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

技术特征：
1.一种基于深度学习的阿兹海默症检测方法，其特征在于，所述的阿兹海默症的检测方法为：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；步骤2：基于熵选择最具信息量的图像切片；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；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。2.根据权利要求1所述的一种基于深度学习的阿兹海默症检测方法，其特征在于，所述的步骤1具体为：步骤1
‑
1：进行运动校正与确认；具体为：当存在多个量源时，校正微小运动，并将其平均在一起；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：步骤1
‑
2：进行非均匀强度归一化；具体为：图像形成模型为：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；使用公式在无噪声环境中，将上式修改为：在无噪声环境中，将上式修改为：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；步骤1
‑
3：进行talairach变换计算；首先，将像素左边转化为talairach坐标；然后，将仿射变换应用于上述获得的坐标；步骤1
‑
4：进行强度归一化；步骤1
‑
5：进行颅骨剥离操作；步骤1
‑
6：对图像进行裁剪操作。3.根据权利要求1所述的一种基于深度学习的阿兹海默症检测方法，其特征在于，所述的步骤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。4.根据权利要求3所述的一种基于深度学习的阿兹海默症检测方法，其特征在于，所述的图像熵的计算方法为：
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：5.根据权利要求1所述的一种基于深度学习的阿兹海默症检测方法，其特征在于，所述的步骤3具体为：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。6.根据权利要求5所述的一种基于深度学习的阿兹海默症检测方法，其特征在于，所述阿兹海默症检测模型的训练方法为：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：l(y,p)＝
‑
(ylogp (1
‑
y)log(1
‑
p))若分类数量大于2，则分类交叉熵损失函数的计算方法为：其中，m为分类数量，y为实际值，p为预测值。7.根据权利要求6所述的一种基于深度学习的阿兹海默症检测方法，其特征在于，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：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。8.根据权利要求1所述的一种基于深度学习的阿兹海默症检测方法，其特征在于，所述的步骤4具体为：步骤4
‑
1：获取待检测smri图像每个切片的熵值；步骤4
‑
2：筛选出熵值最高的切片步骤4
‑
3：在范围内随机选取若干个切片；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。9.根据权利要求8所述的一种基于深度学习的阿兹海默症检测方法，其特征在于，所述的集成学习方法包括投票法和平均法。10.一种计算机可读介质，其特征在于，所述的计算机可读介质内存储有如权利要求1～9中任一项所述的基于深度学习的阿兹海默症检测方法。

技术总结
本发明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，其中阿兹海默症检测方法包括：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；步骤2：基于熵选择最具信息量的图像切片；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；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。与现有技术相比，本发明具有准确度高、鲁棒性好、计算开销小等优点。计算开销小等优点。计算开销小等优点。


技术研发人员：赵生捷 叶珂男 张荣庆
受保护的技术使用者：同济大学
技术研发日：2021.08.31
技术公布日：2021/12/6