一种阿尔茨海默症预测方法、装置、设备及介质与流程

本发明涉及计算机技术领域，尤其涉及一种阿尔茨海默症预测方法、装置、终端设备及计算机可读存储介质。

背景技术：

阿尔茨海默病(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。中国是阿尔茨海默病患者人数最多也是增速居前的国家，在中国，65岁以上的老人中有900多万人患有阿尔茨海默病，4000万人患有轻度认知障碍。虽然目前还没有可以停止或逆转阿尔茨海默病病程的治疗，但如果能在早期发现阿尔茨海默病，对于延缓阿尔茨海默病的发展是很重要的，如果阿尔茨海默病患者到了晚期才进行诊断治疗，就很难再延缓阿尔茨海默病的发展，而晚期的阿尔茨海默病患者通常无法认识子女、无法正常言语、容易迷路，对阿尔茨海默病患者及其家人都会造成很大的痛苦。

现有的对于阿尔茨海默病的检测方法有以下几种方式：第一种：血液学检查，主要用于发现存在的伴随疾病或并发症、发现潜在的危险因素、排除其他病因所致痴呆；第二种：神经影像学检查，用于排除其他潜在疾病和发现ad的特异性影像学表现；第三种：脑电图(eeg)，提供朊蛋白病的早期证据，或提示可能存在中毒-代谢异常、暂时性癫痫性失忆或其他癫痫疾病；第四种：脑脊液检测，脑脊液细胞计数、蛋白质、葡萄糖和蛋白电泳分析，血管炎、感染或脱髓鞘疾病疑似者应进行检测；第五种：基因检测，淀粉样蛋白前体蛋白基因(app)、早老素1、2基因(ps1、ps2)检测。

在实现本发明实施例的过程中，发明人发现：以上方法均需要专业的设备进行检测的过程，检测价格昂贵且耗费时间较长，不方便大数量的居民进行阿尔茨海默病筛查的过程，效率较为低下，同时诊断结果依赖于专业医生的诊断分析，医生的水平也直接影响诊断的结果，而且医护人员的时间和精力都有限，以上方法无法实现大面积的普及检测过程。

技术实现要素：

针对上述问题，本发明的目的在于提供一种阿尔茨海默症预测方法、装置、终端设备及计算机可读存储介质，以高准确率实现阿尔茨海默症的自动化预测，实现阿尔茨海默症的大面积的普及检测过程，以便居民进行及时的预防与治疗。

第一方面，本发明实施例提供了一种阿尔茨海默症预测方法，包括以下步骤：

对获取的核磁共振大脑结构图像进行预处理，以生成灰质图像；

根据所述灰质图像及基于阿尔茨海默症的3d卷积神经网络模型进行运算，以输出阿尔茨海默症预测结果。

在第一方面的第一种实现方式中，还包括：

对输入的核磁共振大脑结构原始图像进行图像质量筛查；

对筛查合格的所述核磁共振大脑结构原始图像进行数据格式转换，以获取可分析的核磁共振大脑结构图像。

根据第一方面的第一种实现方式，在第一方面的第二种实现方式中，所述对获取的核磁共振大脑结构图像进行预处理，以生成灰质图像，具体为：

对获取的核磁共振大脑结构图像进行灰质图像及白质图像的分割，以生成初始灰质图像及初始白质图像；

对所述初始灰质图像及初始白质图像进行非线性配准，以生成配准图像；

对所述配准图像进行标准化及平滑处理，以生成处理后的灰质图像。

根据第一方面的第二种实现方式，在第一方面的第三种实现方式中，所述根据所述灰质图像及基于阿尔茨海默症的3d卷积神经网络模型进行运算，以输出阿尔茨海默症预测结果，具体为：

