[发明专利]一种多模态阿尔兹海默症医学图像识别分类方法和系统

说明书

本申请公开了一种多模态阿尔兹海默症医学图像识别分类方法和系统，将医学影像和基因组学两种模态数据相结合，通过对图像数据的解读，结合基因组关联分析，利用图像与基因数据的结合使得阿尔兹海默症的诊断更具准确性和可靠性，解决了现有的阿尔兹海默症的医学诊断中图像数据与遗传数据多模态融合效果不佳，影响阿尔兹海默症的不同阶段人群识别与分类准确度的技术问题。

技术领域

本申请涉及医学图像分析技术领域，尤其涉及一种多模态阿尔兹海默症医学图像识别分类方法和系统。

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。65岁以前发病者，称早老性痴呆；65岁以后发病者称老年性痴呆。

对阿尔兹海默症的不同阶段人群进行人群分类，有利于识别阿尔兹海默症早期人群，同时获取有效的基因信息，可以为早期阿尔兹海默症患者的预防和诊断提供辅助。传统的阿尔兹海默症的医学诊断中图像数据与遗传数据多模态融合效果不佳，主要体现在：目前预处理后的医学图像所提取的特征存在诸多对人群分类没有效果的特征，影响分类的准确度；现今在SNP(单核苷酸多态性)数据用于阿尔兹海默症诊断方面一般人工选取与病症相关的基因的SNP数据，然而人工选取的SNP数据有可能在挑选过程中出现遗漏，且许多与疾病相关的SNP未被记录，SNP数据的计算复杂程度高。因此，提高阿尔兹海默症的医学诊断中图像数据与遗传数据多模态融合效果，进一步提升阿尔兹海默症的不同阶段人群识别与分类准确度，仍然是本领域技术人员亟待解决的技术问题。

发明内容

本申请提供了一种多模态阿尔兹海默症医学图像识别分类方法和系统，用于解决现有的阿尔兹海默症的医学诊断中图像数据与遗传数据多模态融合效果不佳，影响阿尔兹海默症的不同阶段人群识别与分类准确度的技术问题。

有鉴于此，本申请第一方面提供了一种多模态阿尔兹海默症医学图像识别分类方法，包括：

构建阿尔兹海默症不同人群的医学数据库，所述医学数据库包括冠状位MRI图像数据和基因SNP数据；

对所述MRI图像数据进行图像预处理后，使用CNN构造分类器，挑选最优的至少三个分类器作为优质MRI基分类器；

使用GWAS全基因组关联分析法对所述基因SNP数据进行预处理，得到编码的SNP位点数据集；

以决策树为基分类器使用随机森林分类器、Bagging分类器和XGBoost分类器三种集成策略构建分类器，得到三种SNP基分类器；

基于改进的概率权重集成学习模式，对所有所述优质MRI基分类器和所述SNP基分类器进行集成学习，得到最终的强化版分类器；

使用所述强化版分类器进行多模态阿尔兹海默症医学图像识别分类。

可选地，所述使用GWAS全基因组关联分析法对所述基因SNP数据进行预处理，得到编码的SNP位点数据集，包括：

使用PLINK软件对所述基因SNP数据进行GWAS全基因组关联分析，包括：根据位点缺失率筛选基因SNP数据、根据位点信息缺失率筛选基因SNP数据、根据Hardy-Weinberg平衡筛选基因SNP数据、根据连锁不平衡性筛选基因SNP数据、根据个体独立性筛选基因SNP数据，使用Logistic回归模型进行分析，得到每个SNP与表型的相关显著性p值，根据p值挑选出相关性高的SNP进行编码，构成编码的SNP位点数据集。

可选地，对所述MRI图像数据进行图像预处理包括：

对所述MRI图像数据进行去头骨和配准处理；

对所述MRI图像数据进行平滑处理；

对所述MRI图像数据进行灰度归一化；