基于多中心结构磁共振影像的阿尔茨海默病早期识别系统

本技术涉及图像识别，尤其涉及基于多中心结构磁共振影像的阿尔茨海默病早期识别系统。

背景技术：

1、阿尔茨海默病(alzheimer's disease，ad)是渐进性的、不可逆的神经致死性退行性疾病，诊断后生存期为6-8年，其病死率高、病程时间长，给家庭和社会带来极大的心理和经济负担。随着“大数据”、“精准识别”、“早期诊断”、“可解释ai”等研究热点问题在临床科学中的涌现，神经网络和脑结构磁共振影像(smri)已成为脑科学和神经科学研究的不可或缺的工具，特别对脑疾病的早期精准识别和预后评估有着极为重要的临床应用价值。当前利用smri研究脑结构形态学变化辅助ad诊断的方法众多，基于第三方工具提取影像组学特征融合多中心数据集和基于深度学习融合多模态数据的方法不断涌现。

2、目前，现有的阿尔茨海默病识别方式，构建脑结构的骨架模型长期以来只能对脑结构形状的边界(boundary)进行建模的瓶颈，无法充分表达出物体内部局部特征，进而导致模型输出的识别结果有效性及可靠性较差；以及，现有方法通常仅在单一、小样本数据集上进行训练，导致学习出的模型存在过拟合，泛化能力有限，研究结果在新数据集上难以复现等问题。一些方法虽然使用了多个数据集，但仍是在单一数据集上训练，其它数据集仅用做独立的交叉验证数据集。

技术实现思路

1、鉴于此，本技术实施例提供了基于多中心结构磁共振影像的阿尔茨海默病早期识别系统，以消除或改善现有技术中存在的一个或更多个缺陷。

2、本技术提供了一种基于多中心结构磁共振影像的阿尔茨海默病早期识别系统，包括：

3、第一数据处理模块，用于获取用户的临床指标数据和多中心结构磁共振影像，并构建该多中心结构磁共振影像对应的多个脑结构的目标骨架模型；

4、第一特征提取模块，用于将各个所述目标骨架模型分别转化为欧氏特征，得到各个所述脑结构各自对应的欧氏化几何对象特征，并基于各个所述目标骨架模型分别提取各个所述脑结构各自对应的体积和厚度特征；

5、模型识别模块，用于基于所述临床指标数据、各个所述脑结构的欧氏化几何对象特征、体积和厚度特征，应用预设的阿尔茨海默病早期识别模型生成针对所述用户的阿尔茨海默病早期识别结果。

6、在本技术的一些实施例中，还包括：

7、第二数据处理模块，用于获取多个历史用户各自对应的临床指标数据和多中心结构磁共振影像，并构建各个多中心结构磁共振影像对应的多个脑结构的目标骨架模型；

8、第二特征提取模块，用于将每个所述历史用户各自对应的各个所述目标骨架模型分别转化为欧氏特征，得到每个所述历史用户的各个所述脑结构各自对应的欧氏化几何对象特征，并基于各个所述目标骨架模型分别提取各个所述脑结构各自对应的体积和厚度特征；

9、模型训练模块，用于将各个所述历史用户各自对应的所述临床指标数据、各个所述脑结构的欧氏化几何对象特征、体积和厚度特征组成数据集，并采集该数据集训练预设的神经网络模型，以得到用于输出阿尔茨海默病早期识别结果的阿尔茨海默病早期识别模型；

10、其中，所述模型训练模块还用于将训练得到的所述阿尔茨海默病早期识别模型发送至所述模型识别模块。

11、在本技术的一些实施例中，还包括：

12、特征融合模块，用于对同一多中心结构磁共振影像的各个所述脑结构的欧氏化几何对象特征、体积和厚度特征分别与所述临床指标数据进行数据融合，得到该多中心结构磁共振影像的各个所述脑结构各自对应的脑结构特征向量，并将各个所述脑结构特征向量进行数据融合，得到对应的融合特征向量；

13、相对应的，所述模型识别模块具体用于：将所述融合特征向量输入预设的阿尔茨海默病早期识别模型，以使该阿尔茨海默病早期识别模型输出针对所述用户的阿尔茨海默病早期识别结果。

