基于深度学习和纤维束空间统计分析的疾病分类系统

1.本发明涉及人工智能与医学图像分类技术领域，特别是涉及基于深度学习和纤维束空间统计分析的疾病分类系统。


背景技术：

2.本部分的陈述仅仅是提到了与本发明相关的背景技术，并不必然构成现有技术。
3.目前，基于dti图像的阿尔茨海默病(alzheimer's disease，ad)诊断主要有基于感兴趣区域(region of interest，roi)的方法、基于结构连接矩阵(structural connection matrix，scn)的方法、纤维束空间统计分析(tract based spatial statistics，tbss)的方法。
4.但是，这些方法都存在着一定的问题，在基于感兴趣区域(region of interest，roi)的方法中，需要预先对感兴趣区域进行定义，识别出具有显著差异的脑区，这通常需要医生具有广泛的临床经验，对于医生的素质提出了较高的要求，常有判断错误的情况发生。
5.对于结构连接矩阵(structural connection matrix，scn)的方法，可以根据纤维示踪的结果得到大脑的结构网络，对此网络进行分析，以达到疾病诊断的效果，但是这种方法强调了脑网络的重要性，忽视了一些其他的重要特征，造成识别的准确率较低。
6.基于纤维束空间统计分析(tract based spatial statistics，tbss)方法可以识别出大脑中存在显著差异的体素，但是单个体素包含的信息是较少的，病变的位置通常是整块区域，因此只对体素做分析容易造成信息的丢失，对最后的识别精度产生影响。


技术实现要素：

7.为了解决现有技术的不足，本发明提供了基于深度学习和纤维束空间统计分析的疾病分类系统；使用基于纤维束空间统计分析(tract based spatial statistics，tbss)方法提取出的体素，由于患者脑部出现病变的部位通常是一块区域，而不是一个体素点，鉴于此本发明以体素坐标为中心取一个块，并按照提取出块的空间位置进行拼接，然后使用深度学习网络进行分类，从而达到疾病识别的目的。
8.第一方面，本发明提供了基于深度学习和纤维束空间统计分析的疾病分类系统；
9.基于深度学习和纤维束空间统计分析的疾病分类系统，包括：
10.获取模块，其被配置为：获取待分类的脑部图像；
11.预处理模块，其被配置为：对待分类的脑部图像进行预处理；
12.图像生成模块，其被配置为：基于预处理后的脑部图像，生成各项异性分数图像(fa)、平均扩散率图像(md)和径向扩散率图像(rd)；
13.体素提取模块，其被配置为：从各项异性分数图像中提取第一体素矩阵；从平均扩散率图像中提取第二体素矩阵；从径向扩散率图像中提取第三体素矩阵；将三个矩阵进行拼接得到拼接矩阵；
14.分类模块，其被配置为：将拼接矩阵，输入到训练后的深度学习分类模型中，得到
疾病分类结果。
15.第二方面，本发明还提供了一种电子设备，包括：
16.存储器，用于非暂时性存储计算机可读指令；以及
17.处理器，用于运行所述计算机可读指令，
18.其中，所述计算机可读指令被所述处理器运行时，执行以下步骤：
19.获取待分类的脑部图像；
20.对待分类的脑部图像进行预处理；
21.基于预处理后的脑部图像，生成各项异性分数图像、平均扩散率图像和径向扩散率图像；
22.从各项异性分数图像中提取第一体素矩阵；从平均扩散率图像中提取第二体素矩阵；从径向扩散率图像中提取第三体素矩阵；将三个矩阵进行拼接得到拼接矩阵；
23.将拼接矩阵，输入到训练后的深度学习分类模型中，得到疾病分类结果。
24.第三方面，本发明还提供了一种存储介质，非暂时性地存储计算机可读指令，其中，当所述非暂时性计算机可读指令由计算机执行时，执行以下步骤：
25.获取待分类的脑部图像；
26.对待分类的脑部图像进行预处理；
27.基于预处理后的脑部图像，生成各项异性分数图像、平均扩散率图像和径向扩散率图像；
28.从各项异性分数图像中提取第一体素矩阵；从平均扩散率图像中提取第二体素矩阵；从径向扩散率图像中提取第三体素矩阵；将三个矩阵进行拼接得到拼接矩阵；
29.将拼接矩阵，输入到训练后的深度学习分类模型中，得到疾病分类结果。
30.第四方面，本发明还提供了一种计算机程序产品，包括计算机程序，所述计算机程序当在一个或多个处理器上运行的时候用于执行以下步骤：
31.获取待分类的脑部图像；
32.对待分类的脑部图像进行预处理；
33.基于预处理后的脑部图像，生成各项异性分数图像、平均扩散率图像和径向扩散率图像；
34.从各项异性分数图像中提取第一体素矩阵；从平均扩散率图像中提取第二体素矩阵；从径向扩散率图像中提取第三体素矩阵；将三个矩阵进行拼接得到拼接矩阵；