将所述灰质图像作为所述基于阿尔茨海默症的3d卷积神经网络模型的输入值；

在卷积层中，通过自编码器提取所述灰质图像的特征值，以生成至少一个特征图像；

通过池化层对所述至少一个特征图像进行压缩处理，以对应生成至少一个压缩特征图像；

对所述至少一个压缩特征图像进行第一激活函数转换，以生成对应的至少一个非线性特征图像；

通过全连接层对所述至少一个非线性特征图像进行特征叠加及第二激活函数转换，以生成叠加特征图像；

通过输出层对所述叠加特征图像进行处理，以输出阿尔茨海默症预测结果。

根据第一方面的第三种实现方式，在第一方面的第四种实现方式中，所述压缩处理的方式为最大值池化、最小值池化或均值池化中的任意一种。

根据第一方面的第三种实现方式，在第一方面的第五种实现方式中，所述第一激活函数为relu激活函数、tanh激活函数及liner激活函数中的任意一种；所述第二激活函数为relu激活函数、tanh激活函数及liner激活函数中的任意一种。

根据第一方面的以上任一种实现方式，在第一方面的第六种实现方式中，在基于阿尔茨海默症的3d卷积神经网络模型的训练过程中，通过自动编码器训练出卷积核；

在基于阿尔茨海默症的3d卷积神经网络模型的训练过程中，将训练预测结果集与真实结果集的均方差作为训练过程中预测的损失值；

在基于阿尔茨海默症的3d卷积神经网络模型的训练过程中，将准确率及auc作为评价所述基于阿尔茨海默症的3d卷积神经网络模型的指标。

第二方面，本发明实施例提供了一种阿尔茨海默症预测装置，包括：

预处理单元，用于对获取的核磁共振大脑结构图像进行预处理，以生成灰质图像；

模型预测单元，用于根据所述灰质图像及基于阿尔茨海默症的3d卷积神经网络模型进行运算，以输出阿尔茨海默症预测结果。

在第二方面的第一种实现方式中，还包括：

质量筛查单元，用于对输入的核磁共振大脑结构原始图像进行图像质量筛查；

格式转换单元，用于对筛查合格的所述核磁共振大脑结构原始图像进行数据格式转换，以获取可分析的核磁共振大脑结构图像。

根据第二方面的第一种实现方式，在第二方面的第二种实现方式中，所述预处理单元具体包括：

图像分割模块，用于对获取的核磁共振大脑结构图像进行灰质图像及白质图像的分割，以生成初始灰质图像及初始白质图像；

非线性配准模块，用于对所述初始灰质图像及初始白质图像进行非线性配准，以生成配准图像；

标准化及平滑模块，用于对所述配准图像进行标准化及平滑处理，以生成处理后的灰质图像。

根据第二方面的第二种实现方式，在第二方面的第三种实现方式中，所述模型预测单元具体为：

输入模块，用于将所述灰质图像作为所述基于阿尔茨海默症的3d卷积神经网络模型的输入值；

特征提取模块，用于在卷积层中，通过自编码器提取所述灰质图像的特征值，以生成至少一个特征图像；

特征图像压缩模块，用于通过池化层对所述至少一个特征图像进行压缩处理，以对应生成至少一个压缩特征图像；

第一转换模块，用于对所述至少一个压缩特征图像进行第一激活函数转换，以生成对应的至少一个非线性特征图像；

特征叠加模块，用于通过全连接层对所述至少一个非线性特征图像进行特征叠加及第二激活函数转换，以生成叠加特征图像；

预测结果输出单元，用于通过输出层对所述叠加特征图像进行处理，以输出阿尔茨海默症预测结果。

根据第二方面的第三种实现方式，在第二方面的第四种实现方式中，所述压缩处理的方式为最大值池化、最小值池化或均值池化中的任意一种。

根据第二方面的第三种实现方式，在第二方面的第五种实现方式中，所述第一激活函数为relu激活函数、tanh激活函数及liner激活函数中的任意一种；所述第二激活函数为relu激活函数、tanh激活函数及liner激活函数中的任意一种。

根据第二方面的以上任一种实现方式，在第二方面的第六种实现方式中，在基于阿尔茨海默症的3d卷积神经网络模型的训练过程中，通过自动编码器训练出卷积核；

在基于阿尔茨海默症的3d卷积神经网络模型的训练过程中，将训练预测结果集与真实结果集的均方差作为训练过程中预测的损失值；

在基于阿尔茨海默症的3d卷积神经网络模型的训练过程中，将准确率及auc曲线作为评价所述基于阿尔茨海默症的3d卷积神经网络模型的指标。

第三方面，本发明实施例提供了一种阿尔茨海默症预测终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现上述中任意一项所述的阿尔茨海默症预测方法。