14、在本技术的一些实施例中，所述第一数据处理模块和所述第二数据处理模块均包括：

15、影像分割单元，用于对获取的多中心结构磁共振影像进行分割，得到该多中心结构磁共振影像对应的多个脑结构的磁共振影像；

16、形状建模单元，用于对各个所述脑结构的磁共振影像分别进行骨架建模，得到各个所述脑结构各自对应的初始骨架模型；

17、配准单元，用于对同一多中心结构磁共振影像对应的各个所述脑结构的初始骨架模型进行配准处理，得到各个所述脑结构各自对应的目标骨架模型。

18、在本技术的一些实施例中，所述形状建模单元包括：

19、建模子单元，用于对各个所述脑结构的磁共振影像分别进行骨架建模，以得到各个所述脑结构分别对应的离散的骨架模型，其中，所述离散的骨架模型包括各个离散的骨骼点，以及，分别从各个所述骨骼点指向脑结构表面的各个辐条；

20、插值子单元，用于根据相似变换和薄板样条的非刚性形变分别对各个所述脑结构的所述离散的骨架模型进行插值处理，得到各个所述脑结构各自对应的初始骨架模型。

21、在本技术的一些实施例中，所述配准单元包括：

22、群组配准子单元，用于采用基于熵的配准方法对同一多中心结构磁共振影像的各个所述脑结构的初始骨架模型进行群组配准处理，得到该多中心结构磁共振影像的各个所述脑结构各自对应的目标骨架模型。

23、在本技术的一些实施例中，所述第一特征提取模块和所述第二特征提取模块均包括：

24、欧氏转化单元，用于将各个所述目标骨架模型中的骨骼点和辐条分别对应的单位超球进行主成分嵌套球分解处理，得到各个所述脑结构各自对应的欧氏化几何对象特征，其中，所述欧氏化几何对象特征包括：骨骼点的点分布模型、缩放因子、辐条的长度和方向；

25、局部特征提取单元，用于提取各个所述目标骨架模型中的骨骼点的方向直方图特征，并对所述方向直方图特征进行尺寸变换处理。

26、在本技术的一些实施例中，所述阿尔茨海默病早期识别模型包括：相接的编码单元和解码单元；

27、所述编码单元包括相接的多层感知器和有监督变分自编码器，所述解码单元包括生成模型和分类模型，以使所述阿尔茨海默病早期识别模型在根据输入其中的所述融合特征向量对应输出阿尔茨海默病早期识别结果的同时，还重构所述融合特征向量，并基于重构的融合特征向量对所述阿尔茨海默病早期识别结果进行约束。

28、在本技术的一些实施例中，所述脑结构包括：左侧脑室、右侧脑室、左海马、右海马、左尾状核和右尾状核中的至少两种。

29、在本技术的一些实施例中，所述临床指标数据包括：用户年龄、用户性别和智力状态检测数据中的至少一项。

30、本技术的另一个方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述的基于多中心结构磁共振影像的阿尔茨海默病早期识别系统的功能。

31、本技术的第三个方面提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述的基于多中心结构磁共振影像的阿尔茨海默病早期识别系统的功能。

32、本技术提供的基于多中心结构磁共振影像的阿尔茨海默病早期识别系统，通过设置依次连接的第一数据处理模块、第一特征提取模块和模型识别模块，所述第一数据处理模块用于获取用户的临床指标数据和多中心结构磁共振影像，并构建该多中心结构磁共振影像对应的多个脑结构的目标骨架模型；所述第一特征提取模块用于将各个所述目标骨架模型分别转化为欧氏特征，得到各个所述脑结构各自对应的欧氏化几何对象特征，并基于各个所述目标骨架模型分别提取各个所述脑结构各自对应的体积、厚度等特征；所述模型识别模块用于基于所述临床指标数据、各个所述脑结构的欧氏化几何对象特征、体积、厚度等特征，应用预设的阿尔茨海默病早期识别模型生成针对所述用户的阿尔茨海默病早期识别结果，能够有效提高骨架模型表达特征的全面性及多样性，能够针对多个脑结构的多模态特征进行阿尔茨海默病早期识别，并能够有效提高阿尔茨海默病早期识别的自动化程度、识别结果的有效性及可靠性，还能够提高阿尔茨海默病早期识别模型的泛化能力等。

33、本技术的附加优点、目的，以及特征将在下面的描述中将部分地加以阐述，且将对于本领域普通技术人员在研究下文后部分地变得明显，或者可以根据本技术的实践而获知。本技术的目的和其它优点可以通过在说明书以及附图中具体指出的结构实现到并获得。

34、本领域技术人员将会理解的是，能够用本技术实现的目的和优点不限于以上具体所述，并且根据以下详细说明将更清楚地理解本技术能够实现的上述和其他目的。