[发明专利]一种基于脑成像大数据深度学习的阿尔兹海默症分类器

权利要求书

1.一种基于脑成像大数据深度学习的阿尔兹海默症分类器，其特征在于，所述阿尔兹海默症分类器包括：

数据预处理模块，用于将输入的磁共振结构成像数据分割为灰质图像、白质图像和脑脊液图像，将分割后的图像由个体空间转化为MNI空间，并对灰质密度和灰质体积图像进行配准；

深度学习模型，依次包括输入模块、主干模块，卷积模块、缩减模块、平均池化模块、drop out模块及Softmax函数，经所述数据预处理模块配准后的灰质密度和灰质体积图像由所述输入模块输入，经卷积、缩减和池化处理后提取图像特征值；

性别分类模块，其通过所述深度学习模型对脑成像大数据库样本进行性别深度模型训练；

初始化模块，用于对所述深度学习模型中的所述drop out模块和Softmax函数进行参数初始化；

AD训练模块，其通过所述深度学习模型对脑成像大数据库样本进行AD训练；

预测模块，根据所述深度学习模型所提取的图像特征值进行AD分类；

所述阿尔兹海默症分类器中还设有质量控制模块，其通过从各个数据来源站点抽取若干名被试的灰质密度图进行平均后形成标准模板，删除每个数据来源站点内同标准模板的空间相似程度小于站点均值减去两倍站点标准差的样本；即： Corr_i Corr_mean_j-2*Corr_std_j

其中：Corr_i为单个被试同标准模板的皮尔逊相关系数；

i为第i个被试；

Corr_mean_j为第i个被试所在站点j的同模板的平均相关系数；

Corr_std_j为第i个被试所在站点j的同模板的相关的标准差；

所述数据预处理模块中利用Data Processing Assistant for Resting-State fMRI工具中的voxel based morphometry分析模块，将磁共振结构成像分割为灰质、白质和脑脊液，并将分割后的图像借助Diffeomorphic Anatomical Registration ThroughExponentiated Lie algebra工具将被试的个体空间转化为MNI空间；

所述数据预处理模块中输入的脑成像数据是基于T1-weighted磁共振结构成像数据或基于功能磁共振或PET-CT的脑成像数据。

2.根据权利要求1所述的基于脑成像大数据深度学习的阿尔兹海默症分类器，其特征在于，所述的卷积模块包括：

卷积模块A，用于提取3×3×3大小范围内的图像特征；

卷积模块B，用于提取7×7×7大小范围内的图像特征；

卷积模块C，用于提取3×3×3大小范围内的图像特征；

所述缩减模块包括：

缩减模块A，用于提取不同来源的图像特征并缩小图片尺度；

缩减模块B，用于提取不同来源的图像特征并缩小图片尺度；

由所述输入模块输入的经配准后的灰质密度和灰质体积图像，依次经卷积模块A、缩减模块A、卷积模块B、缩减模块B和卷积模块C进行图像特征提取与缩减处理。

3.根据权利要求1所述的基于脑成像大数据深度学习的阿尔兹海默症分类器，其特征在于，所述深度学习模型通过对脑成像大数据库样本进行性别深度模型训练，经训练得出的性别分类准确率达到94.9%或以上时，再通过所述AD训练模块输入阿尔兹海默症病人和正常对照的脑成像数据依次经所述的数据预处理模块和深度学习模型进行训练。

4.根据权利要求1所述的基于脑成像大数据深度学习的阿尔兹海默症分类器，其特征在于，所述深度学习模型中还加入残差项，用于避免模型深度过大导致的梯度爆炸和梯度消失。