第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述中任意一项所述的阿尔茨海默症预测方法。

本发明实施例提供了一种阿尔茨海默症预测方法、装置、终端设备及计算机可读存储介质，具有如下有益效果：

通过对获取的核磁共振大脑结构图像进行预处理，以生成灰质图像，然后根据所述灰质图像及基于阿尔茨海默症的3d卷积神经网络模型进行运算，以输出阿尔茨海默症预测结果，以高准确率实现阿尔茨海默症的自动化预测，检测过程无需依赖于医生的专业水平，且检测过程高效简便，能够实现阿尔茨海默症的大面积的普及检测过程，以便居民进行及时的预防与治疗。

附图说明

为了更清楚地说明本发明的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明第一实施例提供的阿尔茨海默症预测方法的流程示意图。

图2是本发明第一实施例提供的核磁共振大脑结构图像预处理流程的示意图。

图3是本发明第一实施例提供的基于阿尔茨海默症的3d卷积神经网络模型的结构示意图。

图4是本发明第一实施例提供的卷积层及池化层的图像处理流程示意图。

图5是本发明第一实施例提供的全连接层的特征图像处理流程示意图。

图6是本发明第三实施例提供的基于阿尔茨海默症的3d卷积神经网络模型的训练流程的示意图。

图7是本发明第三实施例提供的自动编码器的编码及解码过程的结构示意图。

图8是本发明第四实施例提供的阿尔茨海默症预测装置的结构示意图。

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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1，本发明第一实施例提供了一种阿尔茨海默症预测方法，其可由终端设备来执行，并包括以下步骤：

s11，对获取的核磁共振大脑结构图像进行预处理，以生成灰质图像。

在本发明实施例中，所述终端设备可以通过软件和/或硬件的方式实现，所述终端设备可以是两个或多个物理实体构成，也可以是一个物理实体构成。该批注显示设备可以是桌上型计算机、笔记本、掌上电脑、移动终端、智能平板及云端服务器等计算设备。

在本发明实施例中，预处理过程采用的分析软件是基于matlab的spm软件包，该软件包专注于脑部影像数据的处理和分析，预处理步骤均建立在spm软件中的dartel功能，传统的核磁共振大脑结构数据预处理建立在matlab开发时环境和spm软件包，本系统利用matlab运行时环境将spm软件中涉及到的全部预处理步骤整合为代码并自动读取原始数据并按顺序运行所有的预处理步骤，所有预处理过程在centos系统中运行。

在本发明实施例中，请参阅图2，所述终端设备对获取的核磁共振大脑结构图像进行灰质图像及白质图像的分割，以生成初始灰质图像及初始白质图像，核磁共振大脑结构成像是根据大脑不同组织被施加射频脉冲之后具有不同的弛豫时间用以区分脑灰质、脑白质、脑脊液等组织，在临床医学和科研领域，最常用的结构组织是灰质和白质，这两种组织结构是构成人类大脑的主要成分，预处理的第一步便是根据获取的核磁共振大脑结构图像，选择spm软件中的大脑模板进行刚体配准，以分割出原始灰质图像和原始白质图像；然后所述终端设备对所述初始灰质图像及初始白质图像进行非线性配准，以生成配准图像，具体地，根据所述原始灰质图像及原始白质图像创建模板，创建模板的作用在于：考虑到大脑结构数据来自不同个体和不同扫描机型，需要创建一个参考模板将不同个体的图像映射到该模板上从而达到图像信息融合的目的，然后再把所述原始灰质图像及原始白质图像配准到该模板上，进而利用这些已配准到模板的图像重新生成一个新的模板，所述原始灰质图像及原始白质图像配准到这个新模板上，如此反复直到得到最好的配准效果，最后所述终端设备对所述配准图像进行标准化及平滑处理，以生成处理后的灰质图像及白质图像，具体地，将所述配准图像标准化到mni坐标空间(mni坐标空间是国际上最常用的人脑坐标体系之一)，然后再对灰质进行高斯平滑，所采用的平滑核为8mm，需要说明的是，整个预处理过程通过编码的形式实现完全自动化，系统自动读取原始大脑结构数据然后依赖于matlab运行时的环境完成整个预处理过程而不需要商业版的matlab，同时也不需要根据dartel工具的每个步骤进行手动处理，节省人力物力，且对核磁共振大脑结构图像进行预处理的过程能够在后续的模型预策过程获取更高的准确率，从而降低临床应用中的出错率。

