次为2i*2i2i*2i执行切分，其中，i＝0，1，...，ni＝0，1，...，n，nn为二维图像矩阵的维度；
从多组不同维度的二维分块矩阵中选择包含像素值为1的分块矩阵，得到一组或多组单像素分块矩阵；
确定每组单像素分块矩阵在二维分块矩阵中的分块位置及所包括的像素值为1的个数，并以分块位置为自变量，像素值为1的总数为因变量拟合得到函数关系；
根据所述函数关系重新对脑部MRI图像执行二值化处理，得到优化二值图像，对所述优化二值图像执行脑部结构拆分，得到二值颞叶图、二值额叶图、二值顶叶图及二值枕叶图；
将所述脑部MRI图像输入至预先构建的脑部结构识别模型，得到MRI颞叶图、MRI额叶图、MRI顶叶图及MRI枕叶图，其中，脑部结构自动识别模型由卷积层、特征融合层、注意力层及YOLO模型层；
分别计算二值颞叶图、二值额叶图、二值顶叶图及二值枕叶图与对应的MRI颞叶图、MRI额叶图、MRI顶叶图及MRI枕叶图之间的各脑叶区的面积误差，得到颞叶面积误差、额叶面积误差、顶叶面积误差及枕叶面积误差；
若存在面积误差大于预设的面积阈值的脑叶区，则将所述脑部MRI图像发送至医生执行阿尔兹海默病的人为判断；
若不存在面积误差大于所述面积阈值的脑叶区，计算MRI颞叶图、MRI额叶图、MRI顶叶图及MRI枕叶图分别在脑部MRI图像的面积占比，并根据四组面积占比确定病人的阿尔兹海默病的病重等级。
具体地，所述处理器10对上述指令的具体实现方法可参考图1至图3对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/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存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
接收病人的脑部MRI图像，将脑部MRI图像执行二值化处理，得到脑部二值图像，其中脑部二值图像由包括像素值为0或1的二维图像矩阵组成；
利用预先构建的分块标准，依次将所述二维图像矩阵执行切分，得到多组不同维度的二维分块矩阵，其中分块标准为：按照二维分块矩阵的维度依次为2i*2i2i*2i执行切分，其中，i＝0，1，...，ni＝0，1，...，n，nn为二维图像矩阵的维度；
从多组不同维度的二维分块矩阵中选择包含像素值为1的分块矩阵，得到一组或多组单像素分块矩阵；
确定每组单像素分块矩阵在二维分块矩阵中的分块位置及所包括的像素值为1的个数，并以分块位置为自变量，像素值为1的总数为因变量拟合得到函数关系；
根据所述函数关系重新对脑部MRI图像执行二值化处理，得到优化二值图像，对所述优化二值图像执行脑部结构拆分，得到二值颞叶图、二值额叶图、二值顶叶图及二值枕叶图；
将所述脑部MRI图像输入至预先构建的脑部结构识别模型，得到MRI颞叶图、MRI额叶图、MRI顶叶图及MRI枕叶图，其中，脑部结构自动识别模型由卷积层、特征融合层、注意力层及YOLOO模型层；
分别计算二值颞叶图、二值额叶图、二值顶叶图及二值枕叶图与对应的MRI颞叶图、MRI额叶图、MRI顶叶图及MRI枕叶图之间的各脑叶区的面积误差，得到颞叶面积误差、额叶面积误差、顶叶面积误差及枕叶面积误差；
若存在面积误差大于预设的面积阈值的脑叶区，则将所述脑部MRI图像发送至医生执行阿尔兹海默病的人为判断；
若不存在面积误差大于所述面积阈值的脑叶区，计算MRI颞叶图、MRI额叶图、MRI顶叶图及MRI枕叶图分别在脑部MRI图像的面积占比，并根据四组面积占比确定病人的阿尔兹海默病的病重等级。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块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，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种阿尔兹海默病MRI图像多分类方法，其特征在于，所述方法包括：
接收病人的脑部MRI图像，将脑部MRI图像执行二值化处理，得到脑部二值图像，其中脑部二值图像由包括像素值为0或1的二维图像矩阵组成；
利用预先构建的分块标准，依次将所述二维图像矩阵执行切分，得到多组不同维度的二维分块矩阵，其中分块标准为：按照二维分块矩阵的维度依次为2i*2i2i*2i执行切分，其中，i＝0，1，...，ni＝0，1，...，n，nn为二维图像矩阵的维度；
