阿尔茨海默病的临床数据的处理方法、系统、介质及装置与流程

技术特征：
1.一种阿尔茨海默病的临床数据的处理方法，其特征在于，包括以下步骤：从adni临床数据集基于第一预设规则获取包含脑部数据的三维影像数据；对所述三维影像数据进行颅骨剥离获得只包含脑质的脑三维影像数据；对所述脑三维影像数据按照第一采样规则进行重采样获得重采样影像数据；对所述重采样影像数据进行裁剪得到去除空白切片和图像边缘的最终影像数据；对所述最终影像数据进行归一化得到归一化后的影像数据；利用基于u-net的神经网络模型对归一化后的影像数据进行特征提取获得输出特征；使用全局池化操作对所述输出特征进行融合，得到全局特征；使用分类器对所述全局特征进行阿尔茨海默病的分类获得阿尔茨海默病分类结果；基于所述阿尔茨海默病分类结果通过反向传播的方法来计算三维影像数据中各个脑区域对阿尔茨海默病分类结果的影响程度，通过热度可视化方式进行展示。2.根据权利要求1所述的阿尔茨海默病的临床数据的处理方法，其特征在于所述对所述三维影像数据，进行颅骨剥离获得只包含脑质的脑三维影像数据包括：使用标准模板去除三维影像数据中的颅骨相关部分，从而获得仅含脑质相关部分的脑三维影像数据。3.根据权利要求1所述的阿尔茨海默病的临床数据的处理方法，其特征在于，所述对所述脑三维影像数据按照第一采样规则进行重采样获得重采样影像数据包括：通过第一采样公式或第二采样公式进行重采样获得重采样影像数据；所述第一采样公式为：p
(x，y，，z)
＝q(2x，2y，2z)其中，p
(x，y，，z)
表示通过第一采样公式进行重采样获得的坐标为(x，y，z)处的像素值，q(2x，2y，2z)表示脑三维影像数据的图像中坐标为(2x，2y，2z)处的像素值；所述第二采样公式为：p
(x，y，z)
＝q(2x 1，2y 1，2z 1)其中，p
(x，y，z)
表示通过第二采样公式进行重采样获得的坐标为(x，y，z)处的像素值，q(2x 1，2y 1，2z 1)表示脑三维影像数据的图像中坐标为(2x 1，2y 1，2z 1)处的像素值。4.根据权利要求1所述的阿尔茨海默病的临床数据的处理方法，其特征在于，所述对所述重采样影像数据进行裁剪得到去除空白切片和图像边缘的最终影像数据包括：以所述重采样影像数据的图像中心为原点以(64,104,80)单位像素为裁剪范围进行裁剪获得最终影像数据的图像，从而基于所述重采样影像数据的图像获得对应的最终影像数据。5.根据权利要求1所述的阿尔茨海默病的临床数据的处理方法，其特征在于，所述对所述最终影像数据进行归一化得到归一化后的影像数据包括：基于归一化公式对所述最终影像数据进行归一化得到归一化后的影像数据；所述归一化公式为；其中，p
(x，y，z)
表示归一化影像数据的图像中坐标为(x，y，z)处的像素值，op
(x，y，z)
表示最终影像数据的图像中坐标为(x，y，z)处的像素值，min(p)表示最终影像数据的图像中最小
的像素值，max(p)表示最终影像数据的图像中最大的像素值。6.根据权利要求1所述的阿尔茨海默病的临床数据的处理方法，其特征在于，所述利用基于u-net的神经网络模型对归一化后的影像数据进行特征提取以及分类获得输出特征包括：所述u-net神经网络模型包含八个卷积块，每个卷积块的通道数分别为4，16，32，64，64，32，16，8。并且每个卷积块包含一个卷积层用来提取特征；利用线性整流激活函数处理特征；利用批量标准化函数对特征进行归一化。7.根据权利要求1所述的阿尔茨海默病的临床数据的处理方法，其特征在于，使用全局池化操作对所述输出特征进行融合，得到全局特征包括：通过全局池化操作公式对所述输出特征进行融合，得到全局特征；所述全局池化操作公式为：f＝pooling(f
