一种基于3D卷积神经网络的无先兆偏头痛辅助诊断算法

技术领域

本发明涉及无先兆偏头痛辅助诊断算法领域；尤其涉及一种基于3D卷积神经网络的无先兆偏头痛辅助诊断算法。

背景技术

偏头痛是一种严重危害人类健康的脑疾病，临床中以无先兆偏头痛为主且对其诊断主要由医生根据《国际头痛疾病分类(第3版)》标准以及患者的临床表现进行。由于无先兆偏头痛缺乏明显的如听觉、视觉异常等前驱症状，传统的依靠量表的诊断方法在鉴别无先兆偏头痛和其他原发性或继发性头痛时存在诸如诊断结果主观性强、准确率较低等挑战。因此，我们亟需找到一种客观方法实现对无先兆偏头痛的辅助诊断。

在当前的无先兆偏头痛辅助诊断算法研究中，基于机器学习的脑影像功能连接分析方法是最主要研究方向。因此类方法对功能连接特征的提取多依赖于预定义的脑图谱模板，受模板选择的主观因素以及所选分类器的性能影响，现有方法的智能化程度和准确率较低，难以满足临床及研究需求。

发明内容

本发明的目的是提供了一种基于3D卷积神经网络的无先兆偏头痛辅助诊断算法。本发明主要解决的问题是：第一个是使用一种客观的方法提取无先兆偏头痛的功能连接特征；第二个是设计一种智能化的算法实现对无先兆偏头痛的辅助诊断。

本发明是通过以下技术方案实现的：

本发明涉及一种基于3D卷积神经网络的无先兆偏头痛辅助诊断算法，其特征在于，所述方法包括如下步骤：

步骤1，首先对被试的脑影像进行预处理，然后将组信息指导的独立成分分析方法(GIG-ICA)引入无先兆偏头痛的脑影像功能连接分析，用于提取与无先兆偏头痛异常的8个静息态脑网络(RSN)，避免因脑图谱模板不同而导致的结果差异；

步骤2，针对每一个生成的RSN，我们首先训练RSN-Net算法学习RSN的3D空间特征，输出RSN-Net算法的诊断结果并保存最优算法模型，该算法共保存了8个RSN-Net算法最优模型，然后将所有RSN-Net算法最优模型输出的类别信息特征融合在算法的全连接层做最终的辅助诊断；为了验证所提算法的有效性，对预处理后的无先兆偏头痛脑影像数据，本发明使用GIG-ICA方法生成无先兆偏头痛异常的RSN，使用双样本T检验获取其个体差异并以此作为特征，训练SVM算法评估其性能。

步骤3，在算法设计时加入一系列针对医学影像小样本过拟合问题的解决策略(批正则化、3D数据增强、L1L2正则化、早停法)，进一步提高无先兆偏头痛的诊断准确率。

本发明所涉及的基于3D卷积神经网络的无先兆偏头痛辅助诊断算法，由4个卷积层、4个批正则化层、4个ReLU非线性激活层、3个池化层以及4个全连接层构成，其中5层结构共分为8组，组与组之间按照如下方式进行排列，依次连接：

(1)第1组：由1个卷积层、1个批正则化层和1个ReLU非线性激活层组成；

(2)第2组：由1个卷积层、1个批正则化层、1个ReLU非线性激活层和1个池化层组成；

(3)第3组：由1个卷积层、1个批正则化层、1个ReLU非线性激活层和1个池化层组成；

(4)第4组：由1个卷积层、1个批正则化层、1个ReLU非线性激活层和1个池化层组成；

(5)第5组：由1个全连接层组成；

(6)第6组：由1个全连接层组成；

(7)第7组：由1个全连接层组成；

(8)第8组：由1个全连接层组成。

本发明具有以下优点：

(1)本发明所涉及的基于3D卷积神经网络的无先兆偏头痛辅助诊断算法，引入组信息指导的独立成分分析方法，客观的提取无先兆偏头痛的功能连接特征，设计的基于3D卷积神经网络的无先兆偏头痛辅助诊断算法，实现了对无先兆偏头痛的智能化辅助诊断。

(2)本发明所涉及的基于3D卷积神经网络的无先兆偏头痛辅助诊断算法，为了验证所提算法的有效性，对预处理后的无先兆偏头痛脑影像数据，本发明使用GIG-ICA方法生成无先兆偏头痛异常的RSN，使用双样本T检验获取其个体差异并以此作为特征，训练SVM算法评估其性能。

(3)本发明所涉及的基于3D卷积神经网络的无先兆偏头痛辅助诊断算法，对预处理后的无先兆偏头痛脑影像数据计算基于体素的低频振幅、局部一致性特征，构造2DAlexNet和CNNwith inception模型并评估性能。

(4)本发明所涉及的基于3D卷积神经网络的无先兆偏头痛辅助诊断算法，为了评估不同RSN的诊断性能以及衡量其在被试诊断中的贡献率，本发明对每个被试的不同RSN的性能分别进行了对比。实验结果表明本发明设计的算法达到98.40％的诊断准确率，领先SVM算法6.4％。在2D AlexNet和CNNwith inception模型上分别提高了14.53％和15.29％。

(5)本发明所涉及的基于3D卷积神经网络的无先兆偏头痛辅助诊断算法，为了验证算法所用4种优化策略的有效性，进一步对4种优化策略做了消融实验；实验结果证明无任何优化策略所得算法的准确为85.60％，使用批正则化技术使得算法的准确率提升了2.4％，使用批正则化和3D随机数据增强得到的准确为92.00％，加上L1和L2正则化后，准确率为93.60％，最后加入早停法，准确率达到98.40％。

