[发明专利]一种基于深度学习自动预测阿尔茨海默症的方法和系统

说明书

本发明公开一种基于深度学习自动预测阿尔茨海默症的方法和系统。该方法包括：获取待检测的目标图像；将目标图像输入到经训练的深度学习框架，获得阿尔茨海默症的预测分类结果，该深度学习框架依次包括协调注意力模型、深度学习模型、激励与挤压注意力模型，所述协调注意力模型对输入特征图从不同方向上分别提取单独的位置感知，将获取的空间信息在通道上加权后与输入特征图融合，获得第一特征图；所述深度学习模型以第一特征图作为输入，提取第二特征图；所述激励与挤压注意力模型对第二特征图进行挤压操作，得到通道的全局特征，并对全局特征进行激励操作，获取不同通道的权重。本发明显著提高了预测准确率，减少医生工作量。

技术领域

本发明涉及图像处理技术领域，更具体地，涉及一种基于深度学习自动预测阿尔茨海默症的方法和系统。

背景技术

阿尔茨海默(AD)是一种进行性发展的神经系统退行性疾病，临床上表现为认知功能下降、精神症状和行为障碍、日常生活能力的逐渐下降，该病起病缓慢，无法判断从何时开始发病。随着年龄的增长，老年人患病概率增加，每年的死亡人数也在增加，严重影响了老年人的健康及正常的家庭生活。阿尔茨海默具有不可逆性，发病后只能依靠药物缓解症状，无法改变患者的发病过程。由于发病因素涉及很多方面，不能单纯的药物治疗，因此在尽可能早的阶段进行筛查和诊断很有必要，以便在进一步认知损伤发生之前采取适当的干预措施。轻度认知障碍(MCI)是痴呆的早期阶段，病人在一个或多个领域出现认知功能下降，但保持独立的日常生活能力，尚未达到痴呆的标准。MCI可以分为稳定型认知障碍(sMCI)和进展型认知障碍(pMCI)，sMCI的认知状态会保持稳定，而pMCI的认知状态会逐渐衰退，从而进展为阿尔茨海默疾病。因此在MCI阶段将病人分类，有助于早期的干预和治疗。

目前，采用深度学习解决医学图像问题也成为研究热点。深度学习可以自动学习任务与特征之间存在的关系，不需要人工提取特征，从而提高了不同类别的识别效果。近年来，深度学习在图像分类方面展现出优异的性能，深度学习也开始运用到医学图像领域，深度学习模型包括循环神经网络(RNN)、卷积神经网络(CNN)、深度信念网络(DBN)和堆叠自编码器(SAE)等。Kanghan等人基于卷积自动编码器(CAE)的无监督学习AD和NC的分类，并迁移学习用于pMCI和sMCI的分类，提出了端到端的概念用于分类，并提出了数据增强和正则化，将基于梯度反向传播的可视化技术运用到已学习的模型。有研究提出了完全堆叠双向长期短期记忆FSBi-LSTM，同时分析MRI和PET数据，长短时记忆LSTM可以解决梯度爆炸或者梯度消失的问题。将MRI和PET输入3DCNN提取特征，利用FSBi-LSTM代替传统的全连接层来提取高层次的语义和空间信息，FSBi-LSTM可以从特征图中获取空间和语义信息。

经分析，在现有技术中，传统的机器学习方法一般是通过人工方式从医学图像中提取特征，再使用分类器分类，这种方法依赖先验知识来提取特征，对数据集需要进行深度分析，费时费力。基于体素的特征提取方法在处理3D的数据时，虽然考虑到了全局信息，但需要大量的算力和计算成本。基于区域的提取方法将特征聚焦在指定的区域，减少了对整幅图片的计算量，但是也不可避免地忽略了全局的结构信息。总之，传统的机器学习在处理特定简单的任务时，人工提取特征会简单有效，但是泛化性差，只适用于特定的任务。而目前使用深度学习自动提取特征的方案，在深度学习的卷积和池化过程中，不同通道所提取的特征赋予了同样的权重，但在实际的问题中，不同的特征在分类效果上的重要性应该是不同的。

发明内容

本发明的目的是克服上述现有技术的缺陷，提供一种基于深度学习自动预测阿尔茨海默症的方法和系统。

根据本发明的第一方面，提供一种基于深度学习自动预测阿尔茨海默症的方法。该方法包括以下步骤：

获取待检测的目标图像；