从多组不同维度的二维分块矩阵中选择包含像素值为1的分块矩阵，得到一组或多组单像素分块矩阵；
确定每组单像素分块矩阵在二维分块矩阵中的分块位置及所包括的像素值为1的个数，并以分块位置为自变量，像素值为1的总数为因变量拟合得到函数关系；
根据所述函数关系重新对脑部MRI图像执行二值化处理，得到优化二值图像，对所述优化二值图像执行脑部结构拆分，得到二值颞叶图、二值额叶图、二值顶叶图及二值枕叶图；
将所述脑部MRI图像输入至预先构建的脑部结构识别模型，得到MRI颞叶图、MRI额叶图、MRI顶叶图及MRI枕叶图，其中，脑部结构自动识别模型由卷积层、特征融合层、注意力层及YOLO模型层；
分别计算二值颞叶图、二值额叶图、二值顶叶图及二值枕叶图与对应的MRI颞叶图、MRI额叶图、MRI顶叶图及MRI枕叶图之间的各脑叶区的面积误差，得到颞叶面积误差、额叶面积误差、顶叶面积误差及枕叶面积误差；
若存在面积误差大于预设的面积阈值的脑叶区，则将所述脑部MRI图像发送至医生执行阿尔兹海默病的人为判断；
若不存在面积误差大于所述面积阈值的脑叶区，计算MRI颞叶图、MRI额叶图、MRI顶叶图及MRI枕叶图分别在脑部MRI图像的面积占比，并根据四组面积占比确定病人的阿尔兹海默病的病重等级。
2.如权利要求1所述的阿尔兹海默病MRI图像多分类方法，其特征在于，所述确定每组单像素分块矩阵在二维分块矩阵中的分块位置，包括：
构建二维直角坐标系，将所述二维分块矩阵投射至二维直角坐标系中，其中，二维分块矩阵的左下角为二维直角坐标系的原点，二维直角坐标系的横坐标及纵坐标的距离划分以二维分块矩阵的像素间距为划分依据；
依次确定每组单像素分块矩阵在二维直角坐标系中的分块位置，其中分块位置由单像素分块矩阵的矩阵中心的中心坐标及矩阵边长组成。
3.如权利要求2所述的阿尔兹海默病MRI图像多分类方法，其特征在于，所述以分块位置为自变量，像素值为1的总数为因变量拟合得到函数关系，包括：
设定所有单像素分块矩阵对应的矩阵中心坐标集为cc，其中c＝{(xj，yj)|j＝0，1，...，m}c＝{(xj，yj)|j＝0，1，...，m}，(xj，yj)(xj，yj)表示第jj个矩阵中心的中心坐标，mm为矩阵中心的总个数；
获取每个矩阵中心下所有的矩阵边长及像素值为1的总数，并以矩阵边长为自编量，像素值为1的总数为因变量，分别拟合得到与每个矩阵中心对应的矩阵边长及像素值为1的总数的函数关系。
4.如权利要求1所述的阿尔兹海默病MRI图像多分类方法，其特征在于，所述根据所述函数关系重新对脑部MRI图像执行二值化处理，得到优化二值图像，包括：
获取每个中心坐标(xj，yj)相邻内的所有像素，得到邻域像素集，对所述邻域像素集内每个邻域像素均执行如下操作：
获取中心坐标(xj，yj)的函数关系zj＝f(l)zj＝f(l)，其中，zjzj表示第jj个中心坐标下，像素点等于1的总数的因变量，ll以矩阵边长的自变量；
求解该函数关系内的一阶导数，得到一阶导函数；
将所述一阶导函数内的矩阵边长设置为2，求解得到一阶导函数的函数值，其中函数值称为二值化权重值；
将所述二值化权重值与每个邻域像素的像素值相乘，并判断相乘后的邻域像素的像素值与128的大小关系；
当相乘后的邻域像素的像素值大于或等于128，则将其映射为像素值等于1；
当相乘后的邻域像素的像素值小于128，则将其映射为像素值等于0；
汇总每个已执行上述二值化操作的邻域像素，得到所述优化二值图像。
5.如权利要求1所述的阿尔兹海默病MRI图像多分类方法，其特征在于，所述将所述脑部MRI图像输入至预先构建的脑部结构识别模型，得到MRI颞叶图、MRI额叶图、MRI顶叶图及MRI枕叶图，包括：
将脑部MRI图像执行图像增强，得到脑部增强图像集
利用所述卷积层分别对脑部MRI图像和脑部增强图像集均执行卷积操作，分别得到脑部卷积图像和增强卷积图像集，其中卷积层的卷积操作依次使用卷积核2*2、5*5、10*10，且卷积核的步长为1；
利用RELU函数对所述脑部卷积图像及增强卷积图像集执行激活处理，得到脑部激活图像和增强激活图像集；
在所述特征融合层内，将脑部激活图像和增强激活图像集按照像素对应原则依次相加，得到脑部融合图像；
将所述脑部融合图像和脑部卷积图像输入至注意力层执行注意力计算，得到脑部MRI特征；
利用所述YOLO模型层对脑部MRI特征执行脑部结构识别，得到MRI颞叶图、MRI额叶图、MRI顶叶图及MRI枕叶图。
