[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

说明书

本发明公开了一种基于脑成像大数据深度学习的阿尔兹海默症分类器，包括：数据预处理模块、深度学习模型、性别分类模块、初始化模块、AD训练模块和预测模块；经数据预处理模块配准后的灰质密度和灰质体积图像由输入模块输入，经卷积、缩减和池化处理后提取图像特征值；通过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，当性别分类准确率达到最高值后，再通过初始化模块对深度学习模型中的drop out模块和Softmax函数进行参数初始化，最后通过AD训练模块利用深度学习模型对大数据库样本进行AD训练，训练好后再进行AD检测与分类。本发明显著提高AD病人和正常人分类的准确率，AD分类正确率达到了88.4％，在独立样本上AD分类正确率达到了86.1％。

技术领域

本发明涉及脑成像技术领域，具体涉及一种基于脑成像大数据深度学习的阿尔兹海默症分类器(Alzheimer’s Disease，AD)。

背景技术

脑成像尤其是磁共振成像经过数十年的发展，临床应用仍较有限。然而，大数据和深度学习在诸多如基于成像的乳腺癌和眼底疾病诊断上取得了突破性进展。目前，由于磁共振成像成本较高，对病人配合要求较高等原因，磁共振的大数据积累及相关研究一直处于千人级别数量级，难以构造基于大数据的工业级的深度学习分类器，并具备实际用途，其普适性较差。

发明内容

为了解决上述所存在的技术问题，基于处理后的图像利用深度学习技术，利用脑成像数据对人是否罹患阿尔兹海默症进行预测，实现能达到工业级别的脑成像深度学习分类器，使阿尔兹海默症分类器具有很好的普适性，为此，本发明提供了一种基于脑成像大数据深度学习的阿尔兹海默症分类器。

具体实施方案如下：

一种基于脑成像大数据深度学习的阿尔兹海默症分类器，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(stem)，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。