基于深度学习的阿兹海默症检测方法及计算机可读介质与流程

1.本发明涉及阿兹海默症预测技术领域，尤其是涉及一种基于深度学习的阿兹海默症检测方法及计算机可读介质。


背景技术：

2.阿兹海默症(ad)，又称老年痴呆症，是一种以三种主要症状为特征的慢性进行性神经退行性疾病，也是痴呆最常见的病因，到目前为止，还没有任何治疗方法可以减缓或阻止ad对大脑的病理损害，因此这种疾病是致命的。目前，人们一致认为，有效的治疗减缓或停止ad的进展应该集中在疾病的早期阶段，即mci，甚至是临床前阶段。早期的诊断与预后，对延缓ad进展与延长患者生命具有重要的意义。
3.针对阿兹海默症的影像检测，目前已有了一些研究，或基于传统算法，或基于深度学习的算法；或基于人工提取的特征，或基于自动提取的特征。传统的算法中，通常使用基于人工选取的感兴趣区域(roi)的灰质体素体积作为特征，同时伴随着复杂的特征选取、学习步骤，现有技术中有的基于单模态数据有的基于多模态数据，多模态数据的应用具有不小的困难，因为医疗数据本身获取就十分昂贵，如果还需要多模态的数据，数据的获取就变得更加困难，所以现有技术中还未有一种简单且有效的阿兹海默症检测方法。


