[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

说明书

本发明公开了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，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；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；图像数据分类预测模块，用于对2D切片进行特征提取，并进行分类预测，给出患者三种状态(阿尔茨海默病、轻度认知障碍、正常)的概率；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，给出患者三种状态的概率；基于概率的集成模块，用于给出一个三种状态概率的最终预测结果。本发明在多模态(图像、非图像)数据情境下对阿尔茨海默病患者进行精准分类预测，辅助医疗工作者进行诊断和治疗。

技术领域

本发明涉及阿尔茨海默病医疗诊断设备的技术领域，尤其是指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。

背景技术

阿尔茨海默病(Alzheimer’s Disease，简称AD)是一种神经退化性疾病，俗称老年痴呆症。轻度认知功能障碍(Mild Cognitive Impairment,简称MCI)是介于正常老化和轻度AD之间的认知缺损状态，但未达到AD的诊断标准。

目前临床诊断早期AD及AD相关性MCI缺乏可靠指标,多数患者确诊时已属AD中晚期，此时治疗疗效不佳。因此对AD及AD相关性MCI患者早期诊断与早期干预尤为重要。

核磁共振成像(Magnetic Resonance Imaging,简称MRI)是广泛用于AD的诊断的神经成像方法。本发明基于深度学习方法分析MCI/AD患者的MRI数据和非图像的体检数据构建分类诊断模型，辅助医生分析病情、诊断。本课题研究成果应用于临床可使AD及AD相关性MCI患者进行早期诊断和干预，为患者家庭及社会减轻巨大负担。

技术基础在于，首先，关于AD的分类研究已有先例，对AD特征的提取为降低数据维度和提升模型准确率也有一定成果，为本项目研究AD与MCI的诊断分类模型提供了依据。

深度学习是机器学习的一个分支。它通过在给定的数据集上训练模型来完成新数据上的特定任务。相对于传统的医学图像识别方法，深度学习能够挖掘到医学图像中潜在的非线性关系，特征提取率更高。根据许多实验数据，深度学习的结果确实比其他方法的结果更准确。近年来，深度学习越来越多地被应用在医学图像识别中，并为进一步的临床应用研究提供了重要的依据。

以基于深度学习的心脏核磁共振影像分析为核心技术的一款心脏核磁共振影像AI分析软件已经获得FDA510(k)与欧洲的CE认证与批准。这表明深度学习的方法在临床预测与分类方面是可行的。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提出了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，在多模态(图像、非图像)数据情境下对阿尔茨海默病患者进行分类预测，辅助医疗工作者进行诊断和治疗。

为实现上述目的，本发明所提供的技术方案为：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，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。