本发明涉及一种阿尔茨海默症辅助诊断方法,具体涉及一种基于pet图像的早期阿尔茨海默症辅助诊断方法。
背景技术:
1、阿尔茨海默症是一种常见的神经隐匿性疾病,其显著特征包括记忆力损失和认知功能下降,这给患者及其家庭带来了巨大的经济负担。人们普遍认为,阿尔茨海默症的病理进展在明显痴呆症状出现之前的许多年就开始了,该阶段被称为轻度认知障碍阶段,其特征是可察觉的认知功能障碍。虽然目前关于阿尔茨海默症的完全治愈还存在一定的挑战,但是患者可以通过接受旨在增强认知功能的药物治疗。为了确保更有效的治疗,必须对疾病进行精确和早期的诊断。同时,相关研究指出,阿尔茨海默症的早期治疗可以减缓或延长患者发病的进程。这便对阿尔茨海默症的早期诊断提出了一定的要求。
2、阿尔茨海默症早期阶段的患者在临床上并无显著特征,而在正电子发射(pet)成像中,脑部区域示踪剂的低代谢模式可作为阿尔茨海默症诊断中神经退行性疾病的指示性征象,这对阿尔茨海默症的早期诊断是非常有利的。近年来,机器学习特别是深度学习技术在医学图像分析领域得到了广泛应用。值得注意的是,目前已有相关学者将深度学习技术与阿尔茨海默症诊断相结合。但是,针对阿尔茨海默症早期诊断的相关研究还比较少。
技术实现思路
1、针对上述现有技术存在的问题,本发明提供一种基于pet图像的早期阿尔茨海默症辅助诊断方法,通过计算机辅助诊断的方法为临床医师提供参考意见,对早期阿尔茨海默症进行辅助诊断可以提高准确率,有利于阿尔茨海默症的早期发现。
2、为了实现上述目的,本发明采用的技术方案是:一种基于pet图像的早期阿尔茨海默症辅助诊断方法,包括以下步骤:
3、s1:获取阿尔茨海默症相关的pet图像并对图像进行预处理操作;
4、s2:利用改进的vgg16网络模型为骨干模型,对预处理后的图像进行特征提取;
5、s3:利用多尺度的以rnn为基础的特征选择模块对图像特征进行筛选,并对图像进行辅助诊断;
6、s4:对辅助诊断的图像进行可解释分析。
7、进一步的,所述步骤s1中阿尔茨海默症相关的pet图像由阿尔茨海默症公开的数据集adni中下载获取;对获取的pet图像的尺寸大小、通道数进行改变以及进行归一化处理以满足模型输入要求。
8、进一步的,所述步骤s2中vgg16网络模型改进的方法为:去除vgg16网络模型的全连接层;增加组卷积模块。
9、进一步的,所述增加组卷积模块具体步骤为增加三个组卷积层和一个relu激活层,其中设置组卷积层中的组数等于通道数。组卷积模块用于提取图像中更深层次的特征信息,同时也扩大了模型的宽度。
10、进一步的,所述步骤s3中的对图像特征进行筛选的方法为:利用池化操作中不同大小的池化核关注图像不同尺寸的特征信息;将关注到的特征信息输入到以rnn为基础的特征选择模块,进一步进行特征筛选,最后对图像所有的特征信息进行拼接操作。
11、进一步的,所述基于rnn的特征选择模块的构成如下:以特征图与隐藏层的初始特征向量作为输入数据送入以rnn模块中;将relu作为激活函数,将通道数做linear处理;经过线性变换后,将最终得到的特征图与起始的特征图进行矩阵中对应元素相乘的操作;将第一维度进行求和,得到以rnn为基础的特征选择模块的输出特征向量。
12、进一步的,所述步骤s4中可解释分析操作方法为:利用类激活图可视化操作方法,对模型重点关注的图像信息进行突出显示。
13、与现有技术相比,首先,本发明基于深度学习的方法对早期阿尔茨海默症的pet图像进行辅助诊断,相比于临床诊断可以更早的检查出患者脑部区域的异常,更有利于阿尔茨海默症的早期发现。同时,计算机辅助诊断的方法可以为临床医师提供一定的参考意见,有更广泛的适用性。其次,本发明提出了一种多尺度的以rnn为基础的特征选择模块,脑部区域图像的复杂性要求我们尽可能全面的关注到所有细节信息,在该模块中,可以同时关注图像局部区域特征信息和整体区域的特征信息,以及图像块之间的关联信息。在结构较为复杂的脑部图像中,图像块与图像块之间的关联信息对于诊断结果是重要的。本发明对早期阿尔茨海默症进行辅助诊断可以提高准确率,为了帮助病理医师更好地理解深度学习模型的工作内容,也为了进一步观察与阿尔茨海默症相关的脑部区域特征,在本发明中对最终的模型提取的特征图进行了类激活图的可视化操作。
1.一种基于pet图像的早期阿尔茨海默症辅助诊断方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于pet图像的早期阿尔茨海默症辅助诊断方法,其特征在于,所述步骤s1中阿尔茨海默症相关的pet图像由阿尔茨海默症公开的数据集adni中下载获取;对获取的pet图像的尺寸大小、通道数进行改变以及进行归一化处理。
3.根据权利要求1所述的一种基于pet图像的早期阿尔茨海默症辅助诊断方法,其特征在于,所述步骤s2中vgg16网络模型改进的方法为:去除vgg16网络模型的全连接层;增加组卷积模块。
4.根据权利要求3所述的一种基于pet图像的早期阿尔茨海默症辅助诊断方法,其特征在于,所述增加组卷积模块具体步骤为增加三个组卷积层和一个relu激活层,其中设置组卷积层中的组数等于通道数。
5.根据权利要求4所述的一种基于pet图像的早期阿尔茨海默症辅助诊断方法,其特征在于,所述步骤s3中对图像特征进行筛选的方法为:利用池化操作中不同大小的池化核关注图像不同尺寸的特征信息;将关注到的特征信息输入到以rnn为基础的特征选择模块,进一步进行特征筛选,最后对图像所有的特征信息进行拼接操作。
6.根据权利要求5所述的一种基于pet图像的早期阿尔茨海默症辅助诊断方法,其特征在于,所述基于rnn的特征选择模块的构成如下:以特征图与隐藏层的初始特征向量作为输入数据送入以rnn模块中;将relu作为激活函数,将通道数做linear处理;经过线性变换后,将最终得到的特征图与起始的特征图进行矩阵中对应元素相乘的操作;将第一维度进行求和,得到以rnn为基础的特征选择模块的输出特征向量。
7.根据权利要求1所述的一种基于pet图像的早期阿尔茨海默症辅助诊断方法,其特征在于,所述步骤s4中可解释分析操作方法为:利用类激活图可视化操作方法,对模型重点关注的图像信息进行突出显示。