一种基于深度学习的2型糖尿病患者脑结构认知障碍分类方法

技术领域

本发明涉及深度学习技术领域，更具体地说，涉及一种基于深度学习的2 型糖尿病患者脑结构认知障碍分类方法。

背景技术

以往研究始终显示，糖尿病与认知功能衰退之间存在关联。无论1型和2 型糖尿病都与心理速度和心理灵活性下降相关；2型糖尿病还与学习和记忆能 力受损有关。

基于此，科学家提出对2型糖尿病患者认知功能下降与正常人群及有阿尔 茨海默病风险人群的认识能力进行比较，研究评估了糖尿病门诊患者的认知功 能。受试者首先接受一个简单的记忆筛查，然后接受全面的记忆力评估。采用 NACC统一数据集对受试者的记忆力、注意力、语言流畅程度和执行力进行评 估，由一个神经心理学医师和老年精神科医师团队通过这些结果给予患者一个 特定的认知诊断。将受试者与正常对照者和来自ADRC数据库中健忘型(aMCI) 轻度认知功能障碍的患者进行比较。

结果显示，共确认入组30例患者，年龄(64.4±7.4)岁。相较于认知功 能正常的人群，糖尿病患者在神经心理测试上的表现显著较差。

2型糖尿病患者随着病情发展会较同龄人更早出现认知障碍并与易感基 因多态性相关，脑部亦出现衰老现象。

众多的文献表明脑认知障碍的有无和脑结构有密切的关系,但是大脑的 哪一部分的结构改变会严重影响人的认知功能从而形成认知障碍还是目前存 在的一个待解决的问题。

发明内容

本发明要解决的技术问题在于，针对现有技术的缺陷，提供一种基于深度 学习的2型糖尿病患者脑结构认知障碍分类方法。

本发明解决其技术问题所采用的技术方案是：构造一种基于深度学习的2 型糖尿病患者脑结构认知障碍分类方法，包括：

提取标记脑认知障碍的全脑3D图像，进行脑剥离处理,获取脑认知障碍 对应的脑部区域图像，并划分训练集和测试集；

构建11层的3D CNN网络模型，并将作为训练集的脑部区域图像输入3D CNN网络模型中进行训练，调节网络参数与函数，至输出的结果为准确分类 结果为止，训练完成后将作为测试集的脑部区域图像输入3D CNN网络模型， 验证3D CNN网络模型的准确性；

将实时的全脑3D图像输入训练完成的3D CNN网络模型，通过网络模型 的计算，输出的结果作为对输入的全脑3D图像是否有认知障碍的分类结果。

其中，在获取脑认知障碍对应的脑部区域图像的步骤中，包括步骤：

通过图像处理手段获取全脑3D图像中脑结构的重心位置；

以脑结构的重心位置为坐标原点，构建空间三维坐标系，其中，Z轴为左 右半脑中心位置，并依据Z轴建立X轴和Y轴；

确定重心及坐标系后，在X轴方向上重心前32体素至重心后31体素共 64体素范围、Y轴方向上重心向下30体素到重心向下39体素之间共10个体 素范围、Z轴的重心左右64体素范围内，提取体素64*64*10的图像作为脑部 区域图像。

其中，在获取脑认知障碍对应的脑部区域图像的步骤之后，还包括训练集 数据增强的步骤；通过3D的旋转操作进行扩增为原先的10倍数据量。

其中，在获取脑认知障碍对应的脑部区域图像的步骤之后，还包括图像预 处理的步骤，包括：

灰度标准化，包括窗口宽度，窗口级别和像素归一化。

其中，通过训练曲线观察训练集和测试集的loss曲线，若呈现下降趋势, 则3DCNN网络模型学习成功率总体呈现上升趋势。

其中，在对训练好的网络的准确性进行判断的步骤中，通过LDH和FA 值评估2型糖尿病患者的认知障碍的发展程度。

其中，在获取脑认知障碍对应的脑部区域图像的步骤中，2型糖尿病脑衰 老所致认知障碍的脑影像标志物13个，包括处于白质微小结构发生异常改变 脑区的扣带回、右侧额叶、左侧顶叶、小脑蚓、双侧丘脑、右侧颞中回，及处 于功能连接减弱脑区的额叶、顶叶、颞叶、丘脑、基底节、小脑半球及脑干。

本发明提供了一种基于深度学习的2型糖尿病患者脑结构认知障碍分类 方法，包括：提取标记脑认知障碍的全脑3D图像，进行脑剥离处理,获取脑 认知障碍对应的脑部区域图像，并划分训练集和测试集；构建11层的3D CNN 网络模型，并将作为训练集的脑部区域图像输入3D CNN网络模型中进行训 练，调节网络参数与函数，至输出的结果为准确分类结果为止，训练完成后将 作为测试集的脑部区域图像输入3D CNN网络模型，验证3D CNN网络模型 的准确性；将实时的全脑3D图像输入训练完成的3D CNN网络模型，通过网 络模型的计算，输出的结果作为对输入的大脑3D图像是否有认知障碍的分类 结果。通过本发明，能够准确识别脑内结构对认知障碍的影响。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1是本发明提供的一种基于深度学习的2型糖尿病患者脑结构认知障碍 分类方法的流程示意图。