35.将拼接矩阵，输入到训练后的深度学习分类模型中，得到疾病分类结果。
36.与现有技术相比，本发明的有益效果是：
37.本发明将深度学习应用到阿尔茨海默病分类中，在tbss方法的基础上提出了一种基于深度学习和纤维束空间统计分析的阿尔茨海默病分类系统，将体素按照块进行提取，防止了信息的丢失，将其拼接后使用深度学习模型进行分类，具备较好的分类准确率。
附图说明
38.构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
39.图1是本发明的基本结构示意图；
40.图2(a)～图2(c)是本发明的提取的平均fa骨架图；
41.图3(a)～图3(c)是本发明使用randomise标注的p《0.05的差异体素。
具体实施方式
42.应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
43.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
44.在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
45.本实施例所有数据的获取都在符合法律法规和用户同意的基础上，对数据的合法应用。
46.弥散张量成像(dti，diffusion tensor image)，是一种描述大脑结构的新方法，是核磁共振成像(mri，magnetic resonance imaging)的特殊形式。弥散张量成像(dti，diffusion tensor image)是目前唯一可以在活体显示脑白质纤维走形，并定量显示脑白质异常改变的影像学技术手段，对疾病的早期识别、评估及预后等具有重要意义。举例来说，如果说核磁共振成像是追踪水分子中的氢原子，那么弥散张量成像便是依据水分子移动方向制图。弥散张量成像图可以揭示脑瘤如何影响神经细胞连接，引导医疗人员进行大脑手术。它还可以揭示同阿尔茨海默病、精神分裂症、阅读障碍有关的细微反常变化。
47.实施例一
48.本实施例提供了基于深度学习和纤维束空间统计分析的疾病分类系统；
49.如图1所示，基于深度学习和纤维束空间统计分析的疾病分类系统，包括：
50.获取模块，其被配置为：获取待分类的脑部图像；
51.预处理模块，其被配置为：对待分类的脑部图像进行预处理；
52.图像生成模块，其被配置为：基于预处理后的脑部图像，生成各项异性分数图像、平均扩散率图像和径向扩散率图像；
53.体素提取模块，其被配置为：从各项异性分数图像中提取第一体素矩阵；从平均扩散率图像中提取第二体素矩阵；从径向扩散率图像中提取第三体素矩阵；将三个矩阵进行拼接得到拼接矩阵；
54.分类模块，其被配置为：将拼接矩阵，输入到训练后的深度学习分类模型中，得到疾病分类结果。
55.进一步地，所述获取待分类的脑部图像，是指获取大脑核磁共振成像的弥散张量成像。
56.进一步地，所述预处理模块，其被配置为：
57.消除待分类脑部图像的涡流和头部运动的失真，移除颅骨，获得大脑图像。
58.示例性地，所述预处理模块，所使用的软件为牛津脑功能磁共振成像中心(fmrib center)开发的fsl(fmrib software library，fsl)软件。
59.进一步地，所述图像生成模块，其被配置为：
60.使用最小二乘法，对预处理后的脑部图像进行处理，进行弥散张量成像，生成各项异性分数图像、平均扩散率图像和径向扩散率图像。
61.进一步地，所述从各项异性分数图像中提取第一体素矩阵；具体包括：
62.以训练集中每个被筛选出来的有差异体素的坐标为中心，提取出一个正方体块；
63.将所有的正方体块，按照空间位置进行拼接，得到第一体素矩阵。
64.进一步地，所述训练集中每个被筛选出来的有差异体素的坐标，获取过程包括：
65.在训练集中，将所有的各向异性分数图像配准到标准空间；
66.然后，将配准后的图像仿射变换到mni152(montreal neurosciences institute，mni)标准空间中，mni152由蒙特利尔神经科学研究中心(montreal neurosciences institute，mni)提供，采用152个健康人的结构磁共振图像数据加权平均得到；
67.将训练集中所有被试者的各向异性分数图像在标准空间内合成一个4d文件；同时，生成所有被试者的平均各向异性分数图像；
68.根据平均各向异性分数图像，得到平均各向异性分数图像的骨架；所述骨架为白质纤维束骨架，根据所有被试者生成的平均fa图像，得到白质纤维束骨架；
69.将平均各向异性分数图像的骨架，作为训练集所有被试者各项异性分数图像的骨架；