layer
|layer＝1，2，3)其中，f表示融合得到的全局特征，f
layer
表示第layer输出层提取的特征，pooling(
·
)是全局池化函数。8.根据权利要求1所述的阿尔茨海默病的临床数据的处理方法，其特征在于，使用分类器对所述全局特征进行阿尔茨海默病的分类获得阿尔茨海默病分类结果包括：所述分类器基于全局特征公式对对所述全局特征进行阿尔茨海默病的分类获得阿尔茨海默病分类结果；所述全局特征公式包括：其中c是病情的类别数目，c
k
为第k个类别，常见的类别有：k为1时正常(nc)，k为2时早期认知障碍(emci)，k为3时晚期认知障碍(lmci)和k为4时阿尔茨海默病(ad)；s
k
表示将影像分类到第k类的得分，s
i
表示将影像分类到第i类的得分。9.一种阿尔茨海默病的临床数据的处理系统，其特征在于，包括：获取模块、颅骨剥离模块、采样模块、裁剪模块、归一化模块、提取模块、融合模块、分类模块和可视化模块；所述获取模块用于从adni临床数据集基于第一预设规则获取只包含脑质数据的三维影像数据；所述颅骨剥离模块对所述三维影像数据进行颅骨剥离获得只包含脑质的脑三维影像数据；所述采样模块用于对所述脑三维影像数据按照第一采样规则进行重采样获得重采样影像数据；所述裁剪模块用于对所述重采样影像数据进行裁剪得到去除空白切片和图像边缘的最终影像数据；所述归一化模块用于对所述最终影像数据进行归一化得到归一化后的影像数据；所述提取模块用于利用基于u-net的神经网络模型对归一化后的影像数据进行特征提取获得输出特征；所述融合模块用于使用全局池化操作对所述输出特征进行融合，得到全局特征；
所述分类模块用于使用分类器对所述全局特征进行阿尔茨海默病的分类获得阿尔茨海默病分类结果；所述可视化模块用于基于所述阿尔茨海默病分类结果通过反向传播的方法来计算三维影像数据中各个脑区域对阿尔茨海默病分类结果的影响程度，通过热度可视化方式进行展示。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行，以实现权利要求1至7中任一项所述阿尔茨海默病的临床数据的处理方法。11.一种阿尔茨海默病的临床数据的处理装置，其特征在于，包括：处理器和存储器；所述存储器用于存储计算机程序；所述处理器与所述存储器相连，用于执行所述存储器存储的计算机程序，以使所述阿尔茨海默病的临床数据的处理装置执行权利要求1至7中任一项所述的阿尔茨海默病的临床数据的处理方法。

技术总结
本发明提供一种阿尔茨海默病的临床数据的处理方法、系统、介质及装置，包括获取只包含脑质数据的三维影像数据；按照第一采样规则进行重采样获得重采样影像数据；裁剪得到去除空白切片和图像边缘的零元素值的最终影像数据；归一化得到归一化后的影像数据；利用基于U-net的神经网络对处理完成的数据进行特征提取获得输出特征；对输出特征进行融合，得到全局特征；对全局特征进行阿尔茨海默病的分类获得阿尔茨海默病分类模型；通过反向传播的方法来计算图像中各部分对于阿尔茨海默病分类模型的诊断结果的影响程度，通过热度可视化方式展示。本发明用于对于阿尔茨海默病的临床数据进行分类，并可视化了模型在诊断过程中的对于脑区各个部分的关注程度。区各个部分的关注程度。区各个部分的关注程度。


技术研发人员：李萍 李尤 张亮 范中豪
受保护的技术使用者：迪莲娜（上海）大数据服务有限公司
技术研发日：2020.08.31
技术公布日：2022/3/18