6.如权利要求5所述的阿尔兹海默病MRI图像多分类方法，其特征在于，所述图像增强包括剪切、旋转、缩放变换、平移变换、尺度变换、对比度变换、噪声扰动。
7.如权利要求5所述的阿尔兹海默病MRI图像多分类方法，其特征在于，所述将所述脑部融合图像和脑部卷积图像输入至注意力层执行注意力计算，得到脑部MRI特征，包括：
对所述脑部融合图像和脑部卷积图像均执行步长为2、卷积核为2*2的卷积操作，分别得到已完成卷积的脑部融合图像和脑部卷积图像；
获取注意力层执行注意力计算的权重值和偏置值，并根据所述权重值和偏置值，对已完成卷积的脑部融合图像和脑部卷积图像执行注意力计算，得到所述脑部MRI特征。
8.如权利要求7所述的阿尔兹海默病MRI图像多分类方法，其特征在于，所述根据所述权重值和偏置值，对已完成卷积的脑部融合图像和脑部卷积图像执行注意力计算，得到所述脑部MRI特征，包括：
采用如下注意力计算公式计算得到脑部MRI特征：
h＝f2(f1(Wtt+Wgg)+b)
其中，hh表示所述脑部MRI特征，f1f1和f2f2为注意力层内预先设定的两组激活函数，tt为已完成卷积的脑部融合图像，gg为已完成卷积的脑部卷积图像，WtWt为tt的权重值，WgWg为gg的权重值，bb为偏置值。
9.一种阿尔兹海默病MRI图像多分类装置，其特征在于，所述装置包括：
二维图像矩阵切分模块，用于接收病人的脑部MRI图像，将脑部MRI图像执行二值化处理，得到脑部二值图像，其中脑部二值图像由包括像素值为0或1的二维图像矩阵组成，利用预先构建的分块标准，依次将所述二维图像矩阵执行切分，得到多组不同维度的二维分块矩阵，其中分块标准为：按照二维分块矩阵的维度依次为2i*2i2i*2i执行切分，其中，i＝0，1，...，ni＝0，1，...，n，nn为二维图像矩阵的维度；
函数拟合模块，用于从多组不同维度的二维分块矩阵中选择包含像素值为1的分块矩阵，得到一组或多组单像素分块矩阵，确定每组单像素分块矩阵在二维分块矩阵中的分块位置及所包括的像素值为1的个数，并以分块位置为自变量，像素值为1的总数为因变量拟合得到函数关系，根据所述函数关系重新对脑部MRI图像执行二值化处理，得到优化二值图像，对所述优化二值图像执行脑部结构拆分，得到二值颞叶图、二值额叶图、二值顶叶图及二值枕叶图；
脑部结构识别模块，用于将所述脑部MRI图像输入至预先构建的脑部结构识别模型，得到MRI颞叶图、MRI额叶图、MRI顶叶图及MRI枕叶图，其中，脑部结构自动识别模型由卷积层、特征融合层、注意力层及YOLO模型层；
病重等级判断模块，用于分别计算二值颞叶图、二值额叶图、二值顶叶图及二值枕叶图与对应的MRI颞叶图、MRI额叶图、MRI顶叶图及MRI枕叶图之间的各脑叶区的面积误差，得到颞叶面积误差、额叶面积误差、顶叶面积误差及枕叶面积误差，若存在面积误差大于预设的面积阈值的脑叶区，则将所述脑部MRI图像发送至医生执行阿尔兹海默病的人为判断，若不存在面积误差大于所述面积阈值的脑叶区，计算MRI颞叶图、MRI额叶图、MRI顶叶图及MRI枕叶图分别在脑部MRI图像的面积占比，并根据四组面积占比确定病人的阿尔兹海默病的病重等级。
10.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至8中任意一项所述的针对智慧医疗服务的大数据风险识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310108568.4A CN116310352B (zh) | 2023-01-20 | 2023-01-20 | 一种阿尔兹海默病mri图像多分类方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310108568.4A CN116310352B (zh) | 2023-01-20 | 2023-01-20 | 一种阿尔兹海默病mri图像多分类方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116310352A true CN116310352A (zh) | 2023-06-23 |
| CN116310352B CN116310352B (zh) | 2024-04-12 |
Family
ID=86821315