s12，根据所述灰质图像及基于阿尔茨海默症的3d卷积神经网络模型进行运算，以输出阿尔茨海默症预测结果。

在本发明实施例中，神经网络的主要原理是模仿大脑神经元的工作原理，将一个个神经元连接成网，每个神经元将输入的信号进行一些处理，再将处理后的信号传出去作为目标神经元的输入，处理方式可能是累加，可能是过滤或者其他方式，通过单个神经元简单规则的大规模重复，形成一个复杂系统，最终达到非线性预测的目的。请参阅图3，图3为基于阿尔茨海默症的3d卷积神经网络模型的结构示意图，以2层卷积网络，2层池化层，4层全连接网络，在全连接网络之后接一个输出层用来输出判别结果为例，需要说明的是，本发明对于卷积网络、池化层及全连接网络的层数不做任何限制，所述全连接网络即是在分层结构中前一层的每一个节点会与后一层的每一个节点连接，总共的网络结构是全部节点的笛卡尔积的数量，所述卷积网络需要先设置图像的卷积规则，一般用矩阵乘法作为卷积规则。

在本发明实施例中，所述终端设备将所述灰质图像作为所述基于阿尔茨海默症的3d卷积神经网络模型的输入值，请参阅图4，图4为卷积层及池化层的图像处理流程示意图，在卷积层中，通过自编码器提取所述灰质图像的特征值，以生成至少一个特征图像，在卷积层中，卷积核是根据自编码器训练输入的图像生成的，也可以说，通过卷积核提取所述灰质图像的特征值，以生成至少一个特征图像，然后通过池化层对所述至少一个特征图像进行压缩处理，以对应生成至少一个压缩特征图像，再对所述至少一个压缩特征图像进行第一激活函数转换，以生成对应的至少一个非线性特征图像，请参阅图5，图5为全连接层的特征图像处理示意图，通过全连接层对所述至少一个非线性特征图像进行特征叠加及第二激活函数转换，以生成叠加特征图像，最后通过输出层对所述叠加特征图像进行处理，以输出阿尔茨海默症预测结果，其中，所述压缩处理的方式为最大值池化、最小值池化或均值池化中的任意一种，所述第一激活函数为relu激活函数、tanh激活函数及liner激活函数中的任意一种；所述第二激活函数为relu激活函数、tanh激活函数及liner激活函数中的任意一种。

综上所述，本发明第一实施例提供了一种阿尔茨海默症预测方法，通过对获取的核磁共振大脑结构图像进行预处理，以生成灰质图像，然后根据所述灰质图像及基于阿尔茨海默症的3d卷积神经网络模型进行运算，以输出阿尔茨海默症预测结果，以高准确率实现阿尔茨海默症的自动化预测，检测过程无需依赖于医生的专业水平，且检测过程高效简便，能够实现阿尔茨海默症的大面积的普及检测过程，以便居民进行及时的预防与治疗。

为了便于对本发明的理解，下面将对本发明的一些优选实施例做更进一步的描述。

本发明第二实施例：

在本发明第一实施例的基础上，还包括：

对输入的核磁共振大脑结构原始图像进行图像质量筛查。

对筛查合格的所述核磁共振大脑结构原始图像进行数据格式转换，以获取可分析的核磁共振大脑结构图像。

在本发明实施例中，通过不同种类的核磁共振扫描仪获得的核磁共振大脑结构原始图像，其格式为dicom格式，所述核磁共振扫描仪包括但不限于西门子，飞利浦和ge等机型，本发明中对于输入的核磁共振大脑结构原始图像要求其在以下扫描参数设置下扫描获得：层厚选择为1mm或1.2mm，场强为1.5t或3.0t，分辨率为1×1或者1.2×1.2，所述终端设备对输入的核磁共振大脑结构原始图像进行图像质量筛查后，对筛查合格的所述核磁共振大脑结构原始图像进行数据格式转换，将dicom格式的所述核磁共振大脑结构原始图像转换为nifti格式，以获取nifti格式的可分析的核磁共振大脑结构图像，为后续预处理流程提供标准图像，对于筛选不合格的核磁共振大脑结构原始图像采取弃用方案。

