CN114202668B 阿尔茨海默病的临床数据的处理方法、系统、介质及装置 （上海宽带技术及应用工程研究中心）

(19)国家知识产权局(12)发明专利(10)授权公告号CN114202668B(65)同一申请的已公布的文献号(73)专利权人上海宽带技术及应用工程研究中心地址201201上海市浦东新区卡园二路108号8幢302A室专利权人迪莲娜(上海)大数据服务有限公司(72)发明人李萍李尤张亮范中豪(74)专利代理机构上海光华专利事务所(普通合伙)31219GO6N3/0464(2023.0GO6N3/08(56)对比文件审查员郭红(54)发明名称阿尔茨海默病的临床数据的处理方法、系本发明提供一种阿尔茨海默病的临床数据脑质数据的三维影像数据；按照第一采样规则进行重采样获得重采样影像数据；裁剪得到去除空白切片和图像边缘的零元素值的最终影像数据；归一化得到归一化后的影像数据；利用基于U-net的神经网络对处理完成的数据进行特征提取获得输出特征；对输出特征进行融合，得到全局特征；对全局特征进行阿尔茨海默病的分类获得阿尔茨海默病分类模型；通过反向传播的方法来计算图像中各部分对于阿尔茨海默病分类模型的诊断结果的影响程度，通过热度可视化方式展示。本发明用于对于阿尔茨海默病的临床数据进2对所述三维影像数据进行颅骨剥离获得只包含其中，所述对所述脑三维影像数据按照所述第一采样规则进行重采样获得所述重采样通过第一采样公式或第二采样公式进行重采标为(2x,2y,2z)、(2x+1,2y+1,2z+1)处的像素值；对所述重采样影像数据进行裁剪得到去除空白切片和图对所述最终影像数据进行归一化得到归一化使用分类器对所述全局特征进行阿尔茨海默病的分类获得基于所述阿尔茨海默病分类结果通过反向传播的方法来计算三维影像数据中各个脑2.根据权利要求1所述的阿尔茨海默病的临床数据的处理方法，其特征在于所述对所使用标准模板去除三维影像数据中的颅骨相关部分，从而述重采样影像数据进行裁剪得到去除空白切片和图像边以所述重采样影像数据的图像中心为原点以(64,104,80)单位像素为裁剪范围进行裁据。基于归一化公式对所述最终影像数据进行归一化得到归一化后终影像数据的图像中坐标为(x,y,z)处的像素值，min(P)表示最终影像数据的图像中最小35.根据权利要求1所述的阿尔茨海默病的临床数据的处理方法，其特征在于，所述利用基于U-net的神经网络模型对归一化后的影像数据进行特征提取以及分类获得输出特征包64,32,16,8,并且每个卷积块包含一个卷积层用来提取特征；利用线性整流激活函数处理特征；利用批量标准化函数对特征进行归一化。6.根据权利要求1所述的阿尔茨海默病的临床数据的处理方法，其特征在于，使用全局池化操作对所述输出特征进行融合，得到全局特征包括：通过全局池化操作公式对所述输出特征进行融合，得到全局特征；所述全局池化操作公式为：F=Pooling(F¹ayerllayer是全局池化函数。7.根据权利要求1所述的阿尔茨海默病的临床数据的处理方法，其特征在于，使用分类器对所述全局特征进行阿尔茨海默病的分类获得阿尔茨海默病分类结果包括：所述分类器基于全局特征公式对对所述全局特征进行阿尔茨海默病的分类获得阿尔茨海默病分类结果；所述全局特征公式包括：障碍，k为3时晚期认知障碍和k为4时阿尔茨海默病；S表示将示将影像分类到第i类的得分。8.一种阿尔茨海默病的临床数据的处理系统，其特征在于，包括：获取模块、颅骨剥离所述获取模块用于从ADNI临床数据集基于第一预设规则获取只包含脑质数据的三维影像数据；所述颅骨剥离模块对所述三维影像数据进行颅骨剥离获得只包含脑质的脑三维影像所述第一采样公式为：所述第二采样公式为：其中，P(x,y,z)表示通过第一采样公式或第二采样公式进行重采样获得4处的像素值，Q(2x,2y,2z)、Q(2x+1,2y+1,2z+1)表示脑三维影像数据的图像中坐标为(2x,2y,2z)、(2x+1,2y+1,2z+1)处的像素值；所述裁剪模块用于对所述重采样影像数据进行裁剪得到去除空白切片和图像边缘的最终影像数据；所述归一化模块用于对所述最终影像数据进行归一化得到归一化后的影像数据；所述提取模块用于利用基于U-net的神经网络模型对归一化后的影像数据进行特征提取获得输出特征；所述融合模块用于使用全局池化操作对所述输出特征进行融合，得到全局特征；所述分类模块用于使用分类器对所述全局特征进行阿尔茨海默病的分类获得阿尔茨海默病分类结果；所述可视化模块用于基于所述阿尔茨海默病分类结果通过反向传播的方法来计算三维影像数据中各个脑区域对阿尔茨海默病分类结果的影响程度，通过热度可视化方式进行展示。