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310108568.4A Active CN116310352B (zh) | 2023-01-20 | 2023-01-20 | 一种阿尔兹海默病mri图像多分类方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116310352B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016165357A1 (zh) * | 2015-04-15 | 2016-10-20 | 深圳市中兴微电子技术有限公司 | 一种图像处理方法及装置、终端、存储介质 |
| CN106778005A (zh) * | 2016-12-27 | 2017-05-31 | 中南民族大学 | 基于多参数mri的前列腺癌计算机辅助检测方法及系统 |
| CN107248155A (zh) * | 2017-06-08 | 2017-10-13 | 东北大学 | 一种基于swi图像的脑静脉血管分割方法 |
| CN112001362A (zh) * | 2020-09-11 | 2020-11-27 | 汪秀英 | 一种图像分析方法、图像分析装置及图像分析系统 |
| CN112598692A (zh) * | 2020-12-21 | 2021-04-02 | 陕西土豆数据科技有限公司 | 基于标记像素矩阵的遥感影像分割后处理算法 |
| CN113421259A (zh) * | 2021-08-20 | 2021-09-21 | 北京工业大学 | 基于分类网络的octa图像的分析方法 |
| US20210383534A1 (en) * | 2020-06-03 | 2021-12-09 | GE Precision Healthcare LLC | System and methods for image segmentation and classification using reduced depth convolutional neural networks |
| CN114305387A (zh) * | 2021-12-23 | 2022-04-12 | 上海交通大学医学院附属仁济医院 | 基于磁共振成像的脑小血管病变图像分类方法、设备及介质 |
| CN115587977A (zh) * | 2022-09-29 | 2023-01-10 | 中南民族大学 | 一种阿尔兹海默症病理区域定位及分类预测方法 |
-
2023
- 2023-01-20 CN CN202310108568.4A patent/CN116310352B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016165357A1 (zh) * | 2015-04-15 | 2016-10-20 | 深圳市中兴微电子技术有限公司 | 一种图像处理方法及装置、终端、存储介质 |
| CN106778005A (zh) * | 2016-12-27 | 2017-05-31 | 中南民族大学 | 基于多参数mri的前列腺癌计算机辅助检测方法及系统 |
| CN107248155A (zh) * | 2017-06-08 | 2017-10-13 | 东北大学 | 一种基于swi图像的脑静脉血管分割方法 |
| US20210383534A1 (en) * | 2020-06-03 | 2021-12-09 | GE Precision Healthcare LLC | System and methods for image segmentation and classification using reduced depth convolutional neural networks |
| CN112001362A (zh) * | 2020-09-11 | 2020-11-27 | 汪秀英 | 一种图像分析方法、图像分析装置及图像分析系统 |
| CN112598692A (zh) * | 2020-12-21 | 2021-04-02 | 陕西土豆数据科技有限公司 | 基于标记像素矩阵的遥感影像分割后处理算法 |