70.确定训练集中已知患者各项异性分数图像的骨架与训练集中已知正常对照组各项异性分数图像的骨架之间存在差异的体素，对存在差异的体素进行筛选，得到训练集中每个被筛选出来的有差异体素的坐标。
71.进一步地，所述确定训练集中患者各项异性分数图像与正常对照组之间存在差异的体素，对存在差异的体素进行筛选，得到训练集中每个被筛选出来的有差异体素的坐标；具体包括：
72.使用fsl提供的randomise工具，确定患者各项异性分数图像与正常对照组之间存在差异的体素，并使用多重比较方式进行校正；
73.对p值小于设定阈值的点作为具有显著差异的点，筛选出来。p值为具有显著性差异的概率，根据显著性检验方法所得到的p值，以p《0.05为有统计学差异的值。
74.进一步地，所述从平均扩散率图像中提取第二体素矩阵或者从径向扩散率图像中提取第三体素矩阵；与从各项异性分数图像中提取第一体素矩阵的具体步骤是一致的。
75.进一步地，深度学习分类模型，包括lenet、alexnet、vggnet、inception-v4、resnet、densenet。
76.lenet分类模型是最早的卷积神经网络之一，利用卷积、参数共享、池化等操作提取特征，避免了大量的计算成本，最后再使用全连接神经网络进行分类识别。
77.alexnet分类模型采用8层的神经网络，5个卷积层和3个全连接层(3个卷积层后面加了最大池化层)，成功使用relu(修正线性单元)作为卷积神经网络的激活函数。
78.vggnet分类模型由5层卷积层、3层全连接层、softmax(归一化函数)输出层构成，层与层之间使用max-pooling(最大池化层)分开，所有隐层的激活单元都采用relu(修正线
性单元)函数，与alexnet区别在于每个卷积层的子层数量不同。
79.inception-v4分类模型没有使用残差结构，提高训练速度的同时，保证了分类精度。
80.resnet(残差网络)分类模型在网络中增加了直连通道，此前的网络结构是对输入做一个非线性变换，而resnet则允许保留之前网络层的一定比例的输出，允许原始输入信息直接传到后面的层中。
81.densenet分类模型建立了神经网络中前面所有层与后面层的密集连接，即每个层都会接受其前面所有层作为其额外的输入。
82.进一步地，所述训练后的深度学习分类模型，训练过程包括：
83.构建训练集；其中，所述训练集为已知疾病分类结果的阿尔茨海默图像，训练集中阿尔茨海默病患者70例，正常人120例；
84.对训练集进行预处理，得到已知疾病分类结果标签的若干个拼接矩阵；每一幅阿尔茨海默图像对应一个拼接矩阵；
85.构建深度学习分类模型；
86.将训练集输入到深度学习分类模型中，对模型进行训练，当模型的损失函数值不再降低时，停止训练，得到训练后的深度学习分类模型。
87.示例性地，首先获取公共数据集中的dti图像作为训练集。本发明采用2个公共数据集的数据，包括“阿尔茨海默症神经影像学计划”数据库中的adni-2和adni-3数据集，在基线adni-2数据集中包括50个ad，64个nc，在基线adni-3数据集中包括51个ad，91个nc，数据参数如下：磁场强度＝3.0t、翻转角度＝90
°
、b＝1000s/mm2、像素大小＝1.36
×
1.36mm2、重复时间(tr)＝9050ms、回波时间(te)＝62.8ms、切片厚度＝2.7mm。
88.示例性地，所述对训练集进行预处理，在预处理部分，使用了牛津脑功能磁共振成像中心(fmrib center)开发的(fmrib software library,fsl)软件，消除了dti数据中涡流和头部运动的失真，从校正后的图像中，提取一个没有扩散梯度的3d图像作为参考图像。从参考3d图像中，我们使用大脑提取工具(bet)移除颅骨部分，以获得脑部图像。
89.在张量计算部分根据fsl中的弥散张量模型生成fa、md、rd图像。并使用扩散参数的贝叶斯估计来检测交叉纤维体素。
90.在体素提取阶段，为了保证图像在空间上的一致性，需要将所有被试者的fa图像配准到标准空间。
91.运行非线性配准，需要将所有fa图像配准到标准空间，配准中使用的标准图像为fmrib58_fa标准空间图像，大小为182*218*182。
92.然后将该配准后的图像仿射变换到mni152标准空间中，并且将非线性配准与仿射变换组合到fa图像中，将每个图像变换到1
×1×
1mmm
3 mni152空间。
93.将得到的非线性变换应用于所有被试者，以将它们带入标准空间。
