一种基于灰质切片区域注意力的阿尔兹海默症诊断方法

1.本发明涉及一种基于灰质切片区域注意力的阿尔兹海默症诊断方法，涉及医学图像，深度学习领域。


背景技术：

2.阿尔兹海默症(alzheimer'sdisease,ad)是一种进行性、不可逆的脑部疾病，影响人们的日常生活能力。随着ad的逐渐进展，大脑广泛区域的神经元受到不可逆转的损伤，其症状主要包括记忆力减退、认知能力下降等，最终导致日常活动能力的丧失。这给ad患者的家庭和整个社会带来了沉重的损失。随着全球老龄化的加剧，目前全世界约有9000万人被诊断为ad，65岁以上将大大增加患ad的概率。尽管许多机构已经进行了相关的临床研究，但现有的ad药物只能延缓其进展。因此，早期诊断ad对预防和干预其进展具有重要的临床意义和必要性。当前，神经影像磁共振成像(mri)技术已成为诊断阿尔兹海默症的重要辅助手段之一，在阿尔兹海默症的评价和诊断中发挥着重要作用。近年来，随着人工智能在医学领域的广泛应用，卷积神经网络作为一种强大的深度学习方法，利用图像特征和空间上下文通过邻域信息生成特征层次，在计算机辅助认知疾病诊断方面显示出巨大的潜力。为此，需要提出基于mri影像数据的深度学习框架来实现更精确的阿尔兹海默症诊断。


技术实现要素：

3.本发明为解决上述问题提供一种基于区域注意力机制的smri图像分类方法，通过增强灰质切片区域的特征，提升对ad的分类准确率。
4.本发明通过以下技术方案来实现上述目的：
5.(1)将大脑smri数据进行预处理，通过ac校正和空间配准以及对smri灰质提取。
6.(2)将预处理后的灰质切片通过网络中的spacetodepth模块进行4等份的区域分割。
7.(3)分割后的灰质切片图像通过网络中的注意力机制使得感兴趣区域特征增强。
8.(4)通过网络中的残差层和全局平均池化层实现特征降维。
附图说明
9.图1是本发明的smri数据预处理过程示意图。
10.图2是本发明的网络结构原理框图。
具体实施方式
11.下面结合附图对本发明作进一步说明：
12.图1是smri数据预处理过程示意图，包括以下步骤：
13.本发明使用以下方法进行smri影像数据预处理，包括前连合ac校正、颅骨剥离、配准和灰质提取；利用matlab工具spm进行前连合校正，将图像重采样；fsl bet用于从整个头
部图像中提取非脑组织，fsl flirt执行mni152空间的仿射配准将图像与标准化模板对齐，处理后的smri体积是121
×
145
×
121；最后利用matlab工具cat12从预处理后的smri体中提取出灰质图像，得到的灰质图像大小为121
×
121，以上处理在mni空间中进行。
14.图2是网络结构原理框图，包括以下步骤：
15.在训练过程中，首先将原始smri影像数据经过预处理后得到的灰质切片图像作为输入数据送入训练网络；灰质切片通过区域分割和注意力机制引导特征增强，帮助灰质切片获得更重要的信息特征；最后，经过全局平均池化层和线性分类输出分类结果。
16.其中，网络结构包括spacetodepth模块，注意力机制模块(attention mechanism)，残差层(residual blocks)和全局平均池化(global avgpool)；残差层中block1包含3组64通道3
×
3的卷积核；block2包含4组128通道3
×
3的卷积核；block3含有11组1024通道3
×
3的卷积核；block4包括3组2048通道3
×
3的卷积核；在block4后为一组2048通道的全局平均池化层。
17.在测试过程中，为了评估网络对ad患者和认知正常者(nc)的分类性能，根据实际应用引入三个评价指标：准确率(accuracy)、敏感性(sensitivity)和特异性(specificity),如下式所示：
[0018][0019]
sensitivity＝tp/(tp+fn)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0020]
specificity＝tn/(fp+tn)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0021]
其中，真阳性(true positive,tp)为预测为ad的ad样本个数，假阳性(false positive,fp)为预测为ad的nc样本个数，假阴性(false negative,fn)为预测为nc的ad样本个数，真阴性(true negative,tn)为预测为nc的nc样本个数。
[0022]
准确率是指分类正确的图像占验证集总图像数量的百分比，使用其评价模型对ad和nc受试者图像分类的总体判别能力；敏感性是漏诊的一种衡量指标；特异性是诊断疾病的重要指标，表1为本发明的网络与alexnet和3d cnn网络对比结果，体现出本发明的方法对阿尔兹海默症的诊断性能具有明显的优势。
[0023]
表1本发明方法与其他网络方法的诊断性能对比
[0024]


技术特征：
1.一种基于灰质切片区域注意力的阿尔兹海默症诊断方法，其特征在于包括以下步骤：步骤一：首先将smri影像数据进行校正配准以及灰质提取预处理；步骤二：将预处理后的灰质切片图像通过网络中的spacetodepth和注意力机制模块进行灰质切片区域的特征增强；步骤三：经过注意力机制的灰质切片图像通过网络中的残差层和全局平均池化层，通过卷积作用实现特征降维；步骤四：最后通过softmax归一化函数所得的概率来判断smri影像所属的类别。2.根据权利要求1步骤一所述的将smri数据进行预处理，其数据预处理包括前连合校正，颅骨剥离，配准和灰质提取；利用matlab工具spm进行前连合ac校正，将图像重采样；大脑提取工具fsl bet用于从整个头部图像中分离非脑组织，fsl flirt执行mni152空间的仿射配准以将图像与标准化模板对齐；最后利用matlab工具cat12从预处理后的smri体中提取出灰度图像，得到灰质切片图像大小为121
×
121。3.根据权利要求1步骤二所述的将预处理后的灰质切片图像通过网络中的spacetodepth模块进行切片4等份的区域分割；注意力机制模块将灰质切片的4个区域通过权重调整增强感兴趣区域的信息特征。4.根据权利要求1步骤三所述的网络中的残差层包含以下残差块，分别是block1包含3组64通道3
×
3的卷积核；block2包含4组128通道3
×
3的卷积核；block3含有11组1024通道3
×
3的卷积核；block4包括3组2048通道3
×
3的卷积核；在残差层后有一组2048通道的全局平均池化层，以减少参数数量实现特征降维。5.根据权利要求1步骤四中所述的通过softmax函数得到分类输出的概率，softmax函数的计算方法如下：式中，z
j
代表softmax的输入，k代表类别的数量。

技术总结
本发明公开了一种基于灰质切片区域注意力的阿尔兹海默症诊断方法。包括以下步骤：首先，将大脑sMRI影像数据进行预处理，对sMRI提取灰质冠状切片。其次，通过网络中的SpaceToDepth和注意力机制模块使灰质切片的感兴趣区域特征增强，灰质切片图像再经网络中的残差层和全局平均池化层以实现特征降维。最后，通过softmax归一化函数所得的概率来实现线性分类结果。本发明方法通过灰质切片区域信息特征的增强，以提高阿尔兹海默症的诊断准确率，可适用基于脑部核磁共振成像的阿尔兹海默症的诊断，具有较为广阔的应用前景。具有较为广阔的应用前景。


技术研发人员：何小海 张雁腾 杨雨鑫 滕奇志 卿粼波 陈洪刚 吴小强
受保护的技术使用者：四川大学
技术研发日：2021.05.28
技术公布日：2022/12/15