[发明专利]一种基于多模态数据对阿尔茨海默病进行分类诊断的系统

权利要求书

1.一种基于多模态数据对阿尔茨海默病进行分类诊断的系统，其特征在于，包括：

图形用户界面模块，用于以图形的方式给用户呈现程序功能调用的接口，供用户使用；

3D MRI图像数据预处理模块，用于对患者的3D MRI图像进行预处理，从3D数据中选出2D切片，以供后续图像数据分类预测模块进行处理；

图像数据分类预测模块，用于对经过3D MRI图像数据预处理模块后得到的2D切片进行特征提取，通过提取的特征进行分类预测，给出患者三种状态的概率，三种状态分别为阿尔茨海默病AD、轻度认知障碍MCI、正常NC；

非图像数据分类预测模块，用于对患者的非图像数据进行分类预测，给出患者上述三种状态的概率；其中，所述非图像数据包括问卷、体检指标；

基于概率的集成模块，用于对上述两个分类预测模块给出的三种状态的概率进行集成，给出一个三种状态概率的最终预测结果；

所述3D MRI图像数据预处理模块包括3D MRI图像数据读取模块、2D切片熵计算模块、基于熵值的切片选择模块，其中：

所述3D MRI图像数据读取模块让程序从设备中读取.nii后缀格式的3DMRI文件；

所述2D切片熵计算模块对读取的3D MRI图像的每一个切片进行熵值计算，计算公式为其中，E是切片的熵值，pi是切片中某种像素出现的概率，且在计算时用频率代替概率；

所述基于熵值的切片选择模块根据每个切片的熵值进行排序，在信息论中熵值能够反映系统的信息量，熵值越大蕴含的信息量就大，因此，所述切片选择模块最终选择熵值最大的若干张切片，默认为32张，用户能够自行设置张数；

所述图像数据分类预测模块包括神经网络特征提取模块、特征分类模块，其中：

所述神经网络特征提取模块从2D图像数据进行特征提取，以供特征分类模块进行分类，所述神经网络特征提取模块会使用多种不同的卷积神经网络模型进行特征提取，有DenseNet、Inception V4、VGG 16；

所述特征分类模块接收神经网络提取的特征，利用全连接神经网络和Softmax函数进行三种状态的概率计算；

所述基于概率的集成模块接收图像数据分类预测模块和非图像数据分类预测模块给出的结果，基于它们的预测概率进行归一化后，分别根据它们在训练时达到的准确率进行加权求和，给出最终的预测结果；其中，归一化并加权求和的方法如下：

归一化：对于每个分类预测模块给出来的三类概率预测值向量p₁、p₂、p₃，选出其中的最大值p_max，把每个概率都除以该最大值，这步操作会在每个分类预测模块所给出的概率预测进行；

加权求和：多个三类概率预测值向量归一化后，乘以对应分类预测模块在训练过程中的准确率，然后进行向量相加；

所有向量相加后得到一个最终的向量p₁、p₂、p₃，该向量的每个元素都除以(p₁+p₂+p₃)，就得到最终的概率预测。

2.根据权利要求1所述的一种基于多模态数据对阿尔茨海默病进行分类诊断的系统，其特征在于：所述图形用户界面模块包括预训练模型选择模块、数据集选择模块、模型训练参数设置模块、已训练模型选择模块，其中：

所述预训练模型选择模块从设备中选择预训练模型权重，然后对所拥有的数据进行模型权重调整训练；

所述数据集选择模块从设备中选择特定的数据集以供模型权重调整训练；

所述模型训练参数设置模块用于对模型权重调整训练时的参数进行设置，参数包括批大小、训练轮数；

所述已训练模型选择模块从设备中选择已进行权重调整训练后的模型，对待预测的数据进行分类预测。

3.根据权利要求1所述的一种基于多模态数据对阿尔茨海默病进行分类诊断的系统，其特征在于：所述非图像数据分类预测模块包括数据清洗模块、分类模块，其中：

所述数据清洗模块用于对非图像数据进行清洗，去除或根据统计数据补全字段缺失的数据；

所述分类模块用于对非图像数据进行分类，使用XGBoost工具进行三种状态的概率计算。