【技術實現步驟摘要】
本專利技術屬于醫學圖像處理和分析領域，具體涉及基于生成影像數據進行的主觀認知下降狀態檢測的方法。
技術介紹
1、阿爾茨海默病(ad)是一種不可逆的神經退行性疾病，主觀認知下降(scd)被認為是ad最早期的臨床階段，scd患者在數年內可能進展為輕度認知障礙(mci)甚至ad，因此，盡早識別處于進展中的scd患者并及時干預顯得尤為重要。
2、通過多種神經影像技術可以檢測scd患者的病情狀態。磁共振成像(mri)和正電子發射斷層掃描(pet)是其中兩種關鍵技術，它們提供互補的結構和功能腦部數據，已成為探測scd患者大腦異常的有效手段。然而，獲取全面的多模態神經影像數據(尤其是pet數據)仍面臨巨大挑戰，主要由于pet成像費用昂貴且患者對輻射存在顧慮。因此，如何低成本地補全缺失的影像數據，已成為scd進展診斷中亟待解決的關鍵問題。
3、當前scd進展診斷方法受限于神經影像數據的可用性，主要依賴單一的mri模態，難以充分利用多模態神經影像的互補信息。此外，現有的深度學習模型在處理三維神經影像時，常常難以準確提取其復雜特征，這主要是由于神經影像數據的多維性和復雜性。
技術實現思路
1、針對上述問題，本專利技術提出了基于生成影像數據進行的主觀認知下降狀態檢測的方法，能夠從現有的mri圖像生成高質量的pet圖像，補全缺失的影像模態，從而為診斷提供更全面的輔助信息，提升診斷的準確性。同時，為了提高深度學習模型的特征提取能力，本專利技術引入了三域注意力機制，通過整合圖像域、通道
2、基于生成影像數據進行的主觀認知下降進展預測的方法，包括以下步驟：
3、步驟1、基于公開的阿爾茨海默病數據集，獲取影像生成樣本和疾病狀態檢測樣本兩個數據集。
4、在阿爾茨海默病神經影像學計劃(adni)公開數據庫中，篩選并獲取了符合標準的患者磁共振成像(mri)影像數據和正電子發射斷層成像(pet)影像數據，同時基于臨床評估及主觀心理測評分數(如簡易精神量表)確定了患者的疾病狀態分類標簽。
5、通過以上步驟，得到影像生成樣本和疾病狀態檢測樣本兩個數據集。其中影像生成樣本數據集包含匹配的mri和pet影像對，而疾病狀態檢測樣本數據集包含患者的疾病狀態分類標簽和mri影像。
6、步驟2、針對影像生成樣本和疾病狀態檢測樣本兩個數據集中的影像數據，進行預處理。
7、本專利技術針對影像生成樣本數據集和疾病狀態檢測樣本數據集中的影像數據，提出了一系列標準化的預處理流程。首先，對所有mri和pet影像使用synthstrip軟件進行顱骨剝離處理。隨后，對mri圖像使用freesurfer軟件進行強度不均勻性校正。接著，通過剛性配準將每個pet圖像與其對應的mri圖像進行空間匹配。然后，采用高級配準工具(advancednormalization?tools,ants)將所有mri和pet圖像標準化至蒙特利爾神經研究所(montreal?neurological?institute,mni)空間，以確保每對mri和pet圖像在空間上的一致性。
8、在完成上述預處理步驟后，所有mri和pet圖像被重采樣至mni模板大小(182×218×182體素)，并設置各向同性分辨率為1毫米。經過這些處理和歸一化的影像數據能夠保證不同患者間影像信息的可比性，從而為后續深度學習模型提供標準化的輸入數據。
9、步驟3、構建影像生成深度學習模型，使用預處理后的影像生成樣本數據集作為輸入數據，訓練影像生成模型。
10、步驟3所構建的影像生成模型，采用了三維條件生成對抗網絡(3d?conditionalgan)作為基礎模型。該模型包含生成器和判別器兩個主要組件。生成器采用了帶有跳躍連接的u-net框架，并引入了三重注意力機制，以增強特征提取能力和整體性能。同樣地，基于卷積神經網絡(cnn)架構的判別器也加入了三重注意力機制，從而提高了區分真實圖像與合成圖像的能力，并增強了對抗訓練的效果。
11、生成器采用編碼層-中間層-解碼層的u型路徑結構，共包括1層編碼層、7層中間層和1層解碼層。編碼層包含1個泄漏relu層和1個卷積層，用于增大輸入特征通道數。每個中間層由下采樣模塊和上采樣模塊組成，下采樣模塊包括泄漏relu層、卷積層和實例歸一化層，上采樣模塊由relu層、反卷積層和實例歸一化層構成。同一中間層的上下采樣模塊通過跳躍連接相連。數據首先通過各層進行下采樣，然后逐層上采樣返回。最后2到5級中間層集成了三重注意力模塊，以進一步提升模型性能。解碼層以泄漏relu層開始，隨后通過反卷積層將特征通道數還原至原始大小，并使用tanh激活層輸出最終結果。
