[发明专利]一种面向MRI影像的帕金森病智能诊断分析方法

权利要求书

1.一种面向MRI影像的帕金森病智能诊断分析方法，其特征在于，包括如下步骤：

步骤1：获取医学影像数据的体素、空间间距、窗宽窗位信息，并进行可视化展示；

步骤1-1：从DICOM格式医学影像中读入MRI影像数据和DaT数据，对两种数据采用不同的特征提取方法提取特征；

步骤1-2：使用FSL-bet工具对MRI影像数据进行颅骨剥离预处理；

步骤1-3：获取医学影像的体素、空间间距、三维图像大小信息；

步骤1-4：展示读取的医学影像数据；

步骤2：病灶区域检测模块，使用YOLO v5模型对病灶区域进行检测，输出患病风险分数和病灶区域，并进行可视化展示；

步骤2-1：将MRI数据和DaT数据转换为PNG格式图像，对脑部MRI影像的红核黑质区域进行标注，将标注完成的脑部MRI影像数据划分为训练集，测试集和验证集；

步骤2-2：使用基于改进后的YOLOv5网络的定位模型完成脑部MRI影像红核黑质区域的定位；

所述基于改进后的YOLOv5网络的定位模型，包括输入端、改进后的Backbone模块、Neck模块、YOLO head模块与定位模块；所述输入端是Mosaic数据增强算法；所述改进后的Backbone模块包含Focus层、两组CBL和CSP_1、一组CBL和SPP；所述Neck模块包含FPN+PAN结构与两组CBL+CSP2_X；所述YOLO head模块包含两个尺度的检测头；所述定位模块包含非极大值抑制、IOU阈值判定、使用DIOU损失函数评价位置损失、使用BCE损失函数评价真实框和预测框的物体类别置信度损失；所述真实框是指脑部MRI影像红核黑质区域对应的最小外接矩形；

步骤2-3：把测试集输入到基于改进后的YOLOv5网络的定位模型中，完成对MRI影像中红核黑质区域定位，提取定位结果中预测框的相对位置信息；所述预测框是指由YOLOv5网络模型生成的矩形边框，用于将定位出的红核黑质区域在MRI影像中进行框选；

基于一维卷积神经网络的分类模型获取到预测框的相对位置信息，经过坐标转换与区域截取模块得到脑部MRI影像预测框内的红核黑质区域，定位了黑质区域并显示它是否健康；一维卷积神经网络模型将获取到的平均光谱值经一维卷积降维后，最终对黑质区域进行检测，并将mAP值作为网络预测患病的分数的一个评估指标，判断是否健康；

步骤2-4：使用基于YOLOV5的检测网络模型完成DaT数据红核黑质区域的定位；对红核黑质区域进行检测，并显示患病的分数，识别是否健康；

所述基于YOLOV5的检测网络模型包括主干backbone、Neck和输出模块output三个部分；所述主干backbone包括BottleneckCSP模块和Focus模块；所述BottleneckCSP模块用于增强整个卷积神经网络学习性能；所述Focus模块用于对图片进行切片操作，将输入通道扩充为原来的4倍，并经过一次卷积得到下采样特征图；所述Neck中采用了FPN与PAN结合的结构，将FPN层与自底向上的特征金字塔进行结合，将所提取的语义特征与位置特征进行融合，同时将主干层与检测层进行特征融合；所述输出模块output对图像特征进行预测，输出一个具有目标对象的类别概率、对象得分和该对象边界框的位置的向量；

步骤3：病灶区域分割模块，细化DaT图像特征，使用U-Net网络对纹状体区域进行分割，将特征区域分为右侧黑质定位到病变区域，并进行可视化展示；

步骤3-1：基于DaT数据，模型分别输出左右纹状体分割和识别结果；将DaT数据YOLOv5和U-Net两次预测结果结合起来进行判断；

步骤3-2：使用EfficientNetB4作为主干的UNET的预测结果；分割图有5个不同的类别：背景、健康的左侧纹状体、健康的右侧纹状体、不健康的左侧纹状体和不健康的右侧纹状体。