本发明第三实施例：

请参阅图6，在本发明以上实施例的基础上，所述基于阿尔茨海默症的3d卷积神经网络模型的训练过程包括以下步骤：

s21，对输入的核磁共振大脑结构样本图像进行图像质量筛查，并对筛查合格的所述核磁共振大脑结构样本图像进行数据格式转换，以获取样本图像。

在本发明实施例中，所述终端设备筛选通过预设参数扫描获得的核磁共振大脑结构样本图像，所述预设参数为：层厚选择为1mm或1.2mm，场强为1.5t或3.0t，分辨率为1×1或者1.2×1.2；然后对筛选合格的格式为dicom的核磁共振大脑结构样本图像转换为格式为nifti格式的样本图像。

s22，对所述样本图像进行预处理，以生成灰质样本图像。

在本发明实施例中，首先所述终端设备根据所述样本图像分割出灰质图像与白质图像；然后将分割的所述灰质图像进行非线性配准，具体地，首先利用分割的所述灰质图像生成一个模板，然后再把每个样本图像分割后的所述灰质图像配准到该模板上，进而利用这些已配准到模板的图像重新生成一个新的模板，每个样本图像分割后的所述灰质图像配准到这个新模板上，如此反复直到得到最好的配准效果；最后对非线性配准后的灰质图像进行标准化与平滑处理，具体地，将非线性配准后的灰质图像标准化到mni坐标空间(mni坐标空间是国际上最常用的人脑坐标体系之一)，然后再对标准化的灰质图像进行高斯平滑，平滑核为8mm。

s23，根据所述样本图像的真实结果及所述灰质样本图像对所述基于阿尔茨海默症的3d卷积神经网络模型进行训练以输出训练预测结果。

在本发明实施例中，机器学习卷积核的生成有很多种，有人工定制、随机生成、自动编码器生成、和pac主成分分析法生成。本发明以自动编码器训练卷积核为例进行说明，自动编码器的原理理解为将图像输入到可训练的神经网络中，通过网络的特征提取，再输出一个与输入相同的图像，以输入输出的差别作为损失值，通过反向传播的方式使得精度不断提高，这个神经网络的结果，就是卷积核。通过自动编码器训练的卷积核可以使得在训练时有一个比较好的卷积核，大大提高了训练的精度问题，请参阅图7，自动编码器分为编码和解码两个阶段，是提取高维数据特征的有效手段，编码阶段通过卷积网络对目标数据进行特征提取，此时的卷积核由随机初始化的方式产生，经过编码阶段后，接一层全连接解码，即由卷积核进行全连接产生一个数据，对比生成的数据与输入的数据的差别，产生一个均方差损失值，以优化此损失值为目的进行训练，得到自编码器的结果，即分类训练时的卷积核，需要说明的是，所述卷积核用于对图像进行卷积计算特征单元，一般维度和目标维度相同，本发明的卷积核大小为可调参项，以默认设置为8，8，8为例，即长宽高都是8像素，每个卷积核对应一个特征图，特征图是该卷积核的特征映射；所述卷积层由卷积核组成的，是针对一层神经网络的特征集，本发明每一层的卷积核个数位可调参项，以默认设置为128和64为例进行训练的过程；在所述全连接层中，上一层的每一个节点和下一层的每一个节点连接，本发明以共四层全连接层为例进行训练的过程，分别是2048个结点，512个结点，256个结点，128个结点；卷积网络中权重近似为卷机核，在全连接网络中，权重是一个向量。

