[发明专利]一种基于卷积神经网络的核磁共振图像处理装置与方法

说明书

一种基于卷积神经网络的核磁共振图像处理装置与方法。涉及对海马体的海马头，CA1,CA2,CA3,CA4/齿状回，海马伞和海马尾进行计算机辅助识别的方法，利用人工智能的深度学习的卷积神经网络实现对正常老年组、在临床上确诊为遗忘型轻度认知损害和在临床上确诊为阿尔兹海默病的三种情况进行三分类的分类方法，利用正常老年组、在临床上确诊为遗忘型轻度认知损害和在临床上确诊为阿尔兹海默病的核磁共振的影像数据确定人工智能的深度学习的训练集、验证集和测试集，可以利用选取二维切片来将核磁共振的三维数据转化为二维数据。

技术领域

本发明涉及一种基于卷积神经网络的核磁共振图像处理装置与方法，特别地，涉及基于深度学习的卷积神经网络的利用头颅的核磁共振成像进行阿尔兹海默病、遗忘型轻度认知损害和正常老年组的两两之间的判别的图像处理与分析的装置与方法。

背景技术

阿尔兹海默病是一种神经退行性疾病。已有的研究工作已经证实，在头颅的核磁共振成像的影像文件中，尽管每个受试者的核磁共振成像的影像数据存在个体差异，在生物统计学的意义上，阿尔兹海默病、遗忘型轻度认知损害和正常老年组的三个类别存在核磁共振成像的影像数据的三个类别之间的差异。利用人工智能的机器学习的深度学习的方法利用头颅的核磁共振成像的影像数据对阿尔兹海默病、遗忘型轻度认知损害和正常老年组进行计算机辅助识别可以为临床医生提供参考意见，提高临床医生的工作效率。

现有技术中有利用人工智能的深度学习对头颅的核磁共振成像的三维的影像数据进行阿尔兹海默病、遗忘型轻度认知损害和正常老年组进行计算机辅助识别的文献，见预印本网站的arXiv:1607.00556v1。但是，该文献仅对头颅的核磁共振成像的三维的体素数据进行处理，使用的技术方案是三维卷积自编码器。由于需要对每一位受试者的头颅的核磁共振成像的所有的三维的体素数据进行处理，该技术方案需要巨大的运算量，即使使用高性能计算机或高性能计算机集群，该技术方案也很难甚至不可能在临床上使用。另外，临床的普通扫描的头颅的核磁共振成像的影像数据是20张到40张二维的切片的图像数据，上述的arXiv:1607.00556v1的文献中的方法无法用于临床的普通扫描的头颅的核磁共振成像的影像数据。

发明内容

本发明就是针对现有技术中存在的问题提出的。

本发明提出了一种基于卷积神经网络的核磁共振图像处理装置，该装置包括，用于存储图像预处理的程序、人工智能的深度学习的程序和头颅的核磁共振成像的图像数据的存储介质，利用人工智能的深度学习对头颅的核磁共振成像的图像数据进行处理和分析的计算机主机或计算机集群，用于显示图像预处理的程序、人工智能的深度学习的程序、各种头颅的核磁共振成像的图像数据和各种程序的运行过程和运行结果的显示装置，

其特征在于：上述装置能够实现对任意给定的数量的正常老年组、遗忘型轻度认知损害和阿尔兹海默病的受试者的三维的头颅的核磁共振成像的图像数据的任意给定的数量的二维切片实现人工智能的深度学习的卷积神经网络的监督学习，根据上述的对任意给定的数量的正常老年组、遗忘型轻度认知损害和阿尔兹海默病的受试者的三维的头颅的核磁共振成像的图像数据的二维切片进行人工智能的深度学习的卷积神经网络的监督学习所得到的深度学习的神经网络模型，利用任意给定的数量的待识别的受试者的三维的头颅的核磁共振成像的图像数据的任意给定的数量的二维切片对上述的待识别的受试者进行正常老年组、遗忘型轻度认知损害和阿尔兹海默病的三分类的区分识别。

本发明提出了一种基于卷积神经网络的核磁共振图像处理方法，上述方法使用的装置包括，用于存储图像预处理的程序、人工智能的深度学习的程序和头颅的核磁共振成像的图像数据的存储介质，利用人工智能的深度学习对头颅的核磁共振成像的图像数据进行处理和分析的计算机主机或计算机集群，用于显示图像预处理的程序、人工智能的深度学习的程序、各种头颅的核磁共振成像的图像数据和各种程序的运行过程和运行结果的显示装置，