技术实现要素：

4.本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种准确度高、鲁棒性好、计算开销小的基于深度学习的阿兹海默症检测方法及计算机可读介质。
5.本发明的目的可以通过以下技术方案来实现：
6.一种基于深度学习的阿兹海默症检测方法，所述的阿兹海默症的检测方法为：
7.步骤1：获取结构性核磁共振成像smri图像训练集，进行数据预处理；
8.步骤2：基于熵选择最具信息量的图像切片；
9.步骤3：构建阿兹海默症检测模型，并使用步骤2筛选的图像切片对检测模型进行训练；
10.步骤4：将待检测的结构性核磁共振成像smri图像输入检测模型，获得检测结果。
11.优选地，所述的步骤1具体为：
12.步骤1
‑
1：进行运动校正与确认；
13.具体为：
14.当存在多个量源时，校正微小运动，并将其平均在一起；
15.令invol1,invol2,...,invol
n
分别为图像i的输入量，然后在运动校正后收到新的输出量：
[0016][0017]
步骤1
‑
2：进行非均匀强度归一化；
[0018]
具体为：
[0019]
图像形成模型为：
[0020][0021]
其中，i是给定图像，u为未损坏的图像，f为偏置场，n为噪声；
[0022]
使用公式在无噪声环境中，将上式修改为：
[0023][0024][0025]
其中，其中，为具有n噪声和e误差的偏置量f；s{
·
}为平滑运算符，是b样条近似；
[0026]
步骤1
‑
3：进行talairach变换计算；
[0027]
首先，将像素左边转化为talairach坐标；
[0028]
然后，将仿射变换应用于上述获得的坐标；
[0029]
步骤1
‑
4：进行强度归一化；
[0030]
步骤1
‑
5：进行颅骨剥离操作；
[0031]
步骤1
‑
6：对图像进行裁剪操作。
[0032]
优选地，所述的步骤2具体为：
[0033]
使用基于图像熵的排序机制来获取更具信息量的图像切片，首先计算每个切片的图像熵，然后根据图像熵对切片进行排序，最后获取前m名所对应的m个切片。
[0034]
更加优选地，所述的图像熵的计算方法为：
[0035]
对于具有概率p1,p2,
…
,p
i
的一组m个符号，熵值e的计算方法为：
[0036][0037]
优选地，所述的步骤3具体为：
[0038]
使用预训练的densenet经过迁移学习的方式获得阿兹海默症检测模型，将densenet原模型中顶层的输出部分删除，保留输出、稠密块与转化层，并将最后一个稠密块的输出连接上一个全局平均池化层，并且在之后直接添加新的输出层和全连接层，经过激活函数激活输出图像切片的分类结果；然后对搭建好的模型进行训练。
[0039]
更加优选地，所述阿兹海默症检测模型的训练方法为：
[0040]
使用分类交叉熵损失函数训练模型，若分类数量为2，则二进制交叉熵损失函数的计算方法为：
[0041]
l(y,p)＝
‑
(ylogp (1
‑
y)log(1
‑
p))
[0042]
若分类数量大于2，则分类交叉熵损失函数的计算方法为：
[0043][0044]
其中，m为分类数量，y为实际值，p为预测值。
[0045]
更加优选地，所述的阿兹海默症检测模型在训练时采用小批量梯度下降方法更新
网络特定神经元的参数θ，具体方法为：
[0046][0047]
其中，α为学习率，为梯度算子，j为损失函数，x和y分别为样本与标签。
[0048]
优选地，所述的步骤4具体为：
[0049]
步骤4
‑
1：获取待检测smri图像每个切片的熵值；
[0050]
步骤4
‑
2：筛选出熵值最高的切片
[0051]
步骤4
‑
3：在范围内随机选取若干个切片；
[0052]
步骤4
‑
4：根据步骤4
‑
3选取的若干个切片，通过集成学习方法获得待检测smri图像的预测分数，根据预测分数获得分类。
[0053]
更加优选地，所述的集成学习方法包括投票法和平均法。
[0054]
一种计算机可读介质，所述的计算机可读介质内存储有上述任一项所述的基于深度学习的阿兹海默症检测方法。
[0055]
与现有技术相比，本发明具有以下有益效果：
[0056]
一、准确度高、鲁棒性好：本发明中的阿兹海默症检测方法通过比较smri切片的熵，仅使用那些具有大量信息的切片用以训练，从而增强了模型的整体鲁棒性；在样本阶段的预测时，使用了基于熵选取的同一样本的多个切片进行预测，使用得到的结果通过集成以提高算法的准确度与鲁棒性。
[0057]
二、计算开销小：本发明中的阿兹海默症检测方法是基于smri单模态影像利用深度卷积神经网络的一种算法，同时应用了迁移学习的技巧来提高算法效果并节省计算开销。
附图说明
[0058]
图1为本发明中阿兹海默症检测方法的流程示意图；
[0059]
图2为本发明中阿兹海默症检测方法训练阶段的示意图；
[0060]
图3为本发明中阿兹海默症检测方法预测阶段的示意图；
[0061]
图4为本发明实施例中smri切片熵值得分布图像；
[0062]
图5为本发明中阿兹海默症检测模型的结构示意图。
具体实施方式
[0063]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
[0064]
结构性核磁共振成像(smri)是被研究者广泛采用的一种模态，也是数据量相对较大的一种。smri图像是3d图像，目前已有的研究中，一般使用3d cnn或是基于分块(即将3d图像分割为不同的区域)的算法。类似于基于切片进行分类的hon等人、jain r等人的工作，本实施例选取smri图像中最具信息量的切片作为训练数据进行研究，不同于现有技术中的方法仅仅对切片进行分类，本实施例中的检测方法将其扩展到了病例层次的分类。本实施
