1.一种基于mri的阿尔茨海默症病灶区域语义分割算法,其特征在于,包括如下步骤:
(1)收集临床病人的脑部mri数据的t1和t2序列样本,并导出dcm格式图像数据;
(2)对dcm图像中所有病灶区域进行标注,包括病灶区域类别,及其精确的边缘标注;
(3)将每位患者的2ddcm数据合成为一个3dnii图像数据,对所有nii图像进行预处理操作,包括裁剪到统一尺寸以作为神经网络的输入,对图像进行随机旋转、拉伸,并通过预设值对图像进行标准化和归一化;
(4)设计适用于现有数据集的神经网络,以实现对病灶区域的语义分割;
(5)通过计算精确度、召回率、相似熵指标对所述神经网络性能进行评价。
2.如权利要求1所述基于mri的阿尔茨海默症病灶区域语义分割算法,其特征在于,步骤(4)中的神经网络为特征提取网络,以提取有效的病灶区域特征信息,完成后续的分割任务。
3.如权利要求1所述基于mri的阿尔茨海默症病灶区域语义分割算法,其特征在于,步骤(4)中的神经网络为卷积神经网络,所述卷积神经网络对mri图像中的多种病灶区域进行特征学习。
4.如权利要求1所述基于mri的阿尔茨海默症病灶区域语义分割算法,其特征在于,步骤(4)中基于3du-net网络框架,先利用5层下采样提取有效特征,每层操作包含有不同尺度的1*1*1、3*3*3、5*5*5的残差连接块,经过若干卷积操作和非线性操作得到该层输出,每层输出分别经过通道注意力机制和空间注意力机制更加准确的强调有效特征,避免背景以及其他噪声对有效特征信息造成干扰。
5.如权利要求4所述基于mri的阿尔茨海默症病灶区域语义分割算法,其特征在于,在提取到有效的特征后,通过5层上采样操作还原每种病灶区域的语义信息,并与步骤(4)中特征提取时获得的不同尺度的原图进行特征融合,通过将网络上采样阶段得到的不同尺度下的特征图进行逐层的累加,使网络不仅学习到深层的全局语义特征,还可以保留浅层的局部轮廓信息,最终得到六类不同尺度病灶区域的语义分割结果。
6.如权利要求1所述基于mri的阿尔茨海默症病灶区域语义分割算法,其特征在于,步骤(5)中以混淆矩阵为基础,采用精确度、召回率、相似熵评价模型的检测结果:
其中,tp表示真正例,fn表示假反例,fp表示假正例,以代表不同的预测结果,精确度反映的是模型的准确性,召回率反映的则是模型的全面性,相似熵反映的是两个集合的相似性的,x表示tp+fp,y表示tp+fn,综合考虑精确度和召回率,三者均是结果越高,效果越好。