[发明专利]一种大脑影像智能分类方法、装置和设备

说明书

本申请公开了一种大脑影像智能分类方法、装置和设备，方法包括：将不同受试者之间所属同一脑区的体素数据按照行向量的形式依次排列，使得同一脑区中具有相同属性价值的体素数据组织在一起，考虑了同一脑区体素数据的空间联系以及不同脑区之间体素数据的差异；并提出一种能够融入到传统的计算机视觉分类流程中的注意力机制，将其应用在构造每个脑区所对应的基分类器过程中，通过对每个脑区进行集成得到AD分类模型，提升了集成分类模型的准确率和稳定性；并且本申请的模型基于脑区中的体素数据进行训练，对硬件资源的要求比使用深度学习的网络模型要低得多。从而解决了现有的阿尔兹海默症的识别技术无法兼顾识别准确率高且成本低的技术问题。

技术领域

本申请涉及生物技术领域，尤其涉及一种大脑影像智能分类方法、装置和设备。

背景技术

近年来，神经影像技术在大脑影像分类方面取得了惊人的成绩。以深度学习为代表的分析方法可以分为基于2D的卷积神经网络(CNN)识别方法和基于3D的CNN识别方法。其中，基于2DCNN的识别模型，虽然也能在大脑影像分类中取得不错的效果，但对三维MRI图像进行切片处理的方式，削弱了受试者大脑组织结构的空间联系，导致分类准确率较低。而基于3DCNN的识别方法虽然充分考虑了受试者脑组织结构的空间联系，但是其训练过程对硬件资源要求较高且计算成本开销也较大。

因此，提供一种分类准确率较高且成本较低的大脑影像分类方法、装置和设备是亟待解决的。

发明内容

本申请实施例提供了一种大脑影像智能分类方法、装置和设备，解决现有的大脑影像分类技术无法同时兼顾识别准确率高且成本低的技术问题。

有鉴于此，本申请第一方面提供了一种大脑影像智能分类方法，所述方法包括：

S1、获取K个受试者的三维MRI脑图像，将所述K个受试者中的x个所述三维MRI脑图像划分为训练集和测试集，并将所述K个受试者中的y个所述三维MRI脑图像作为验证集，所述K个受试者包括无AD受试者和患有AD受试者，其中，K、x、y均为正整数，且x+y≤K；

S2、对所述K个受试者的每个所述三维MRI脑图像进行归一化处理后，通过AAL脑区模板将每个所述三维MRI脑图像的大脑区域均划分为90个脑区，并将每个受试者的同一脑区的体素数据按照行向量的形式依次排列，得到90个体素特征数据集；

S3、基于相关系数计算公式，根据每个所述体素特征数据集的特征和对应的类别标签计算所述特征和类别标签的相关关系；并将所述相关关系代入到掩码权重计算公式中，计算得到所述体素特征数据集的掩码权重；基于注意力融合机制公式，根据所述掩码对所述体素特征数据进行融合，得到每个脑区的体素向量集；

S4、基于分类算法，根据每个脑区的所述体素向量集分别构建每个脑区的基分类器；

S5、通过所述训练集对每个脑区的基分类器进行训练后，并通过所述验证集筛选出与AD的相关性符合第一预置相关系数值的若干个第一基分类器，基于投票法根据所述测试集对所述若干个第一基分类器进行集成，得到AD分类模型。

可选地，步骤S2之后，还包括：

基于所述相关系数计算公式，分别计算每个脑区的所述体素特征数据集的与所述体素特征数据集对应的类别标签向量的第一相关系数；

根据每个脑区的第一相关系数的绝对值，筛选出符合第二预置相关系数值的体素特征数据集。

可选地，步骤S2之前，还包括：

对所述K个受试者的每个所述所述三维MRI脑图像进行预处理操作，所述预处理操作包括：去头骨、配准到MNI标准空间、图像平滑。

可选地，所述将所述K个受试者中的x个所述三维MRI脑图像划分为训练集和测试集，具体包括：