94.之后将所有被试的fa图像合并成了一个4d文件，同时生成所有被试的平均fa图像以及根据平均fa图像得到的骨架，该骨架为白质纤维束骨架，根据所有被试者生成的平均fa图像，可以得到白质纤维束骨架。改变fa骨架的阈值，骨架的阈值决定了该骨架所包含体素的数量，根据阈值的不同，可以得到不同大小的骨架，阈值越大，得到的骨架体素越少，检查每个被试的fa图像与fa骨架在不同阈值下对应情况，将阈值为0.2的fa骨架提取出来并
将其应用到所有被试者图像中，所得到的结果如图2(a)、图2(b)和图2(c)所示。接下来，使用fsl提供的randomise工具对提取骨架对应的体素进行统计分析，并使用基于tfce的多重比较校正方法进行校正，得到ad组和nc组之前存在差异的体素，ad组为阿尔茨海默病患者(alzheimer's disease，ad)，nc组为正常对照组(normal controls,nc)，选取p《0.05的点作为具有显著差异的点，p值为具有显著性差异的概率，根据显著性检验方法所得到的p值，以p《0.05为有统计学差异的值。所得到的结果如图3(a)、图3(b)和图3(c)所示。对md图像和rd图像执行同样的操作。
95.在块的拼接部分，首先根据上一阶段发现的体素，以每个体素坐标为中心，提取一个9*9*9的块，如果存在两个体素相邻，为了避免所得到的块相同，则去掉相邻的一个体素。然后按照空间位置依次拼接，fa和md图像得到270*270*18的矩阵，rd图像得到一个270*270*9的矩阵，将得到的三个矩阵拼接，得到一个270*270*45的大矩阵，作为深度学习分类模型的输入。
96.在分类阶段，使用深度学习分类模型对疾病进行预测，共使用了六种分类模型包括lenet、alexnet、vggnet、inception-v4、resnet、densenet，所得到的结果如表1所示。，深度学习所用软件为python软件。
97.本发明首先消除了dti数据中涡流和头部运动的失真，并获得没有扩散梯度的3d图像作为参考图像，然后移除颅骨部分，以获得脑部图像，然后根据张量模型生成各项异性分数(fractional anisotropy，fa)图像、平均扩散率(mean diffusion,md)图像、径向扩散率(radial diffusivity,rd)图像。
98.在非线性配准部分，将所有各项异性分数图像配准到fmrib58_fa标准图像，fmrib58_fa标准图像为fsl软件提供的标准模板图像，是使用58个正常成年人fa图像合成的标准图像。提取一个平均fa骨架并选择合适的阈值，接下来使用randomise工具对数据进行统计分析，randomise工具为fsl软件提供的统计检验工具。然后提取出p《0.05的点，p值为具有显著性差异的概率，根据显著性检验方法所得到的p值，以p《0.05为有统计学差异的值。然后以该点坐标为中心提取一个块，并按照其空间位置进行拼接，并对md和rd图像执行同样的操作，得到三个三维矩阵，按照第三维深度将其合并为一个矩阵，并作为深度学习输入，使用深度学习网络进行一个分类。这里共使用了六种分类模型对疾病进行预测，包括lenet、alexnet、vggnet、inception-v4、resnet、densenet。
99.表1本发明使用六种模型得到的分类指标
[0100][0101]
实施例二
[0102]
本实施例还提供了一种电子设备，包括：一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存储器存储的一个或多个计算机程序，以使电子设备执行执行以下步骤：
[0103]
获取待分类的脑部图像；
[0104]
对待分类的脑部图像进行预处理；
[0105]
基于预处理后的脑部图像，生成各项异性分数图像、平均扩散率图像和径向扩散率图像；
[0106]
从各项异性分数图像中提取第一体素矩阵；从平均扩散率图像中提取第二体素矩阵；从径向扩散率图像中提取第三体素矩阵；将三个矩阵进行拼接得到拼接矩阵；
[0107]
将拼接矩阵，输入到训练后的深度学习分类模型中，得到疾病分类结果。
[0108]
实施例三
[0109]
本实施例还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，执行以下步骤：
[0110]
获取待分类的脑部图像；
[0111]
对待分类的脑部图像进行预处理；
[0112]
基于预处理后的脑部图像，生成各项异性分数图像、平均扩散率图像和径向扩散率图像；
[0113]
从各项异性分数图像中提取第一体素矩阵；从平均扩散率图像中提取第二体素矩阵；从径向扩散率图像中提取第三体素矩阵；将三个矩阵进行拼接得到拼接矩阵；
[0114]
将拼接矩阵，输入到训练后的深度学习分类模型中，得到疾病分类结果。
[0115]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。