阿尔兹海默症辅助诊断模型获取方法及装置

本文件涉及图像融合，尤其涉及一种阿尔兹海默症辅助诊断模型获取方法及装置。

背景技术：

1、诊断阿尔兹海默症(ad)的传统方法一般结合体检、神经系统检查、ct扫描、磁共振成像(mri)、脑电图(eeg)、正电子发射断层扫描(pet)等信息得出诊断结论。针对人工筛查方法需考虑各种因素，过程复杂冗长且效率低下，国内外医疗和研究机构开始使用基于人工智能的辅助诊断技术，包括深度学习、迁移学习、多模态等。

2、现有相关技术中，基于多模态特征融合技术的阿尔兹海默症分类器先对特征强制融合，再进行图像分类。上述技术方案存在以下问题：特征融合阶段不能充分获取有用的多模态信息，图像分类阶段存在因数据量过少导致分类效果不好。

3、综合上面该技术领域发展状况分析，现有的技术方案缺少能够在捕获全局特征提取的基础上补充不同维度信息，以及在模型分类过程中的参数迁移。

技术实现思路

1、本发明的目的在于提供一种阿尔兹海默症辅助诊断模型获取方法及装置，旨在解决现有技术中的上述问题。

2、根据本公开实施例的第一方面，本发明提供一种阿尔兹海默症辅助诊断模型获取方法，包括：

3、获取mri和pet医学图像数据集，在三维状态下对mri和pet医学图像进行预处理，完成配准和切片工作；

4、将mri和pet二维图像输入预先通过多尺度自适应变换建立的图像融合模型，输出融合图像；

5、基于迁移学习方法，利用相近的认知障碍数据库对预先建立的vgg16神经网络图像分类识别模型进行预训练；

6、使用融合图像对vgg16神经网络图像分类识别模型进行最后训练，获得多模态阿尔兹海默症辅助诊断模型。

7、根据本公开实施例的第二方面，本发明提供一种阿尔兹海默症辅助诊断模型获取装置，包括：

8、预处理模块，用于获取mri和pet医学图像数据集，在三维状态下对mri和pet医学图像进行预处理，完成配准和切片工作；

9、融合模块，用于将mri和pet二维图像输入预先通过多尺度自适应变换建立的图像融合模型，输出融合图像；

10、预训练模块，用于基于迁移学习方法，利用相近的认知障碍数据库对预先建立的vgg16神经网络图像分类识别模型进行预训练；

11、再训练模块，用于使用融合图像对vgg16神经网络图像分类识别模型进行最后训练，获得多模态阿尔兹海默症辅助诊断模型。

12、根据本公开实施例的第三方面，提供一种电子设备，包括：存储器、处理器及存储在存储器上并可在所述处理器上运行的计算机程序，计算机程序被处理器执行时实现本公开第一方面提供的阿尔兹海默症辅助诊断模型获取方法。

13、根据本公开实施例的第四方面，提供一种计算机可读存储介质，其上存储有信息传递的实现程序，所述程序被处理器执行时实现本公开第一方面提供的阿尔兹海默症辅助诊断模型获取方法的步骤。

14、本公开的实施例提供的技术方案可以包括以下有益效果：使用多尺度自适应变换建立图像融合模型输出融合图像，利用相近的认知障碍数据库对预先建立的vgg16神经网络，充分捕获来自不同深度的不同尺度的补充信息，优化了获得网络参数的方式，提升了多模态信息的获取能力和网络分类效果。

15、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

技术特征：

1.一种阿尔兹海默症辅助诊断模型获取方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述方法进一步包括：

3.根据权利要求1所述的方法，其特征在于，获取mri和pet医学图像数据集，在三维状态下对mri和pet医学图像进行预处理，完成配准和切片工作具体包括：

4.根据权利要求1所述的方法，其特征在于，通过多尺度自适应变换建立图像融合模型具体包括：

5.根据权利要求1所述的方法，其特征在于，建立vgg16神经网络图像分类识别模型具体包括：

6.根据权利要求1所述的方法，其特征在于，基于迁移学习方法，利用相近的认知障碍数据库对预先建立的vgg16神经网络图像分类识别模型进行预训练具体包括：

7.根据权利要求6所述的方法，其特征在于，使用所述融合图像对vgg16神经网络图像分类识别模型进行最后训练，获得多模态阿尔兹海默症辅助诊断模型具体包括：

8.一种阿尔兹海默症辅助诊断模型获取装置，其特征在于，包括：

9.一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的阿尔兹海默症辅助诊断模型获取方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有信息传递的实现程序，所述程序被处理器执行时实现如权利要求1至7中任一项所述的阿尔兹海默症辅助诊断模型获取方法的步骤。

技术总结
本公开提供了一种阿尔兹海默症辅助诊断模型获取方法及装置，其中，方法包括：获取MRI和PET医学图像数据集，在三维状态下对MRI和PET医学图像进行预处理，完成配准和切片工作；将MRI和PET二维图像输入预先通过多尺度自适应变换建立的图像融合模型，输出融合图像；基于迁移学习方法，利用相近的认知障碍数据库对预先建立的VGG16神经网络图像分类识别模型进行预训练；使用融合图像对VGG16神经网络图像分类识别模型进行最后训练，获得多模态阿尔兹海默症辅助诊断模型。本公开将多尺度自适应变换应用于图像融合阶段，将迁移学习应用于图像分类阶段，以充分捕获来自不同深度的不同尺寸特征和解决数据量过少问题。

技术研发人员：吴文强,易梓宇,许森颖,林泽宇,陈志臻,夏家豪,朱大昌,陈首彦
受保护的技术使用者：广州大学
技术研发日：
技术公布日：2024/1/14