附图说明

图1是本发发明所涉及的基于3D卷积神经网络的无先兆偏头痛辅助诊断算法的框架图；其中，图1中RSN Generation：静息态脑网络生成；fMRI：功能磁共振成像；ICA：独立成分分析；GIG-ICA:组信息指导的独立成分分析；RSN：静息态脑网络；MwoA3D-Net:基于3D-CNN的无先兆偏头痛辅助诊断算法；Conv3d:3D卷积神经网络Batch normalization 3d:3D批正则化层；ReLu:线性整流函数；MaxPool3d:3D最大池化；Concatenate：级联；FullyConnection：全连接层。

具体实施方式

下面结合具体实施例对本发明进行详细说明。应当指出的是，以下的实施实例只是对本发明的进一步说明，但本发明的保护范围并不限于以下实施例。

实施例

本实施例涉及一种基于3D卷积神经网络的无先兆偏头痛辅助诊断算法，见附图1所示：图1中RSN Generation：静息态脑网络生成；fMRI：功能磁共振成像；ICA：独立成分分析；GIG-ICA:组信息指导的独立成分分析；RSN：静息态脑网络；MwoA3D-Net:基于3D-CNN的无先兆偏头痛辅助诊断算法；Conv3d:3D卷积神经网络Batch normalization 3d:3D批正则化层；ReLu:线性整流函数；MaxPool3d:3D最大池化；Concatenate：级联；FullyConnection：全连接层。所述方法包括如下步骤：

步骤1，首先对被试的脑影像进行预处理，然后将组信息指导的独立成分分析方法(GIG-ICA)引入无先兆偏头痛的脑影像功能连接分析，用于提取与无先兆偏头痛异常的8个静息态脑网络(RSN)，避免因脑图谱模板不同而导致的结果差异；

步骤2，针对每一个生成的RSN，我们首先训练RSN-Net算法学习RSN的3D空间结构特征，输出RSN的诊断结果并保存最优算法模型，该算法共保存了8个RSN-Net最优算法模型，然后将所有RSN-Net算法最优模型输出的类别信息特征融合在算法的全连接层做最终的辅助诊断；为了验证所提算法的有效性，对预处理后的无先兆偏头痛脑影像数据，本发明使用GIG-ICA方法生成无先兆偏头痛异常的RSN，使用双样本T检验获取其个体差异并以此作为特征，训练SVM算法评估其性能。

步骤3，在算法设计时加入一系列针对医学影像小样本过拟合问题的解决策略(批正则化、3D数据增强、L1L2正则化、早停法)，进一步提高无先兆偏头痛的诊断准确率。

本发明所涉及的基于3D卷积神经网络的无先兆偏头痛辅助诊断算法，由4个卷积层、4个批正则化层、4个ReLU非线性激活层、3个池化层以及4个全连接层构成，其中，5层结构共分为8组，组与组之间按照如下方式进行排列，依次连接：

(1)第1组：由1个卷积层、1个批正则化层和1个ReLU非线性激活层组成；

(2)第2组：由1个卷积层、1个批正则化层、1个ReLU非线性激活层和1个池化层组成；

(3)第3组：由1个卷积层、1个批正则化层、1个ReLU非线性激活层和1个池化层组成；

(4)第4组：由1个卷积层、1个批正则化层、1个ReLU非线性激活层和1个池化层组成；

(5)第5组：由1个全连接层组成；

(6)第6组：由1个全连接层组成；

(7)第7组：由1个全连接层组成；

(8)第8组：由1个全连接层组成。

本实施例中所涉及的GIG-ICA方法由GIFT(

算法的网络参数表1如下：

表1

本发明具有以下优点：

1、本发明所涉及的基于3D卷积神经网络的无先兆偏头痛辅助诊断算法，引入组信息指导的独立成分分析方法，客观的提取无先兆偏头痛的功能连接特征，设计的基于3D卷积神经网络的无先兆偏头痛辅助诊断算法，实现了对无先兆偏头痛的智能化辅助诊断。

2、本发明所涉及的基于3D卷积神经网络的无先兆偏头痛辅助诊断算法，为了验证所提算法的有效性，对预处理后的无先兆偏头痛脑影像数据，本发明使用GIG-ICA方法生成无先兆偏头痛异常的RSN，使用双样本T检验获取其个体差异并以此作为特征，训练SVM算法评估其性能。

3、本发明所涉及的基于3D卷积神经网络的无先兆偏头痛辅助诊断算法，对预处理后的无先兆偏头痛脑影像数据计算基于体素的低频振幅、局部一致性特征，构造2DAlexNet和CNNwith inception模型并评估性能。

4、本发明所涉及的基于3D卷积神经网络的无先兆偏头痛辅助诊断算法，为了评估不同RSN的诊断性能以及衡量其在被试诊断中的贡献率，本发明对每个被试的不同RSN的性能分别进行了对比。实验结果表明本发明设计的算法达到98.40％的诊断准确率，领先SVM算法6.4％。在2D AlexNet和CNNwith inception模型上分别提高了14.53％和15.29％。

5、本发明所涉及的基于3D卷积神经网络的无先兆偏头痛辅助诊断算法，为了验证算法所用4种优化策略的有效性，进一步对4种优化策略做了消融实验；实验结果证明无任何优化策略所得算法的准确为85.60％，使用批正则化技术使得算法的准确率提升了2.4％，使用批正则化和3D随机数据增强得到的准确为92.00％，加上L1和L2正则化后，准确率为93.60％，最后加入早停法，准确率达到98.40％。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质。