| CN113421259A (zh) * | 2021-08-20 | 2021-09-21 | 北京工业大学 | 基于分类网络的octa图像的分析方法 |
| CN114305387A (zh) * | 2021-12-23 | 2022-04-12 | 上海交通大学医学院附属仁济医院 | 基于磁共振成像的脑小血管病变图像分类方法、设备及介质 |
| CN115587977A (zh) * | 2022-09-29 | 2023-01-10 | 中南民族大学 | 一种阿尔兹海默症病理区域定位及分类预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| RIYANTO SIGIT ET AL.: "Automatic Detection Brain Segmentation to Detect Brain Tumor Using MRI", INTERNATIONAL JOURNAL ON ADVANCED SCIENCE, ENGINEERING AND INFORMATION TECHNOLOGY * |
| 宋刚 等: "前庭神经鞘瘤术后面神经功能损伤影响因素分析", 中国现代神经疾病杂志 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116310352B (zh) | 2024-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113159147B (zh) | 基于神经网络的图像识别方法、装置、电子设备 | |
| CN111652845B (zh) | 异常细胞自动标注方法、装置、电子设备及存储介质 | |
| WO2022121156A1 (zh) | 图像中目标物检测方法、装置、电子设备及可读存储介质 | |
| WO2021189855A1 (zh) | 基于ct序列的图像识别方法、装置、电子设备及介质 | |
| CN113705461B (zh) | 人脸清晰度检测方法、装置、设备及存储介质 | |
| CN111783982B (zh) | 攻击样本的获取方法、装置、设备及介质 | |
| CN112507934A (zh) | 活体检测方法、装置、电子设备及存储介质 | |
| CN112528908B (zh) | 活体检测方法、装置、电子设备及存储介质 | |
| CN111476760B (zh) | 医学图像的生成方法、装置、电子设备及介质 | |
| CN111932534A (zh) | 医学影像图片分析方法、装置、电子设备及可读存储介质 | |
| CN111639704A (zh) | 目标识别方法、装置及计算机可读存储介质 | |
| CN112507923A (zh) | 证件翻拍检测方法、装置、电子设备及介质 | |
| CN113554008A (zh) | 静态物体区域内检测方法、装置、电子设备及存储介质 | |
| CN110852209B (zh) | 目标检测方法及装置、介质和设备 | |
| CN111932595A (zh) | 图像配准方法、装置、电子设备及存储介质 | |
| CN113630594B (zh) | 一种显示面板坏点检测系统 | |
| CN112862703B (zh) | 基于移动拍照的图像校正方法、装置、电子设备及介质 | |
| CN116310352B (zh) | 一种阿尔兹海默病mri图像多分类方法及装置 | |
| CN117372415A (zh) | 喉镜图像识别方法、装置、计算机设备及存储介质 | |
| CN116824128A (zh) | 目标检测方法、装置、电子设备及存储介质 | |
| CN115294426B (zh) | 介入医学设备的跟踪方法、装置、设备及存储介质 | |
| CN111932563A (zh) | 图片区域分割方法、装置、电子设备及存储介质 | |
| CN113705686B (zh) | 图像分类方法、装置、电子设备及可读存储介质 | |
| CN115601684A (zh) | 突发事件预警方法、装置、电子设备及存储介质 | |
| CN115908175A (zh) | 低照度图像多级增强方法、装置、电子设备以及存储介质 |
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 |