一种面向MRI影像的帕金森病智能诊断分析方法

本发明属于生物医电，具体涉及一种帕金森病智能诊断分析方法。

背景技术：

1、磁共振成像(magnetic resonance imaging,mri)是断层成像的一种。新的mri方法磁敏感加权成像(swi)可以量化磁化率来直观表现组织的铁含量，而越来越强大的数学方法可以在系统级别表征大脑网络的拓扑结构。

2、帕金森病早发现早治疗能够提高患者生活质量，延缓疾病发展，具有重大现实意义。脑部功能性磁共振的发展对包括帕金森病在内的退行性病变部位的检测变得更加敏感和直观，为临床提供重要的诊断依据，对于帕金森病的早诊断早治疗极为重要。因为pd的早期临床表现不明显，其漏诊率和误诊率较高，随着近几年医学影像技术的不断发展，许多研究表明影像学运用于pd的诊断中具有特征性的改变，且已经成为pd必不可少的辅助检查方法。新的mri方法磁敏感加权成像(swi)可以量化磁化率来直观表现组织的铁含量，而越来越强大的数学方法可以在系统级别表征大脑网络的拓扑结构，这种新方法在帕金森的早期诊断方面正在越来越受关注。

3、但是应用于mri图像pd诊断方面仍存在很多问题。(1)医院使用的用于诊断和治疗的脑部mri医学图像分辨率和对比度较低，难以捕捉病灶区域特征间细微差异；(2)pd患者的mri图像中的病灶区域相较于其他脑部疾病更小，病变更为不明显。(3)pd患者的mri影像数据稀缺，较难收集，有标注的pd患者数据更为珍贵。因此使用现有模型对mri图像进行分类和检测，得到的分类结果较差，标注的病灶区域不准确，导致模型诊断pd的置信度较低。

4、现有技术简介：

5、张晓博,张哲浩,李伟.一种mri图像的帕金森病分类及标注病灶区域的方法[p].四川省：cn113269774b,2022-04-26.

6、该发明公开了一种mri图像的帕金森病分类及标注病灶区域的方法,包括步骤：构造mri图像的pd分类模型；构造pd病灶标注模型；使用mri图像的pd分类模型，对待测mri图像进行分类；对分类确定为pdmri图像或者pd潜伏期mri图像，使用pd病灶标注模型标注出病灶区域。其中，构造mri图像的pd分类模型，包括构造分类模块和将训练集输入分类模块，并通过反向传播更新网络参数，得到mri图像分类模型的步骤。本发明的有益效果在于：使用先分类后标注的方法，提高分类模型准确率的基础上使得对病灶区域的定位更加准确和有效，同时避免了不必要的训练,大大提高了训练效率,使得模型鲁棒性更强。

7、pd患者的mri图像中的病灶区域相较于其他脑部疾病更小，病变特征不明显，传统像素标注难以捕捉细微差异，且难以对小的病灶区域精确定位。

8、近年来，大数据和人工智能等前沿技术在逐渐应用到医疗领域，而随着深度神经网络、三维可视化技术等的兴起，医学影像新技术与人工智能技术相结合用于更多的医疗辅助诊断与评估。特别是，近年来在人工智能领域兴起的深度学习技术，通过构建具有深层结构的神经网络自动学习样本数据内在规律和表示层次以实现抽象特征建模，具有更深层次结构与更强大的特征拟合能力，无需先验知识来设计特征，实现完全自动化的目标检测与识别，在计算机视觉领域等有着广泛的应用。将人工智能应用于帕金森病的评价诊断中，对于帕金森病的早诊断、早治疗、改善患者生活质量、减少经济负担等方面，具有重大理论意义和现实价值。

技术实现思路

1、为了克服现有技术的不足，本发明提供了一种面向mri影像的帕金森病智能诊断分析方法，首先读取医学影像数据，通过文件选择器选择dicom文件或者dat文件，软件在获取到选定的文件之后，开启文件处理线程，获取医学影像数据的体素、空间间距、窗宽窗位等信息，并进行可视化展示；然后进行病灶区域检测模块，使用yolo v5模型对病灶区域进行检测，输出患病风险分数和病灶区域，并进行可视化展示；最后对病灶区域分割，细化dat图像特征，使用u-net网络对纹状体区域进行分割，将特征区域分为右侧黑质更加精确定位到病变区域，并进行可视化展示。本发明减少了计算量并提升了速度，从而辅助医生更精准地完成病情诊断。