图2是本发明提供的一种基于深度学习的2型糖尿病患者脑结构认知障碍 分类方法中针对训练集和测试集的分类结果和损失的曲线示意图。

具体实施方式

为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详 细说明本发明的具体实施方式。

如图1所示，本发明提供了一种基于深度学习的2型糖尿病患者脑结构认 知障碍分类方法，包括：

提取标记脑认知障碍的全脑3D图像，进行脑剥离处理,获取脑认知障碍 对应的脑部区域图像，并划分训练集和测试集；

构建11层的3D CNN网络模型，并将作为训练集的脑部区域图像输入3D CNN网络模型中进行训练，调节网络参数与函数，至输出的结果为准确分类 结果为止，训练完成后将作为测试集的脑部区域图像输入3D CNN网络模型， 验证3D CNN网络模型的准确性；

将实时的全脑3D图像输入训练完成的3D CNN网络模型，通过网络模型 的计算，输出的结果作为对输入的全脑3D图像是否有认知障碍的分类结果。

其中，在获取脑认知障碍对应的脑部区域图像的步骤中，包括步骤：

通过图像处理手段获取全脑3D图像中脑结构的重心位置；

以脑结构的重心位置为坐标原点，构建空间三维坐标系，其中，Z轴为左 右半脑中心位置，并依据Z轴建立X轴和Y轴；

确定重心及坐标系后，在X轴方向上重心前32体素至重心后31体素共 64体素范围、Y轴方向上重心向下30体素到重心向下39体素之间共10个体 素范围、Z轴的重心左右64体素范围内，提取体素64*64*10的图像作为脑部 区域图像。

其中，在获取脑认知障碍对应的脑部区域图像的步骤之后，还包括训练集 数据增强的步骤；通过3D的旋转操作进行扩增为原先的10倍数据量。

其中，在获取脑认知障碍对应的脑部区域图像的步骤之后，还包括图像预 处理的步骤，包括：

灰度标准化，包括窗口宽度，窗口级别和像素归一化。

其中，通过训练曲线观察训练集和测试集的loss曲线，若呈现下降趋势, 则3DCNN网络模型学习成功率总体呈现上升趋势。

其中，在对训练好的网络的准确性进行判断的步骤中，通过LDH和FA 值评估2型糖尿病患者的认知障碍的发展程度。

其中，在获取脑认知障碍对应的脑部区域图像的步骤中，2型糖尿病脑衰 老所致认知障碍的脑影像标志物13个，包括处于白质微小结构发生异常改变 脑区的扣带回、右侧额叶、左侧顶叶、小脑蚓、双侧丘脑、右侧颞中回，及处 于功能连接减弱脑区的额叶、顶叶、颞叶、丘脑、基底节、小脑半球及脑干。

构建了11层的3d CNN网络,网络结构如下:

其中，通过训练曲线观察训练集和测试集的loss曲线，若呈现下降趋势, 则3DCNN网络模型学习成功率总体呈现上升趋势。如图2所示。

本发明率先揭示了T2DM脑衰老的易感基因位点。采用影像遗传学先进 理念和脑网络分析前沿技术，研究T2DM患者认知功能障碍的神经影像学 及遗传学机制，提取T2DM患者认知障碍的易感基因位点，发现2型糖尿 病患者认知功能障碍的发生与跨膜蛋白106B(TMEM106B)及纤溶酶原激活 物，尿激酶(PLAU)基因多态性密切相关。易感基因位点的发现可为T2DM 患者早期认知障碍的诊断及疗效监测提供生物学标记，有益于预测模型的构建，从而预防或延缓痴呆的发展，提高患者生活质量。

区别于现有技术，本发明提供了一种基于深度学习的2型糖尿病患者脑结 构认知障碍分类方法，包括：提取标记大脑认知障碍的大脑3D图像，进行脑 剥离处理,获取大脑认知障碍对应的脑部区域图像，并划分训练集和测试集； 构建11层的3D CNN网络模型，并将作为训练集的脑部区域图像输入3D CNN 网络模型中进行训练，调节网络参数与函数，至输出的结果为准确分类结果为 止，训练完成后将作为测试集的脑部区域图像输入3D CNN网络模型，验证 3D CNN网络模型的准确性；将实时的大脑3D图像输入训练完成的3D CNN 网络模型，通过网络模型的计算，输出的结果作为对输入的大脑3D图像是否 有认知障碍的分类结果。通过本发明，能够准确识别脑内结构对认知障碍的影 响。

上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述 的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本 领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保 护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。