[发明专利]一种基于深度集成学习的AD预测方法、系统及装置

说明书

本发明公开了一种基于深度集成学习的AD预测方法、系统及装置，属于医学影像处理领域。针对现有技术中存在的通过计算机辅助标记软件来肉眼观察患者脑PET图像中的大脑代谢活性来诊断AD诊断效率低且误诊率高等问题，本发明通过从ADNI数据库中获取PET图像，并对获取的PET图像进行切片，对切片后的PET图像中进行数据扩增，将扩增后的PET切片图像分别输入到ResNet‑34网络和EfficientNet‑b1网络进行特征学习，将学习到的特征通过MLP进行分类，对分类结果进行融合，再将融合后的结果进行预测输出，从而实现强化预测模型对PET的表征学习能力，提高预测早期阿尔茨海默症的准确性。

技术领域

本发明涉及医学影像处理领域，更具体地说，涉及一种基于深度集成学习的AD预测方法、系统及装置。

背景技术

阿尔兹海默症（Alzheimer disease，AD）是一种进行性的神经系统退化疾病，临床表现为记忆障碍、失语、失认等。AD已成为一种全球流行病，全世界有超过5000万人患有痴呆症，每年给全球带来的社会经济负担保守估计超过1万亿美元。AD发病的病因迄今未明，尚无特效药能治愈或者有效逆转疾病进程，只能使用药物等减缓病情的发展，并且尽早采取相应措施有针对性地改善护理条件有助于老年患者的康复或者延后临床发病时间。

目前临床医生诊断阿尔茨海默症的常用办法是利用计算机辅助标记软件来肉眼观察患者脑PET图像中的大脑代谢活性来判断。但这种方法存在诊断效率低、误诊率高且诊断过程复杂的特点，不利于疾病及早发现和后期治疗。

随着神经成像技术的快速发展，神经影像诊断成为诊断阿尔茨海默病直观且可靠的方法。在神经影像诊断中，脑正电子发射型计算机断层显像（Positron EmissionTomography，PET）是检测阿尔茨海默症的重要神经成像技术，是反映脑部病变基因、分子、代谢及功能状态的显像。它能体现与大脑谷氨酸能突触和星形胶质细胞活性区域的葡萄糖消耗，是脑活动代谢和神经元功能强弱的“晴雨表”。研究表明PET比MRI更早地在患有轻度认知障碍的个体中显示AD神经病变的特征。因此，基于PET的神经影像诊断是AD早期筛查的重要手段。

近年来随着计算机辅助技术的发展，越来越多基于深度学习和数字图像处理技术在医学领域尤其是阿尔茨海默症预测方面的应用取得了巨大的成果。脑PET神经影像能够有效地预测早期阿尔茨海默症，但受试者早期的PET中存在病灶特征不明显的特点，且PET存在信噪比低、数据量少等问题，使得前期病变样本和正常样本的区分难度较大。因此，为强化预测模型对PET的表征学习能力，提高预测早期阿尔茨海默症的准确性，研究一种能在AD临床症状出现之前就可精确地诊断AD的预测方法变得十分必要。

发明内容

1.要解决的技术问题

针对现有技术中存在的通过计算机辅助标记软件来肉眼观察患者脑PET图像中的大脑代谢活性来诊断AD，诊断效率低、误诊率高且诊断过程复杂，不利于疾病及早发现和后期治疗等问题，本发明提供了一种基于深度集成学习的AD预测方法、系统及装置，它可以实现强化预测模型对PET的表征学习能力，提高预测早期阿尔茨海默症的准确性。

2.技术方案

本发明的目的通过以下技术方案实现。

一种基于深度集成学习的AD预测方法，其步骤包括，

从ADNI数据库中获取PET图像，并对获取的PET图像进行切片；

对切片后的PET图像中进行数据扩增；

将扩增后的PET切片图像分别输入到ResNet-34网络和EfficientNet-b1网络中进行特征学习；

将ResNet-34网络和EfficientNet-b1网络中学习到的特征通过MLP进行分类；

对分类结果进行融合，再将融合后的结果进行预测输出。