一种基于磁共振图像的帕金森病的智能诊断系统

技术领域

本发明属于基于神经网络的医学图像处理技术领域，尤其涉及一种基于磁共振图像的帕金森病的智能诊断系统。

背景技术

帕金森病(Parkinson’s disease,帕金森病)是一种常见的老年神经性疾病，越早诊断出患病，便能越早对患者进行干预(例如使用药物治疗可以有效控制症状)。目前对帕金森病人的诊断主要途径是：医生依据病人的临床表现，配合医学上公认的诊断标准来做出疾病的诊断。早期的帕金森氏症的临床诊断中，在尚未治疗的病人或对药物反应不佳的病人中，诊断的准确率不超过26％。即使对药物反应良好，准确率也仅有53％。除了早期诊断准确率不高这个缺点外，这些诊断方法也需要大量的医生资源，并且医生水平也参差不齐。如果潜在患者没有及时来到医院检查或者患者所在地区的医疗条件不佳，则很有可能不能及时确诊从而错过最佳的治疗时期。

目前诊断帕金森病的方法主要为医生诊断——医生依据病人的临床表现，配合医学上公认的诊断标准来做出疾病的诊断，这一类方法会花费大量时间，并且依赖于医生的水平。在一些医疗资源不足的地区，患者不能及时确诊而耽误最佳治疗时间。

发明内容

本发明实施例提供了一种基于磁共振图像的帕金森病的智能诊断系统，可用于实现对帕金森病的智能化诊断，以提升诊断效率。

本发明实施例提供了一种基于磁共振图像的帕金森病的智能诊断系统，包括：子区域划分单元、设置单元、检测单元、计算单元和输出单元，

其中，子区域划分单元基于预设的脑区模板对输入的当前待诊断对象的磁共振图像进行脑区划分，基于脑区划分结果得到脑区集；去除所述脑区集中小脑对应的脑区，得到子区域集并发送至检测单元；

设置单元用于设置有效子区域及其权重，并将有效子区域的设置信息发送至检测单元，以及将有效子区域权重的设置信息发送至计算单元；

检测单元包括选择子单元和多个神经网络模型，所述选择子单元用于对子区域集中的各有效子区域进行神经网络模型匹配：基于有效子区域的图像大小分配对应的神经网络模型，所述神经网络模型用于识别所输入的子区域的帕金森病类别概率，且神经网络模型的层数与输入的子区域的图像大小正相关；所述检测单元将每个有效子区域的帕金森病类别概率发送至计算单元；

计算单元基于每个有效子区域的权重与帕金森病类别概率进行加权平均，得到最终的检测值，并将所述检测值与预置的阈值进行比较，若大于则表示患病，得到当前待诊断对象的帕金森病诊断结果并发送至输出单元；

所述输出单元用于对帕金森病诊断结果进行可视化的输出显示。

在一种可能实现方式中，所述检测单元中设置的各神经网络模型的网络结构包括：顺次连接的至少一个卷积块、至少一层全连接层和一层回归分类层；其中卷积块包括顺次连接的卷积层和最大池化层。

在一种可能实现方式中，所述设置单元设置有效子区域的设置方式包括：

设置训练数据集，各训练数据包括子区域集、是否患病的标签；

将训练数据的子区域集输入至检测单元，设置单元向检测单元发起训练触发指令，以触发检测单元的选择子单元为当前输入的子区域分配对应的神经网络模型，基于神经网络模型的输出得到当前子区域的类别概率值并返回给设置单元；

设置单元对每个子区域的类别概率值进行二值化处理后，得到每个子区域的类别二值化值T

将m个子区域组合下的组合得分设置为

在一种可能实现方式中，所述采用选择性堆叠方式选取最优子区域组合。

本发明实施例提供的技术方案至少带来如下有益效果：

在本发明实施例中，针对现有帕金森病诊断方式花费时间长，对医生水平要求高的技术问题，同时考虑到磁共振图像具有空间分辨率高，包含功能性信息的特点，本发明实现了一种基于弥散张量图像为代表的磁共振图像的帕金森病智能诊断系统，实现对帕金森病的智能化诊断，以提升诊断效率。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1是本发明实施例提供的一种基于磁共振图像深度学习的帕金森病诊断系统的结构示意图；