例提出的方法，是基于smri单模态影像利用深度卷积神经网络的一种算法，同时应用了迁移学习的技巧来提高算法效果并节省计算开销。同时，通过比较smri切片的熵，仅使用那些具有大量信息的切片用以训练，从而增强了模型的整体鲁棒性。并且，在样本阶段的预测时，使用了基于熵选取的同一样本的多个切片进行预测，使用得到的结果通过集成以提高算法的准确度与鲁棒性。
[0065]
一种基于深度学习的阿兹海默症检测方法，其流程如图1所示，包括：
[0066]
步骤1：获取结构性核磁共振成像smri图像训练集，进行数据预处理；
[0067]
具体为：
[0068]
步骤1
‑
1：进行运动校正与确认；
[0069]
具体为：
[0070]
当存在多个量源时，校正微小运动，并将其平均在一起；
[0071]
令invol1,invol2,...,invol
n
分别为图像i的输入量，然后在运动校正后收到新的输出量：
[0072][0073]
步骤1
‑
2：进行非均匀强度归一化(n3)，通过去除图像强度的不均匀性来校正mr数据；
[0074]
具体为：
[0075]
图像形成模型为：
[0076][0077]
其中，i是给定图像，u为未损坏的图像，f为偏置场，n为噪声；
[0078]
使用公式在无噪声环境中，将上式修改为：
[0079][0080][0081]
其中，其中，为具有n噪声和e误差的偏置量f，通常设置为0；s{
·
}为平滑运算符，是b样条近似；
[0082]
步骤1
‑
3：进行talairach变换计算；
[0083]
首先，将像素左边转化为talairach坐标，具体方法为：
[0084]
x
′
＝0.88x
‑
0.8
[0085]
y
′
＝0.97y
‑
3.32
[0086]
z
′
＝0.05y 0.88z
‑
0.44
[0087]
然后，将仿射变换应用于上述获得的坐标；
[0088]
步骤1
‑
4：进行强度归一化，校正强度的拨正，可以调整所有体素的强度，使得白质的平均强度为110；
[0089]
步骤1
‑
5：进行颅骨剥离操作；
[0090]
步骤1
‑
6：对图像进行裁剪操作，将图像裁剪为200
×
200
×
3尺寸。
[0091]
步骤2：基于熵选择最具信息量的图像切片；
[0092]
本实施例使用基于图像熵的排序机制来获取更具信息量的切片，即计算每个切片的图像熵，并且选择每个主体的基于熵值的前32个切片并且丢弃其余切片，类似hon等人工作中描述的方法。
[0093]
步骤2具体为：使用基于图像熵的排序机制来获取更具信息量的图像切片，首先计算每个切片的图像熵，然后根据图像熵对切片进行排序，最后获取前m名所对应的m个切片。
[0094]
图像熵的计算方法为：
[0095]
对于具有概率p1,p2,
…
,p
i
的一组m个符号，熵值e的计算方法为：
[0096][0097]
根据前期实验数据显示，经过处理后的smri切片，熵的分布呈类正态分布n～(93.05,11.452)，如图4所示。
[0098]
步骤3：如图2所示，构建阿兹海默症检测模型，并使用步骤2筛选的图像切片对检测模型进行训练；
[0099]
为了构建分类模型，本实施例利用迁移学习的方法，来减少模型训练的时间，使用的是在imagenet上预训练的densenet。通过预训练的cnn作为特征提取部分，得到脑mri切片的特征值。
[0100]
具体地讲，为了利用分类任务的基本模型，删除了densenet原本模型中顶层的输出部分，仅保留了输入、稠密块与转化层。在移除模型的输出部分之后，将最后一个稠密块的输出连接上一个全局平均池化层，并且在之后直接添加新的输出层全连接层，经过softmax激活，其输出为3类分数，用于3路分类；二元分类任务输出为1个类分数，经过sigmoid函数激活。图5显示了最终得到的分类模型。
[0101]
其中，softmax是一个激活函数，它输出一个介于0和1之间的值，类似于sigmoid函数，通常在类数大于2时使用，定义如下等式：
[0102][0103]
使用分类交叉熵损失函数训练模型，若分类数量为2，则二进制交叉熵损失函数的计算方法为：
[0104]
l(y,p)＝
‑
(ylogp (1
‑
y)log(1
‑
p))
[0105]
若分类数量大于2，则分类交叉熵损失函数的计算方法为：
[0106][0107]
其中，m为分类数量，y为实际值，p为预测值；
[0108]
阿兹海默症检测模型在训练时采用小批量梯度下降方法更新网络特定神经元的参数θ，学习率设置为0.01，具体方法为：
[0109][0110]
其中，α为学习率，为梯度算子，j为损失函数，x和y分别为样本与标签。
[0111]
步骤4：如图3所示，将待检测的结构性核磁共振成像smri图像输入检测模型，获得检测结果；
[0112]
在训练完训练成切片层次的模型后，采用一种切片集成，用以准确地对病例层次进行分类。具体地讲，通过选取样本上一些特定的切片，输入模型进行预测切片的类别，通过预测分数的集成选出得票多的类别为样本阶段的类别。集成方法可以是简单的投票集成也可以是其他集成方式。
[0113]
步骤4具体为：
[0114]
步骤4
‑
1：获取待检测smri图像每个切片的熵值；
[0115]
步骤4
‑
2：筛选出熵值最高的切片
[0116]
步骤4
‑
3：在范围内随机选取若干个切片，σ使用图4所示的统计数据，即11.45，在此范围内均匀采样5个序号，得到最终的序号选择；
[0117]
步骤4
‑
4：根据步骤4
‑
3选取的若干个(本实施例中为5个)切片，通过集成学习方法获得待检测smri图像的预测分数，根据预测分数获得分类。
[0118]
本实施例还涉及一种计算机可读介质，该介质存储有上述任一项基于深度学习的阿兹海默症检测方法。
[0119]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。