12、判別器由5個下采樣層組成，每層都包含1個卷積層、1個實例歸一化層和1個泄漏relu激活層；第4層加入了三重注意力模塊，用于增強模型性能。第5層添加了1個額外的卷積層，用于將特征通道數還原至原始大小，生成最終的判別結果。
13、在模型設計中，使用多種損失函數優化訓練影像生成模型，通過捕捉復雜關系以及確保源模態與目標模態之間的一致性來提升生成圖像質量，包括gan損失、特征匹配損失、腦區rmse損失和焦點頻率損失等。gan損失作為核心組件，設計了條件gan損失函數，作為基礎損失函數；特征匹配損失用于穩定訓練過程，減少生成器和判別器之間的不一致性；腦區rmse損失通過計算經過掩碼處理的生成圖像與目標圖像之間的均方根誤差(rmse)，集中誤差計算于腦區，排除無關的背景噪聲；焦點頻率損失則為了解決頻率域中的缺失問題，擴展到三維空間，自適應地強調難以合成的頻率分量，并通過保留神經網絡難以捕捉的重要頻率信息，補充現有的空間損失。最終的目標函數可以用以下的公式表述：
14、
15、其中，g和d分別代表生成器和判別器。lcgan(g,d)和λadv為條件gan損失及其權重系數。l2(d)和μd為判別器l2正則化損失及其權重系數。ll1(g)和λl1為生成器的l1損失及其權重系數。lfm(g,d)和λfm為特征匹配損失及其權重系數。lb-rmse(g)和λb-rmse為腦區rmse損失及其權重系數。lff(g,d)和λff為焦點頻率損失及其損失函數。l2(g)和μg為生成器l2正則化損失及其權重系數。
16、使用經過之前經過預處理的影像生成樣本數據集作為輸入數據，訓練影像生成模型若干輪次，直至模型收斂。
17、步驟4、使用訓練后的影像生成模型，補全疾病狀態檢測樣本數據集。
18、使用上一步訓練得到的影像生成模型，為疾病狀態檢測樣本數據集中的mri影像生成對應的pet影像，從而補全疾病狀態檢測樣本數據集。工作過程可用以下公式表述：
19、
20、其中代表基于輸入mri影像xm生成的pet影像。im和ip分別代表mri影像的域和pet影像的域。是構建的從mri影像生成本文檔來自技高網...
【技術保護點】
1.基于生成影像數據進行的主觀認知下降狀態檢測的方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于生成影像數據進行的主觀認知下降狀態檢測的方法，其特征在于，所述步驟1具體實現過程如下：
3.根據權利要求2所述的基于生成影像數據進行的主觀認知下降狀態檢測的方法，其特征在于，步驟2所述預處理具體過程如下：
4.根據權利要求1所述的基于生成影像數據進行的主觀認知下降狀態檢測的方法，其特征在于，所述影像生成模型具體實現過程如下：
5.根據權利要求4所述的基于生成影像數據進行的主觀認知下降狀態檢測的方法，其特征在于，所述生成器采用編碼層-中間層-解碼層的U型路徑結構，共包括1層編碼層、7層中間層和1層解碼層；
6.根據權利要求5所述的基于生成影像數據進行的主觀認知下降狀態檢測的方法，其特征在于，所述步驟4具體實現過程如下：
7.根據權利要求6所述的基于生成影像數據進行的主觀認知下降狀態檢測的方法，其特征在于，所述驟5具體實現過程如下：
【技術特征摘要】
1.基于生成影像數據進行的主觀認知下降狀態檢測的方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于生成影像數據進行的主觀認知下降狀態檢測的方法，其特征在于，所述步驟1具體實現過程如下：
3.根據權利要求2所述的基于生成影像數據進行的主觀認知下降狀態檢測的方法，其特征在于，步驟2所述預處理具體過程如下：
4.根據權利要求1所述的基于生成影像數據進行的主觀認知下降狀態檢測的方法，其特征在于，所述影像生成模型具體實...
【專利技術屬性】
技術研發人員：盛錦華，朱豪迪，張巧，辛雨，
申請(專利權)人：杭州電子科技大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。