图2是本发明实施例提供的自适应神经网络结构示意图；

图3是本发明实施例提供的一种基于磁共振图像深度学习的帕金森病智能诊断系统的过程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置的例子。

为了便于理解，对本发明实施例中涉及的各名词进行解释。

机器学习技术：机器学习特别是深度学习技术以及在各领域有了广泛应用，相关算法能发现人眼所不能获取的细微特征，在多种医疗图像分类中准确率以及超过人类专家。其中，针对图像分类和识别任务效果最好的是卷积神经网络。卷积神经网络主要由卷积层组成，最后是全连接层得到最后的输出结果。卷积层的作用为从输入样本数据中提取其特征。通过使用卷积核学习图像特征来保留像素之间的关系。卷积层的公式以元素表示为：

其中，

集成技术：单个分类器获取的结果并不准确，使用多个分类器再利用集成技术选择最好的组合，可以得出更加准确的结果。

针对现有帕金森病诊断方法花费时间长，对医生水平要求高的问题，考虑到磁共振图像具有空间分辨率高，包含功能性信息的特点。本发明实例提供了一种基于磁共振图像深度学习的帕金森病诊断系统，参见图1，其包括：子区域划分单元11、设置单元12、检测单元13、计算单元14和输出单元15，其中，子区域划分单元11基于预设的脑区模板对输入的当前待诊断对象的磁共振图像进行脑区划分，基于脑区划分结果得到脑区集；将小脑对应的脑区从所述脑区集去除，得到子区域集并发送至检测单元13；设置单元12用于设置有效子区域及其权重，并将有效子区域的设置信息发送至检测单元13，以及将有效子区域权重的设置信息发送至计算单元14；检测单元13包括选择子单元和多个神经网络模型，所述选择子单元用于对子区域集中的各有效子区域进行神经网络模型匹配：基于有效子区域的图像大小分配对应的神经网络模型，所述神经网络模型用于识别所输入的子区域的帕金森病类别概率，且神经网络模型的层数与输入的子区域的图像大小正相关，以形成检测单元13的自适应的网络结构；同时，检测单元13将每个有效子区域的帕金森病类别概率发送至计算单元14；计算单元14基于每个有效子区域的权重与帕金森病类别概率进行加权平均，得到最终的检测值，并将所述检测值与预置的阈值进行比较，若大于则表示患病，得到当前待诊断对象的帕金森病检测结果并发送至输出单元15，所述输出单元15用于对帕金森病诊断结果进行可视化的输出显示。

在一种可能的实现方式中，检测单元13中设置的各神经网络模型的网络结构包括：顺次连接的至少一个卷积块、至少一层全连接层和一层回归分类层；其中卷积块包括顺次连接的卷积层和最大池化层。

需要说明的是：检测单元13中设置的各个神经网络模型的网络参数基于深度学习的方式获取，例如反向传播算法获取。

训练时，首先设置训练样本集，可利用大量的现有的磁共振图像数据和其相应的标签(标签0表示健康，1表示患病)；然后针对不同大小的输入，本发明实施例采取的神经网络模型的体系结构为自适应的，会随着输入样本数据的复杂度的变换而变化。整个自适应的网络结构层数的优选层数在2到4层之间。随着输入数据的复杂度增加，网络则会变得更深。如果输入数据比较简单，那么网络也会设置得比较简单，这样的好处在于能减轻过拟合。所有卷积层的内核大小可以设置为2×2×2，并且卷积核的数目在64到256之间。网络的最后则是全连接层和回归分类层，它们是网络的分类层，作用是从卷积模块提取的特征到类别概率输出的映射。例如在检测单元13中设置3个神经网络模型，每个神经网络模型的卷积块的结构如图3所示，其中，最上面的卷积块所对应的神经网络模型用于处理子区域图像大小(图像尺寸)小于或等于8×8×8的子区域，中间的卷积块对应的神经网络模型用于处理子区域图像尺寸区间为(8×8×8，16×16×16)，最下面的的卷积块对应的神经网络模型用于处理子区域图像尺寸大于或等于16×16×16。

