基于3D卷积神经网络的阿尔茨海默症的预诊断方法[发明专利]

(19)中华人民共和国国家知识产权局

(12)发明专利申请

(10)申请公布号 (43)申请公布日 (21)申请号 202011551593.2

(22)申请日 2020.12.24

(71)申请人 四川大学

地址 610064 四川省成都市武侯区一环路

南一段24号

(72)发明人 袁榕澳　郭延芝　王聪　刘一静　

胡际帆　

(74)专利代理机构 北京众合诚成知识产权代理

有限公司 11246

代理人 戚星

(51)Int.Cl.

A61B 5/00(2006.01)

(54)发明名称基于3D卷积神经网络的阿尔茨海默症的预诊断方法(57)摘要本发明公开了基于3D卷积神经网络的阿尔茨海默症的预诊断方法，包括如下步骤：S1：选取数据集：采用ADNI数据库，选择MRI和DTI图像数据；S2：数据预处理：对所选择的MRI和DTI图像数据进行预处理；S3：基于CNN的DL方法，具体步骤包括：3D卷积；采用批量正则化技术采用线性整流函数作为激活函数；3D池化，S4：建立网络体系结构；S5：实现与性能评估，DTI数据的加入可以提升诊断的准确度，而且DTI图像数据的采集同MRI图像一样，来自同一系统的同一参数扫描得到，因此同样具有低成本，无创伤，易获得的特点，

在临床应用中容易推广。权利要求书2页 说明书12页 附图5页CN 112674720 A 2021.04.20

C N 112674720

A

1.基于3D卷积神经网络的阿尔茨海默症的预诊断方法，其特征在于：包括如下步骤：S1：选取数据集：采用ADNI数据库，选择MRI和DTI图像数据；

S2：数据预处理：

对所选择的MRI和DTI图像数据进行预处理；S3：基于CNN的DL方法，具体步骤包括：

S3.1：3D卷积：利用如下公式(1)计算出每一层的三维特征图，并建立多个三维卷积，通过有监督的训练方法得到各层网络参数的权值W和偏差b；

令某一层中的某个特征图中位置(x i ，y j ，z k )的值，表示为a i，j，k ，则

其中，f是激活函数，b是该特征图的偏置，w m，n，l 是对应于位置x i+m，i+n，k+l 的卷积核单元，M，N，L分别是卷积核的高度、宽度和深度；

S3.2：在神经网络训练过程中采用批量正则化技术；

S3.3：采用线性整流函数如下公式(2)作为激活函数：

f(x)＝max(0,x) (2)；

S3.4：3D池化：采用最大池化作为每个层的特征降维；

S4：建立网络体系结构：

S4.1：对于MRI和DTI的图像数据，通过卷积块组成的流水线实现特征提取；

S4.2：卷积流水线由三个卷积块串联而成，最终输出高层特征图；

S4.3：将MRI和DTI的特征图展平后，与临床数据连接形成一维向量，作为全连接层的输入，并连接隐藏层和softmax层进行分类；

S5：实现与性能评估：

实现过程中设计AD与NC、AD与MCI、MCI与NC、EMCI与LMCI四种二元分类器验证该网络的有效性；训练和测试过程采用5倍交叉验证；采用分层抽样的方法：每类样本预先随机平均分为五份。然后不同类别样本随机取一份出来组合成一份数据集；

比较和评估分类器的性能，利用受试者工作特征曲线分析，计算曲线下面积AUC值，采用三个评估指标，包括准确度ACC、敏感性SEN和特异性SPE。

2.根据权利要求1所述的基于3D卷积神经网络的阿尔茨海默症的预诊断方法，其特征在于：所述S2的具体步骤为：

S2.1：首先使用RIcron软件将数字成像和医学通信格式的数据转换为神经成像信息技术倡议格式，从而生成重定向的MRI图像；

S2.2：然后使用脑提取工具进行颅骨剥离，配准到标准蒙特利尔神经研究所大脑模板，然后进行小脑切除；

S2.3：对于DTI图像，在进行颅骨剥离前进行头动矫正和涡流矫正，将拟合张量得到的MD映射图谱配准到标准蒙特利尔神经研究所大脑模板，然后再配准相应的MRI图像，去除小脑；

S2.4：对处理后的MRI和DTI图像进行裁剪，去除无关部分的黑色像素块。

3.根据权利要求1所述的基于3D卷积神经网络的阿尔茨海默症的预诊断方法，其特征在于：所述S2的所有步骤都是通过使用FSL软件库完成的。

4.根据权利要求1所述的基于3D卷积神经网络的阿尔茨海默症的预诊断方法，其特征在于：在所述S4中，所有卷积核的大小为5×5×5，步长为2×2×2，填充相同，三个卷积层的卷积核数分别设置为16、32、64；所有池层的大小设置为3×3×3，步长大小为2×2×2；全连接层节点数分别为100，2；所有层均采用ReLu函数作为非线性激活函数。

5.根据权利要求1所述的基于3D卷积神经网络的阿尔茨海默症的预诊断方法，其特征在于：三维卷积核和全连接权值用截断正态分布随机数初始化，标准偏差为0.1；利用Adam 优化算法进行最小化交叉熵损失计算，学习率为0.001，batchsize大小为16，迭代次数为300。

6.根据权利要求1所述的基于3D卷积神经网络的阿尔茨海默症的预诊断方法，其特征在于：所述S5中的算法是用Google的开源tensorflow框架实现的，所有的计算都是在一台装有GPU NVIDIA GTX1080的服务器上进行的。

7.根据权利要求1所述的基于3D卷积神经网络的阿尔茨海默症的预诊断方法，其特征在于：所述三个评估指标通过如下公式表示：

其中，TP为真阳例，FP为假阳性，TN为真阴性，FN为假阴性。

8.根据权利要求1所述的基于3D卷积神经网络的阿尔茨海默症的预诊断方法，其特征在于：所述每种分类器分别基于MRI、DTI和Clinical数据的三种输入特征和四种不同的输入组合包括MRI&Clinical、DTI&Clinical、MRI&DTI和MRI&DTI&Clinical构建了7个网络模型。