在本发明实施例中，在所述基于阿尔茨海默症的3d卷积神经网络模型的训练过程中，会产生一个训练预测结果集，将训练预测结果集与真实结果集的均方差作为训练过程中预测的损失值，最理想的结果均方差为0，将各层网络看作是关于输入影像数据的一个函数，均方差同样可以看作是网络参数的一个函数，通过求函数的最小值可以使得预测的准确性达到最高，函数取最小值对应的参数则为目标网络的参数，求解过程可以通过梯度下降的方式进行，在不断地梯度下降之后，模型的精度才能得到提高，梯度指数学意义上的梯度，将各层网络看作一个函数，损失值可看作一个关于网络参数的函数，这里的网络参数包括全连接层的权重，偏置，和卷积层的卷积核，偏置，若函数得到最值，必先取极值，梯度下降的目的是得到各个极值点计算损失值最小时候的神经网络参数的取值，从而获得一个精度最高的网络结构，这个过程称作反向传播，通过反向传播，使得损失值达到最小从而得到最优的神经网络参数，需要说明的是，基于阿尔茨海默症的3d卷积神经网络模型的主训练程序使用的是预测值和标签值的均方差，自动编码器产生卷积核使用的是输出图像和输入图像的均方差。

在本发明实施例中，在基于阿尔茨海默症的3d卷积神经网络模型的训练过程中，将准确率及auc作为评价所述基于阿尔茨海默症的3d卷积神经网络模型的指标，所述准确率为正确预测个数占总体测试个数的比例，所述auc(areaundercurve)，表示roc曲线下的面积，取值在0.5-1之间，判断一个二元分类算法的好坏时，auc可以起到很好的参考，auc的值越接近于1，算法分类效果越好，意味着正确的判断比率高。

在本发明实施例中，对基于阿尔茨海默症的3d卷积神经网络模型的整个训练流程进行说明，包括：

步骤l1，大脑结构样本图像自动化预处理；步骤l2，划分文件；步骤l3，加载数据；步骤l4，3d卷积神经网络模型训练；步骤l5，微调；步骤l6，交叉验证。

其中，步骤l2包括：

l21，读取文件；l22，设置文件夹数；l23，遍历文件夹：遍历过程包括创建文件夹，写测试集文件名，写验证集文件名；l24，释放资源。

步骤l3包括：

l31，加载文件目录；l32，筛选出长宽高最小值；l33，遍历未患病样本图像文件夹：遍历过程包括创建空列表，加载文件，堆叠文件；l34，创建x0向量，并赋值为所述未患病样本图像的集合，创建y0向量，并赋值为0；l35，遍历患病样本图像文件夹：遍历过程包括创建空列表，加载文件，堆叠文件；l36，创建x1向量，并赋值为所述患病样本图像的集合，创建y1向量，并赋值为1；l37，返回x0、y0；x1，y1。

步骤l4包括：

l41，获取x0、y0；x1，y1；l42，对长宽高进行采样；l43，获取训练轮次；l44，遍历训练轮次：遍历过程包括获取最小批次数据；训练自动编码器，获取损失值；每训练10次打印一次损失值；l45，保存自动编码器结果文件。

步骤l5包括：

l51，获取x0、y0；x1，y1；l52，读取自动编码器结果文件；l53，获取训练轮次；l54，遍历训练轮次：遍历过程包括获取最小批次数据；训练分类器，获取损失值；每训练10次打印一次损失值；l45，保存分类器模型数据文件。

步骤l6包括：

l61：遍历划分好的文件夹：遍历过程包括：l611，读取该文件夹下的测试集；l612，获取x0、y0；x1，y1；l613，对长宽高进行采样；l614，读取训练好的分类器模型数据文件；l615，获取验证轮次；l616，遍历验证轮次：遍历过程包括获取最小批次数据；测试分类器，获取分类结果；将判断正确的次数累加；l617，将正确次数除以验证集大小作为准确率精度；l618，打印准确率精度。