各神经网络模型最终的输出为一个0到1之间的概率值。概率值越大，表示当前样本诊断为帕金森患者的可能性就越高。

在一种可能的实现方式中，有效子区域的具体设置方式如下：

设置训练数据集，各训练数据包括子区域集(即不包括的小脑的脑区划分集)、标签(0表示健康，1表示患病)；

将训练数据的子区域集输入至检测单元13，且当设置单元12向检测单元13发起训练触发指令后，检测单元13的选择子单元则用于为当前输入的子区域分配对应的神经网络模型，基于该神经网络模型的输出得到当前子区域的类别概率值并返回给设置单元12；设置单元12对每个子区域的概率值进行二值化处理：当概率值小于二值化阈值时，则其二值化值T

再基于每个子区域的权重AUC

进而将m(m≥1)个子区域组合下的组合得分设置为

在一种可能的实现方式中，本发明实施例采用选择性堆叠方式选取最优组合

(1)基于每个子区域的权重对子区域集中的各子区域的重要性进行降序排序。即先将各个子区域按照单个子区域的权值从大到小排列；

(2)若子区域组合数量为m＝N，则所有子区域的组合即为最优组合为

(3)对当前子区域组合中的每一个单个子区域执行丢弃测试，定义当前被丢弃的子区域为j，若剩余的子区域组合

(4)对剩余的每一个单一子区域执行加入测试，定义当前增加的子区域为k，若增加后所对应的子区域组合

重复上述(3)、(4)两步，直到丢弃的区域为下一次增加的区域，即j＝k，则表示选择性堆叠达到收敛条件，并将当前的删除一个子区域后的子区域组合作为全局最优组合。

在一种可能的实现方式中，设置单元12还将得到的每个子区域的权重通过输出单元15进行输出显示，以便于帮助医生更快的找到帕金森病的病灶，以及辅助医生进行后续治疗。

在一种可能的实现方式中，本发明实施例中，子区域划分单元11基于预设的脑区模板对输入的当前待诊断对象的磁共振图像进行脑区划分时，可以采用MATLAB中的SPM8软件(Statistical Parametric Mapping)将脑部磁共振图像划分为116个脑区，而由于小脑与帕金森病的诊断的关联相对较小，因此只需选用除小脑以外的其余90个脑区作为子区域集。

在一种可能的实现方式中，本发明实施例中，子区域划分单元11还包括数据选择单元，用于用户选择磁共振图像的数据类型，并将用户选择信息发送给输出单元15，以便于在输出显示结果时呈现对应的数据类型。由于磁共振图像包含多种类型的数据，其中各向异性分数(fractional anisotropy,FA)和平均弥散率(mean diffusivity,MD)是最常用的两种，子区域划分单元11可以设置上述两种数据的选择方式，以供用户选择，若用户不选择，则直接基于默认数据类型执行脑区的划分处理。

参见图3，本发明实施例的基于磁共振图像的帕金森病的智能诊断系统的诊断流程如下：

将待诊断者的磁共振图像输入子区域划分单元11，子区域划分单元11通过输出单元呈现选择界面，并基于用户的数据类型选择结果进行脑区划分，并将脑区划分结果发送给检测单元13；

检测单元13基于设置单元12所设置的有效子区域得到对应的有效子区域数据，并进行神经网络模型的匹配处理，将各个有效子区分配至对应的神经网络模型得出相应的诊断结果，此诊断结果是0-1之间的一个数值，数值越大代表患病的可能性越大。而每一个子区域有特定的权重，计算单元14再将每个有效的子区域的诊断结果乘上其对应的权重，并基于所有有效区域的加权平均得到最终的诊断结果，通过阈值划分患病与否，诊断结果大于阈值表示患病，小于阈值表示健康，并通过输出单元15进行输出显示。

通过本发明实施例相对方便的快速的实现筛选帕金森患者。受试者只需来到有磁共振仪器的医院，使用磁共振仪器做一个头部扫描从而获取脑部的磁共振图像，将该医学影像输入本发明实施例提供的诊断装置中，即可获得受试者是否患病的结果。整个过程只需要几十分钟。此外，通过分析多个受试者的磁共振图像，本发明实施例提供的诊断装置还可以获知在脑部的哪一个区域与帕金森病有着更密切的关系，从而辅助医生探索病灶所在。并且每当一个受试者进行诊断之后，并通过后续的观察确诊帕金森病，本发明实施例提供的可视化结果也可以更新。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

以上所述的仅是本发明的一些实施方式。对于本领域的普通技术人员来说，在不脱离本发明创造构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。