9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行，以实现权利要求1至7中任一项所述阿尔茨海默病的临床数据的处理方法。所述存储器用于存储计算机程序；所述处理器与所述存储器相连，用于执行所述存储器存储的计算机程序，以使所述阿尔茨海默病的临床数据的处理装置执行权利要求1至7中任一项所述的阿尔茨海默病的临床数据的处理方法。5技术领域[0001]本发明涉及图像识别技术领域，特别是涉及一种阿尔茨海默病的临床数据的处理背景技术[0002]阿尔茨海默病(Alzheimerdisease,AD),又叫老年性痴呆，是一种中枢神经系统变性病，起病隐袭，病程呈慢性进行性，是老年期痴呆最常见的一种类型。主要表现为渐进性记忆障碍、认知功能障碍、人格改变及语言障碍等神经精神症状，严重影响社交、职业与生活功能。AD的病因及发病机制尚未阐明，特征性病理改变为β淀粉样蛋白沉积形成的细胞外老年斑和tau蛋白过度磷酸化形成的神经细胞内神经原纤维缠结，以及神经元丢失伴胶质细胞增生等。[0003]卷积神经网络在许多领域取得了巨大成果，并且该技术已经被成功地引入到了阿尔茨海默病的诊断上。然而普通的卷积神经网络模型并不能很好地诊断。[0004]因此，希望能够解决现有的卷积神经网络模型并不能很好地分类阿尔兹海默病，限制了其在临床上的推广和使用，且不能直观地解释阿尔茨海默病分类结果的问题。发明内容[0005]鉴于以上所述现有技术的缺点，本发明的目的在于提供一种阿尔茨海默病的临床数据的处理方法、系统、介质及装置，用于解决现有技术中现有的卷积神经网络模型并不能很好地分类阿尔兹海默病，限制了其在临床上的推广和使用，且不能直观的展示阿尔茨海默病分类结果的问题。[0006]为实现上述目的及其他相关目的，本发明提供一种阿尔茨海默病的临床数据的处理方法，包括以下步骤：从ADNI临床数据集基于第一预设规则获取包含脑部数据的三维影像数据；对所述三维影像数据进行颅骨剥离获得只包含脑质的脑三维影像数据；对所述脑三维影像数据按照第一采样规则进行重采样获得重采样影像数据；对所述重采样影像数据进行裁剪得到去除空白切片和图像边缘的最终影像数据；对所述最终影像数据进行归一化得到归一化后的影像数据；利用基于U-net的神经网络模型对归一化后的影像数据进行特征提取获得输出特征；使用全局池化操作对所述输出特征进行融合，得到全局特征；使用分类器对所述全局特征进行阿尔茨海默病的分类获得阿尔茨海默病分类结果；基于所述阿尔茨海默病分类结果通过反向传播的方法来计算三维影像数据中各个脑区域对阿尔茨海默病分类结果的影响程度，通过热度可视化方式进行展示。[0007]于本发明的一实施例中，所述对所述三维影像数据，进行颅骨剥离获得获得只包含脑质的脑三维影像数据包括：[0008]使用标准模板去除三维影像数据中的颅骨相关部分，从而获得仅含脑质相关部分的脑三维影像数据。[0009]于本发明的一实施例中，所述对所述脑三维影像数据按照第一采样规则进行重采6[0011]其中，P(,y,z)表示通过第一采样公式进行重采样获得的坐标为(x,y,z)处的像素值，Q(2x+1,2y+1,2z+1)表示脑三维影像数据的图像中坐标为(2x+1,2y+1和图像边缘的最终影像数据包括：以所述重采样影像数据的图像中心为原点以(64,104,80)单位像素为裁剪范围进行裁剪获得最终影像数据的图像，从而基于所述重采样影像数像数据包括：基于归一化公式对所述最终影像数据进行归一化得到归一化后的影像数据；示最终影像数据的图像中坐标为(x,y,z)处的像素值，min(P)表示最终影像数据的图像中[0018]于本发明的一实施例中，所述利用基于U-net的神经网络模型对归一化后的影像每个卷积块的通道数分别为4,16,32,64,64,32,16,8.并且每个卷积块包含一个卷积层用时早期认知障碍(EMCI),k为3时晚期认知障碍(LMCI)和k为4时阿尔茨海默病(AD);S表示7将影像分类到第k类的得分，S表示将影像分类到第i类的得分。