请参阅图8，本发明第四实施例提供了第四实施例，本发明实施例提供了一种阿尔茨海默症预测装置，包括：

预处理单元11，用于对获取的核磁共振大脑结构图像进行预处理，以生成灰质图像。

模型预测单元12，用于根据所述灰质图像及基于阿尔茨海默症的3d卷积神经网络模型进行运算，以输出阿尔茨海默症预测结果。

在第四实施例的第一种实现方式中，还包括：

质量筛查单元，用于对输入的核磁共振大脑结构原始图像进行图像质量筛查。

格式转换单元，用于对筛查合格的所述核磁共振大脑结构原始图像进行数据格式转换，以获取可分析的核磁共振大脑结构图像。

根据第四实施例的第一种实现方式，在第四实施例的第二种实现方式中，所述预处理单元11具体包括：

图像分割模块，用于对获取的核磁共振大脑结构图像进行灰质图像及白质图像的分割，以生成初始灰质图像及初始白质图像。

非线性配准模块，用于对所述初始灰质图像及初始白质图像进行非线性配准，以生成配准图像。

标准化及平滑模块，用于对所述配准图像进行标准化及平滑处理，以生成处理后的灰质图像。

根据第四实施例的第二种实现方式，在第四实施例的第三种实现方式中，所述模型预测单元12具体为：

输入模块，用于将所述灰质图像作为所述基于阿尔茨海默症的3d卷积神经网络模型的输入值。

特征提取模块，用于在卷积层中，通过自编码器提取所述灰质图像的特征值，以生成至少一个特征图像。

特征图像压缩模块，用于通过池化层对所述至少一个特征图像进行压缩处理，以对应生成至少一个压缩特征图像。

第一转换模块，用于对所述至少一个压缩特征图像进行第一激活函数转换，以生成对应的至少一个非线性特征图像。

特征叠加模块，用于通过全连接层对所述至少一个非线性特征图像进行特征叠加及第二激活函数转换，以生成叠加特征图像。

预测结果输出单元，用于通过输出层对所述叠加特征图像进行处理，以输出阿尔茨海默症预测结果。

根据第四实施例的第三种实现方式，在第四实施例的第四种实现方式中，所述压缩处理的方式为最大值池化、最小值池化或均值池化中的任意一种。

根据第四实施例的第三种实现方式，在第四实施例的第五种实现方式中，所述第一激活函数为relu激活函数、tanh激活函数及liner激活函数中的任意一种。所述第二激活函数为relu激活函数、tanh激活函数及liner激活函数中的任意一种。

根据第四实施例的以上任一种实现方式，在第四实施例的第六种实现方式中，在基于阿尔茨海默症的3d卷积神经网络模型的训练过程中，通过自动编码器训练出卷积核。

在基于阿尔茨海默症的3d卷积神经网络模型的训练过程中，将训练预测结果集与真实结果集的均方差作为训练过程中预测的损失值。

在基于阿尔茨海默症的3d卷积神经网络模型的训练过程中，将准确率及auc曲线作为评价所述基于阿尔茨海默症的3d卷积神经网络模型的指标。

本发明第五实施例提供了一种阿尔茨海默症预测终端设备。该实施例的阿尔茨海默症预测终端设备包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，例如阿尔茨海默症预测程序。所述处理器执行所述计算机程序时实现上述各个阿尔茨海默症预测方法实施例中的步骤，例如图1所示的步骤s11。或者，所述处理器执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能，例如预处理单元。

示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述阿尔茨海默症预测终端设备中的执行过程。

所述阿尔茨海默症预测终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述阿尔茨海默症预测终端设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述部件仅仅是阿尔茨海默症预测终端设备的示例，并不构成对阿尔茨海默症预测终端设备的限定，可以包括比上述部件更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述阿尔茨海默症预测终端设备还可以包括输入输出设备、网络接入设备、总线等。

所称处理器可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述阿尔茨海默症预测终端设备的控制中心，利用各种接口和线路连接整个阿尔茨海默症预测终端设备的各个部分。

所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述阿尔茨海默症预测终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(smartmediacard,smc)，安全数字(securedigital,sd)卡，闪存卡(flashcard)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

其中，所述阿尔茨海默症预测终端设备集成的模块/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取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。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-onlymemory)、随机存取存储器(ram，randomaccessmemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。