基于深度学习的磁共振成像数据的特征脑区定位方法

技术领域

本发明涉及医疗技术领域，尤其涉及一种基于深度学习的磁共振成像数据的特征脑区定位方法。

背景技术

近年来，各种神经疾病不断地涌现，不仅严重影响患者身体健康和生活质量，而且还给患者的家庭和社会带来巨大的经济负担。静息态功能磁共振成像是一种广泛应用在各种神经疾病影像学基础研究和临床研究方法，主要是根据血氧水平依赖信号的低频波动来测量内在的或自发的大脑活性，静息态磁共振成像在神经疾病的特征信息识别上有着巨大的潜力。传统的影响数据分析方法是对大脑中的体素单独进行假设检验，只能在组水平上进行推断。

在临床上某些疾病会引起大脑结构的改变，这些疾病患者大脑的某些脑区的改变体现在MRI医学图像上，而医生可以根据这些脑区的特征来初步判定患者是否患有该疾病，这为疾病的检测提供基础，同时也减少医生的工作量，因此，分辨疾病患者与非疾病患者的特征脑区对疾病的检测起到关键的作用。

深度学习是机器学习的一个分支，主要是一种基于无监督特征学习和特征层次结构的学习方法。医学图像的识别是图像识别的一个分支，相比其他数字图像，医学图像中蕴含着大量反应人体健康水平的信息，但目前这部分信息还是主要依靠人工进行分析，不仅容易受到临床医生的主观因素的影响，而且还容易造成数据的浪费。因此，在医学图像大数据时代，如何从神经、精神等疾病患者的医学图像中挖掘出重要的信息帮助临床医生准确分析患者的疾病就变得尤为重要。随着深度学习算法应用的不断深入，研究人员开始更加关注深度学习算法在医学领域的应用，也有不少的研究者将深度学习算法应用在磁共振图像的分析处理中。

深度学习从大量的数据中学习数据的抽象或者高级的特征，从而提高模型在新数据上的分类或预测的精准性，与浅层的机器学习相比深度学习具有如下两个特点：

1、特征学习：深度学习方法能够根据不同的任务自动从海量数据中学习到数据的高级特征表示，更能表达数据的内在信息；

2、深层结构：深度学习模型的结构通常拥有5层甚至更多层的隐藏层节点，包含更多的非线性变换单元，可以增强模型的泛化能力；

常见的深度学习模型由自动编码器模型，稀疏编码模型，限制玻尔兹曼机模型，深度信念网络模型，卷积神经网络模型CNN等。

发明内容

为了更好的将神经影像学中发现的特征信息应用于临床诊断，本申请借助深度学习中的相关算法来实现，深度学习强大的自动特征提取和高效的特征表达能力可以更好处理更为复杂的图像。