[0025]为实现上述目的，本发明还提供一种阿尔茨海默病的临床数据的处理系统，包括：获取模块、颅骨剥离模块、采样模块、裁剪模块、归一化模块、提取模块、融合模块、分类模块和可视化模块；所述获取模块用于从ADNI临床数据集基于第一预设规则获取只包含脑质数据的三维影像数据；所述颅骨剥离模块对所述三维影像数据进行颅骨剥离获得只包含脑质的脑三维影像数据；所述采样模块用于对所述脑三维影像数据按照第一采样规则进行重采样获得重采样影像数据；所述裁剪模块用于对所述重采样影像数据进行裁剪得到去除空白切片和图像边缘的最终影像数据；所述归一化模块用于对所述最终影像数据进行归一化得到归一化后的影像数据；所述提取模块用于利用基于U-net的神经网络模型对归一化后的影像数据进行特征提取获得输出特征；所述融合模块用于使用全局池化操作对所述输出特征进行融合，得到全局特征；所述分类模块用于使用分类器对所述全局特征进行阿尔茨海默病的分类获得阿尔茨海默病分类结果；所述可视化模块用于基于所述阿尔茨海默病分类结果通过反向传播的方法来计算三维影像数据中各个脑区域对阿尔茨海默病分类结果的影响程度，通过热度可视化方式进行展示。[0026]为实现上述目的，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现任一上述阿尔茨海默病的临床数据的处理方法。[0027]为实现上述目的，本发明还提供一种阿尔茨海默病的临床数据的处理装置，包括：处理器和存储器；所述存储器用于存储计算机程序；所述处理器与所述存储器相连，用于执行所述存储器存储的计算机程序，以使所述阿尔茨海默病的临床数据的处理装置执行任一上述的阿尔茨海默病的临床数据的处理方法。[0028]如上所述，本发明的一种阿尔茨海默病的临床数据的处理方法、系统、介质及装置，具有以下有益效果：用于对于阿尔茨海默病的临床数据进行分类，展示脑质三维影像数据中各个脑区域对阿尔茨海默病分类结果的影响程度。附图说明[0030]图2显示为本发明的阿尔茨海默病的临床数据的处理系统于一实施例中的结构示意图；[0031]图3显示为本发明的阿尔茨海默病的临床数据的处理装置于一实施例中的结构示意图。[0032]元件标号说明[0033]21获取模块[0034]22颅骨剥离模块[0035]23采样模块[0036]24裁剪模块[0037]25归一化模块[0038]26提取模块[0039]27融合模块8分类模块可视化模块具体实施方式[0044]以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。[0045]需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，故图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。[0046]本发明的阿尔茨海默病的临床数据的处理方法、系统、介质及装置用于对于阿尔茨海默病的临床数据进行分类，实现阿尔茨海默病类别的可视化。[0047]如图1所示，于一实施例中，本发明的阿尔茨海默病的临床数据的处理方法，包括以下步骤：[0048]步骤S11、从ADNI临床数据集基于第一预设规则获取包含脑部数据的三维影像数据。[0049]具体地，所述ADNI(阿尔茨海默病神经影像学倡议)临床数据包括关于每个受试者的临床信息，包括招募，人口统计学，身体检查和认知评估数据。可以将整套临床数据作为逗号分隔值(CSV)文件批量下载。ADNI临床数据由阿尔茨海默氏症治疗研究所(ATRI)收集和管理。[0050]具体地，所述第一预设规则为从公开的ADNI数据集获取的MRI(核磁共振)T1(加权像：纵向弛豫)数据得到包含脑部数据的三维影像数据。这样就去除其他噪音数据，方便后续的特征提取和判断。[0051]步骤S12、对所述三维影像数据进行颅骨剥离获得只包含脑质的脑三维影像数据.[0052]为了简化模型的学习复杂度，通过颅骨去除获取只包含脑质数据的脑三维影像数据。[0053]使用标准模板去除三维影像数据中的颅骨相关部分，从而获得仅含脑质相关部分的脑三维影像数据。所述标准模板是指3Dslicer自带的用于剥离CT或MIR影像上的头皮和颅骨的模板，例如：atlasbrainmask:大脑面罩。[0054]步骤S13、对所述脑三维影像数据按照第一采样规则进行重采样获得重采样影像数据。