[发明专利]一种基于注意力结合特异结构的阿尔兹海默症分类方法

说明书

针对医学图像的分类，本发明设计了一种基于注意力结合特异结构的阿尔兹海默症分类方法。该方法涉及从形态学上提取特异性子结构、提取影像学有效信息以及两个维度信息融合。本方法包含数据集预处理，网络模型设计，网络最优模型训练，网络模型性能评价四个部分。本发明充分提取形态学特异性特征以及影像学有效信息，设计了自注意力的编解码网络，其在医学图像特征提取以及分类方面有广阔的应用前景。

技术领域

本发明涉及计算机视觉和深度学习领域，具体涉及基于深度学习的医学图像分类领域，包含医学影像子结构提取、脑部冗余信息的去除，尤其结合了图像以及形态学两个维度的信息，基于融合的信息对图像进行分类。

背景技术

近年来，基于核磁共振影像学(Magnetic Resonance Imaging,MRI)的阿尔兹海默症(Alzheimer's disease，AD)分类备受关注。研究表明，阿尔兹海默症与脑部子结构的形态学密切相关，现有研究通常是直接选取海马体、杏仁体等医学分析上具有特异性的子结构进行探究，并没有全面的去进行筛选特异性子结构。AD是全世界的主要公共卫生问题，也是最广泛的神经退行性疾病之一。AD是一种无法治愈的疾病，因为它没有诊断和治疗方法来减缓其进展或停止其发作。AD是由与记忆有关的大脑区域神经细胞的损伤和破坏引起的，最常见的症状是记忆丧失和认知能力下降。AD影像学辅助诊断的常见做法是使用MRI影像，它可以通过磁场和无线电波捕捉大脑的结构。机器学习和深度学习方法已被提出用于痴呆疾病的自动识别，特别是深度学习在AD和MCI的计算机辅助诊断中表现突出。在最新的研究中，卷积神经网络(Convolutional Neural Networks,CNN)已被证明在脑MRI图像的认知疾病自动诊断方面表现出色。与切片上的二维卷积相比，在整个MRI上的三维卷积可以捕获潜在的三维结构信息，这可能是识别的关键。根据已有的工作，AD分类方法大致可以分为三类:基于体素，基于感兴趣区域(ROI)的，以及基于区域块的。在基于体素的方法中，简单地通过统计或选择体素来提取特征。提出利用深度学习结合脑网络和临床相关文本信息对阿尔茨海默病进行早期诊断。然而，基于体素的特征通常具有更高的维数和噪声，这可能与疾病无关。因此，需要通过平滑、降采样和特征选择等技术来降低基于体素的特征的维数，以提高分类器的效率。在基于ROI的方法中，将大脑MRI图像分割成不同的组织ROI，然后使用基于ROI的特征向量或这些ROI之间的关系向量来描述MRI图像对AD患者进行分类。

目前大部分研究是基于MRI图像使用3D卷积进行分类，之前已经有文章提出基于脑部MRI子结构图像进行分类，并没有探究整个脑部子结构的特异性。本文是用机器学习的方法基于提取体积特征子结构，然后将特征子结构的信息加入到深度学习网络中并加入注意力模块提取MRI影像中的有效信息。本发明提出自注意力结合脑部特征子结构的分类网络，结合了形态学和影像两方面的信息进行融合，在分类准确度上达到了最优。

发明内容

本发明针对医学图像子结构形态学信息进行了特异性选择，并结合自注意力网络对原始医学图像进行编码和解编码提取图像中的有效信息，并提供了一种基于注意力结合特异结构的阿尔兹海默症分类方法。该方法的主体结构是脑部特异性子结构自注意力网络(Self Attention based Specific Substructures of Brain,CASSB)模型，在该网络模型中创新性的加入了特异性的子结构信息，同时引入自注意力模块。其中特异性子结构是通过机器学习决策树的方法对体积属性向量进行分类，然后输出决策树顶部的六个特异性子结构，进行了特征的筛选。注意力子模块主要是要通过自编码的方式处理原始图像，通过注意力的机制来提取原始图像中的有效信息。本文提出的脑部特异性子结构自注意力网络的原理及框图结构如图1所示。

本发明通过以下技术方案来实现上述目的：

1.一种基于注意力结合特异结构的阿尔兹海默症分类方法，其特征在于包括以下步骤：