本发明旨在提供一种基于深度学习的磁共振成像数据的特征脑区定位方法，能够通过静息态MRI映射图像获得特征脑区定位。

为达到上述目的，本发明是采用以下技术方案实现的：

本发明公开的基于深度学习的磁共振成像数据的特征脑区定位方法，包括以下步骤：

a、对原始MRI图像数据进行预处理，得到预处理后的MRI数据；

b、对预处理后的MRI数据进行ALFF映射提取，获得映射提取后的图像数据；

c、以映射提取后的图像作为卷积神经网络模型的输入量，进行深度学习，所述卷积神经网络模型为Inception结构，获得MRI图像数据的分类结果；

d、根据所述分类结果确定特征脑区定位。

作为一种优选的，所述根据所述分类结果确定特征脑区定位的方法如下：

利用全局平均池化层替换掉了最后的全连接层，得到最后一个卷积层的每个特征图的均值，通过加权和得到输出；对应每一个类别c，每个特征图的k的均值都有一个对应的W，记为

其中

将所述权重按式(2)操作得到CAM的输出图，

其中的

作为另一种优选的，所述根据所述分类结果确定特征脑区定位的方法如下：

将所述分类结果对卷积层的输出特征图求导，得到权重

将

对权重加权的结果特征图通过式(4)去除负值的影响：

优选的，在步骤a中包括以下子步骤：

a1、剔除原始MRI图像数据中的前若干个时间点的数据；

a2、时间层校正；

a3、头动校正：删除头部平动超过2mm或者头部转动在X、Y、Z任意方向上超过3°的数据；

a4、空间标准化：将MRI图像数据根据一个标准的脑模板按照比例大小进行缩放；

a5、平滑处理，将MRI图像数据与3D高斯核卷积进行空平滑处理。

优选的，子步骤a1中的所述若干个为10个。

优选的，所述对预处理后的MRI数据进行ALFF映射提取包括以下子步骤：

b1、对每个时间序列之间的信号进行带通滤波，选择频率在0.01～0.08Hz 范围内的信号；

b2、将b1中得到的信号进行快速傅里叶变换，计算信号的频率功率谱，将功率谱进行开方，得到低频振幅；

b3、计算每个体素在频率为0.01～0.08Hz范围内功率谱的均值即ALFF值；

b4、ALFF标准化：将低频振幅的平均值和全脑体素的低频振幅平均值做除法运算得到标准的ALFF值。

优选的，所述原始MRI图像数据为静息态脑部MRI图像数据。

优选的，在步骤c中，所述输入量为ALFF映射提取后，将3D数据切片转为 PNG格式的数据。

本发明能够采用深度学习中的相关算法来实现通过静息态MRI映射图像获得特征脑区定位，准确度高。

本发明的模型可以再没有任何先验知识的情况下，在MRI图像中定位和疾病相关的大脑区域。不仅可以在组水平上反应疾病脑区，且可以针对个体水平，找到每个病人相关的疾病脑区。

附图说明

图1为对原始MRI图像数据进行预处理的流程图；

图2为ALFF映射提取的图像；

图3为卷积神经网络的示意图；

图4为Inception结构的示意图；

图5为本发明采用的框架图；

图6为ROC曲线的示意图；

图7为混肴矩阵的示意图。

图8为实验框架的示意图；

图9为实验结果的示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图，对本发明进行进一步详细说明。

本发明公开的基于深度学习的磁共振成像数据的特征脑区定位方法，其实际处理如下：

在对MRI数据进行分析之前，对MRI数据进行预处理，MRI预处理的主要目的是为了检测和修复被试者数据的采集过程中产生的差异。

预处理的流程如图1所示，MRI数据预处理的具体步骤为：

1、剔除每个对象MRI数据的前10个时间点数据：在采集MRI数据时由于初始MRI信号可能不太稳定等因素，因此，考虑到磁场均匀性问题，需要通过剔除前10个时间点的数据来保证纳入分析的MRI数据的准确性；

2、时间层校正：由于MRI数据都是由一些“2D”的层(slice)组成，每一层获取的时间是不一样的，但是在后续的分析过程中是默认不同层在同一层采集的，因此，需要进行时间层的校正，时间层的校正的主要目的是为了在大脑进行扫描时避免相邻脑区之间的相互影响；

3、头动校正：受试者在扫描的过程中难免会出现自主或不自主的头动，小的头动会导致BOLD信号发生大变化，因此，头动校正主要的作用是去除扫描过程中的头部运动带来的影响，使采集到的实验数据趋近于真实性，预处理过程中是以平动2mm或在X、Y、Z轴方向上旋转3°为标准，超过上述规定的两个范围的被试数据将被排除；

4、空间标准化：由于每个人的大脑在形状、大小等方面都存在明显的差异，因此需要对所有数据进行标准化处理，具体来说就是将不同被试者的MRI数据根据一个标准的脑模板来将不同被试者的MRI数据按照比例大小进行标准化；

5、平滑处理：由于采集到的MRI图像的信噪比不高，因此需要将数据同3D 高斯核卷积进行空平滑处理。

MRI特征提取

ALFF方法是直接通过脑部功能活动血氧依赖水平信号基线变化的幅度来反映静息态下脑部神经元的自发性活动，ALFF方法是将信号转换到频域进行分析，计算功能磁共振数据在频率的功率谱。具体步骤为：

(1)对每个时间序列之间的信号进行带通滤波，选择频率在0.01～0.08Hz 范围内的信号；

(2)将(1)中得到的信号进行快速傅里叶变换，计算信号的频率功率谱，将功率谱进行开方，得到低频振幅；

(3)计算每个体素在频率为0.01～0.08Hz范围内功率谱的均值即ALFF；(4) ALFF标准化：将低频振幅的平均值和全脑体素的低频振幅平均值做除法运算得到标准的ALFF值。