[0055]具体地，所述对所述三维影像数据按照第一采样规则进行重采样获得重采样影像数据包括：对处理后的影像数据进行重采样操作，得到尺寸更小、数量更多但精度稍低的影9(x,y,z)处的像素值，Q(2x+1,2y+1,2z+1)表示三维影像数据的图像中坐标为(2x+1,2y+1,[0063]步骤S13、对所述重采样影像数据进行裁剪得到去除空白切片和图像边缘的最终示最终影像数据的图像中坐标为(x,y,z)处的像素值，min(P)表示最终影像数据的图像中对特征进行归一化。诊断。该U-net神经网络模型包含八个卷积块，每个卷积块的通道数依次分别为4,16,32,64,64,32,16,8.并且每个卷积六和第七个卷积块之后使用上采样或反卷积的方法对输出特征进行扩增。同时，使连接(skipconnection)来连接第二个卷积层之后和第七个卷积层之后，第三个卷积层之后和第六个卷积层之后以及第四个卷积层之后和第五个卷积层之后的输出特征。结合U-[0076]步骤S17、使用分类器对所述全局特征进行阿尔茨海默病的分类获得阿尔茨海默(NC),k为2时早期认知障碍(EMCI),k为3时晚期认知障碍(LMCI)和k为4时阿尔茨海默病[0081]步骤S18、基于所述阿尔茨海默病分类结果通过反向传播的方法来计算三维影像型诊断结果的影响程度，最后将其进行热度可视化(即热度图的可视化(Visualizing11[0083]如图2所示，于一实施例中，本发明的阿尔茨海默病的临床数据的处理系统，包括：模块27、分类模块28和可视化模块29;所述获取模块21用于从ADNI临床数据集基于第一预设规则获取只包含脑质数据的三维影像数据；所述颅骨剥离模块22对所述三维影像数据进行颅骨剥离获得只包含脑质的脑三维影像数据；所述采样模块23用于对所述脑三维影像数据按照第一采样规则进行重采样获得重采样影像数据；所述裁剪模块24用于对所述重采样影像数据进行裁剪得到去除空白切片和图像边缘的最终影像数据；所述归一化模块25用于对所述最终影像数据进行归一化得到归一化后的影像数据；所述提取模块26用于利用基于U-net的神经网络模型对归一化后的影像数据进行特征提取获得输出特征；所述融合模块27用于使用全局池化操作对所述输出特征进行融合，得到全局特征；所述分类模块28用于使用分类器对所述全局特征进行阿尔茨海默病的分类获得阿尔茨海默病分类结果；所述可视化模块29用于基于所述阿尔茨海默病分类结果通过反向传播的方法来计算三维影像数据中各个脑区域对阿尔茨海默病分类结果的影响程度，通过热度可视化方式进行展示。块25、提取模块26、融合模块27、分类模块28和可视化模块29;的结构和原理与上述阿尔茨海默病的临床数据的处理方法中的步骤一一对应，故在此不再赘述。[0085]需要说明的是，应理解以上系统的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，x模块可以为单独设立的处理元件，也可以集成在上述装置的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述装置的存储器中，由上述装置的某一个处理元件调用并执行以上x模块的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。[0086]例如，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(ApplicationSpecificIntegratedCircuit,简称ASIC),或，一个或多个微处理器(MicroProcessorUint,简称MPU),或，一个或者多个现场可编程门件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(CentralProcessingUnit,简称CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成[0087]于本发明一实施例中，本发明还包括一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一所述阿尔茨海默病的临床数据的处理方法。[0088]本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。前述的计算机程序