2、本发明解决其技术问题所采用的技术方案包括如下步骤：

3、步骤1：获取医学影像数据的体素、空间间距、窗宽窗位信息，并进行可视化展示；

4、步骤1-1：从dicom格式医学影像中读入mri影像数据和dat数据，对两种数据采用不同的特征提取方法提取特征；

5、步骤1-2：使用fsl-bet工具对mri影像数据进行颅骨剥离预处理；

6、步骤1-3：获取医学影像的体素、空间间距、三维图像大小信息；

7、步骤1-4：展示读取的医学影像数据；

8、步骤2：病灶区域检测模块，使用yolo v5模型对病灶区域进行检测，输出患病风险分数和病灶区域，并进行可视化展示；

9、步骤2-1：将mri数据和dat数据转换为png格式图像，对脑部mri影像的红核黑质区域进行标注，将标注完成的脑部mri影像数据划分为训练集，测试集和验证集；

10、步骤2-2：使用基于改进后的yolov5网络的定位模型完成脑部mri影像红核黑质区域的定位；

11、所述基于改进后的yolov5网络的定位模型，包括输入端、改进后的backbone模块、neck模块、yolo head模块与定位模块；所述输入端是mosaic数据增强算法；所述改进后的backbone模块包含focus层、两组cbl和csp_1、一组cbl和spp；所述neck模块包含fpn+pan结构与两组cbl+csp2_x；所述yolo head模块包含两个尺度的检测头；所述定位模块包含非极大值抑制、iou阈值判定、使用diou损失函数评价位置损失、使用bce损失函数评价真实框和预测框的物体类别置信度损失；所述真实框是指脑部mri影像红核黑质区域对应的最小外接矩形；

12、步骤2-3：把测试集输入到基于改进后的yolov5网络的定位模型中，完成对mri影像中红核黑质区域定位，提取定位结果中预测框的相对位置信息；所述预测框是指由yolov5网络模型生成的矩形边框，用于将定位出的红核黑质区域在mri影像中进行框选；

13、基于一维卷积神经网络的分类模型获取到预测框的相对位置信息，经过坐标转换与区域截取模块得到脑部mri影像预测框内的红核黑质区域，定位了黑质区域并显示它是否健康；一维卷积神经网络模型将获取到的平均光谱值经一维卷积降维后，最终对黑质区域进行检测，并将map值作为网络预测患病的分数的一个评估指标，判断是否健康；

14、步骤2-4：使用基于yolov5的检测网络模型完成dat数据红核黑质区域的定位；对红核黑质区域进行检测，并显示患病的分数，识别是否健康；

15、所述基于yolov5的检测网络模型包括主干backbone、neck和输出模块output三个部分；所述主干backbone包括bottleneckcsp模块和focus模块；所述bottleneckcsp模块用于增强整个卷积神经网络学习性能；所述focus模块用于对图片进行切片操作，将输入通道扩充为原来的4倍，并经过一次卷积得到下采样特征图；所述neck中采用了fpn与pan结合的结构，将fpn层与自底向上的特征金字塔进行结合，将所提取的语义特征与位置特征进行融合，同时将主干层与检测层进行特征融合；所述输出模块output对图像特征进行预测，输出一个具有目标对象的类别概率、对象得分和该对象边界框的位置的向量；

16、步骤3：病灶区域分割模块，细化dat图像特征，使用u-net网络对纹状体区域进行分割，将特征区域分为右侧黑质定位到病变区域，并进行可视化展示；

17、步骤3-1：基于dat数据，模型分别输出左右纹状体分割和识别结果；将dat数据yolov5和u-net两次预测结果结合起来进行判断；

18、步骤3-2：使用efficientnetb4作为主干的unet的预测结果；分割图有5个不同的类别：背景、健康的左侧纹状体、健康的右侧纹状体、不健康的左侧纹状体和不健康的右侧纹状体。

19、本发明的有益效果如下：

20、(1)本发明方法能够准确识别出脑部帕金森病病灶区域的变化，可以避免医生在直接观察的过程中，可能会因为疲劳或者经验不足忽略掉一些微小的病变，导致最终诊断不准确的情况发生。

21、(2)本发明方法中bottleneckcsp模块在增强整个卷积神经网络学习性能的同时大幅减少了计算量；focus模块对图片进行切片操作，将输入通道扩充为原来的4倍，并经过一次卷积得到下采样特征图，在实现下采样的同时减少了计算量并提升了速度，从而辅助医生更精准地完成病情诊断。