ALFF映射提取的图像如图2所示。

使用低频振幅方法进行特征映射后的图像作为我们分类模型的输入，能够得到较好的分类结果。

基于卷积神经网络的分类识别

如图3所示，卷积神经网络通常包含卷积层、池化层、全连接层，最后在全连接层利用分类器来实现分类识别，输出层通常由Softmax分类器构成。

卷积神经网络使用数学上的卷积运算来代替传统的矩阵运算，具有如下两个有点：一是神经元之间都是采用局部连接的方式，减少了训练时间；二是卷积神经网络的同一层的神经元结点之间通过权值共享的机制来减少权值参数的数量，同时还能达到降低了卷积神经网络复杂度的目的。

构建卷积神经网络

卷积神经网络是受生物学上的感受野机制启发而提出的，经过研究者的不断改进，最终发展成一个特别适合图像处理的深度学习模型。对于MRI图像的识别，我们的框架受到GoogleNet的启发，在GoogleNet出来之前，提升CNN识别效果的主流方法大致是使网络更深，网络更宽，但是这往往会导致过拟合和计算量的增加。而GoogleNet提出的Inception结构既能保持网络结构的稀疏性，又能利用密集矩阵的高计算性能，其结构如图4所示。

其使用了不同大小的卷积核，意味着不同大小的感受野，最后拼接意味着不同尺度特征的融合；为了减低计算量，采用1x1的卷积核来进行降维。最终的框架图如图5所示。

具体实例中，在使用了偏头痛有先兆的病人，偏头痛无先兆的病人以及正常人的静息态MRI图像作为例子，提取其ALFF特征后，将3D数据切片转为PNG格式，输入我们的CNN框架，其最终的平均分类准确率达到了90％左右。

试验结果的ROC曲线如图6所示。

试验结果的混肴矩阵如图7所示。

基于Grad-CAM技术的特征脑区定位

目前，多数神经影像研究通过主变量分析的方法对病人组和健康组MRI数据比较来发现大脑异常区域，其得到的结果局限于组水平的统计，很难精确到个体水平。在过去几年，基于机器学习的医学影像数据分析的应用在大脑疾病的识别中已经取得了令人鼓舞的进步。与基于大量单变量分析相比，机器学习实现了对个体水平的疾病脑区的定位。近几年，随着深度学习的发展，其具有强大的自动特征提取功能，提取输入数据的高层特征来创造深度学习模型。如今，深度学习模型被广泛地应用于提高分类模型精度，其能挖掘MRI图像更多的疾病相关信息。

很少有研究有利用深度学习技术去得到一个MRI图像的分类结果，然后利用分类模型去找到疾病相关的特征脑区，对于一个深度模型这样的黑箱模型来说，解释其模型是如何识别，即找到图片中哪些区域包含疾病相关的分类信息，这有助于加强我们对疾病的发病机制的理解。为了实现这一目标，CAM(class activation mapping)技术可以被用来解释本发明的深度学习模型，用来定位图片中最具分类特征的区域，它以热力图的形式来展示它的决策依据，如同在黑夜中告诉我们哪有发热的物体。

对一个深层的卷积神经网络而言，通过多次卷积和池化以后，它的最后一层卷积层包含了最丰富的空间和语义信息，再往下就是全连接层和softmax层了，其中所包含的信息都是人类难以理解的，很难以可视化的方式展示出来。所以说，要让卷积神经网络对其分类结果给出一个合理解释，必须要充分利用好最后一个卷积层。CAM利用全局平均池化层(Global Average Pooling,GAP)替换掉了最后的全连接层，GAP的池化层大小和整个特征图一样大。即求每张特征图所有像素的均值。经过GAP之后，我们得到了最后一个卷积层的每个特征图的均值，通过加权和得到输出。对应每一个类别c，每个特征图的k的均值都有一个对应的 W，记为

CAM的分类任务可以表达为：

其中

其中的

由于CAM技术要求修改原模型的结构，导致需要重新训练该模型，这大大限制了它的使用场景。在我们的研究中，我们使用了后来提出的Grad-CAM，Grad-CAM 的基本思路和CAM是一致的，也是通过得到每对特征图对应的权重，最后求一个加权和。但是它与CAM的主要区别在于求权重

将

本发明的研究在一开始利用卷积神经网络得到病人MRI图像。

其实验框架如图8所示

就此框架，利用45个偏头痛病人数据同正常人相比得到如图9所示的激活区域：

综上所述，本发明的模型可以再没有任何先验知识的情况下，在MRI图像中定位和疾病相关的大脑区域。其不仅可以在组水平上反应疾病脑区，且可以针对个体水平，找到每个病人相关的疾病脑区，在偏头痛的实验中，其结果基本和双样本T检验得出的脑区相符合，但其准确性还有待更多的研究去证明。

当然，本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。