基于脑影像预测早期阿尔茨海默症类型的处理方法和装置与流程

1.本发明涉及数据处理技术领域，特别涉及一种基于脑影像预测早期阿尔茨海默症类型的处理方法和装置。


背景技术：

2.轻度认知障碍(mild cognitive impairment,mci)分为遗忘型(amnestic mci,amci)和非遗忘型(non-amnestic mci,namci)两种，其中amci是一种发生于早期阿尔茨海默症(alzheimer's disease,ad)之前的认知功能障碍综合征，是介于正常老龄化和早期阿尔茨海默症之间的一种过渡阶段。目前基于脑影像技术可对遗忘型轻度认知障碍和早期阿尔茨海默症进行较为准确的识别，但这个识别过程需要人力因素的介入，也就是说老人或老人家属需要定期拿着相关脑影像去医院挂号、排队、问诊，这对行动不便的老人或者老人家属而言都是很不方便的。


技术实现要素：

3.本发明的目的，就是针对现有技术的缺陷，提供一种基于脑影像预测早期阿尔茨海默症类型的处理方法、装置和电子设备，通过数据增强模型对多类脑影像(常规t2结构成像、全脑3d快速脑结构高分辨成像)进行图像增强和去噪得到对应的多类增强影像，并通过特征提取模型对多类增强影像进行特征提取与融合处理得到对应的全脑结构特征，并通过认知障碍分类预测模型根据预设的正常人群脑影像结构特征常模、遗忘型轻度认知障碍人群脑影像结构特征常模和非遗忘型轻度认知障碍人群脑影像结构特征常模对得到的全脑结构特征进行分类预测得到对应的预测类型(正常类型、amci类型、namci类型)，并在预测类型为amci类型时进一步使用早期阿尔茨海默症分类预测模型根据预设的正常人群脑影像结构特征常模和早期阿尔茨海默症人群脑影像结构特征常模对全脑结构特征进行分类预测得到对应的预测类型(正常类型、早期ad类型)。本发明通过对脑影像技术和人工智能模型技术进行结合给出了一种基于预设的多类脑影像结构特征模板(常模)对当前获得的脑影像进行amci和早期ad预测的数据处理机制，通过本发明可以提高预测便捷度和预测效率。
4.为实现上述目的，本发明实施例第一方面提供了一种基于脑影像预测早期阿尔茨海默症类型的处理方法，所述方法包括：
5.接收第一脑影像集合；所述第一脑影像集合包括第一类、第二类脑影像；所述第一类脑影像为常规t2结构成像，所述第二类脑影像为全脑3d快速脑结构高分辨成像；
6.基于预设的数据增强模型对所述第一类、第二类脑影像进行脑影像预处理生成对应的第一类、第二类增强影像；
7.基于预设的特征提取模型对所述第一类、第二类增强影像分别进行全脑三维结构特征提取处理并对得到的两个提取特征进行特征融合处理生成对应的第一全脑结构特征图；
8.基于预设的认知障碍分类预测模型根据预设的正常人群脑影像结构特征常模、遗忘型轻度认知障碍人群脑影像结构特征常模和非遗忘型轻度认知障碍人群脑影像结构特征常模对所述第一全脑结构特征图进行分类预测处理生成对应的第一分类向量；所述第一分类向量包括第一、第二、第三分类概率；所述第一分类概率对应的预测类型为正常类型，所述第二分类概率对应的预测类型为遗忘型轻度认知障碍类型，所述第三分类概率对应的预测类型为非遗忘型轻度认知障碍类型；
9.当所述第二分类概率为所述第一、第二、第三分类概率中的最大分类概率且超过了预设的第一概率阈值时，基于预设的早期阿尔茨海默症分类预测模型根据预设的正常人群脑影像结构特征常模和早期阿尔茨海默症人群脑影像结构特征常模对所述第一全脑结构特征图进行分类预测处理生成对应的第二分类向量；所述第二分类向量包括第四、第五分类概率；所述第四分类概率对应的预测类型为正常类型，所述第五分类概率对应的预测类型为早期阿尔茨海默症类型；
10.根据所述第一、第二分类向量进行预测数据输出处理。
11.优选的，所述第一类脑影像为一个2d切片图像序列由多个不同深度的2d切片图像组成；所述第二类脑影像为一个3d图像；
12.所述第一类增强影像为一个2d切片图像序列由多个不同深度的2d增强切片图像组成；所述第二类增强影像为一个3d增强图像；
13.所述数据增强模型包括第一数据增强网络和第二数据增强网络；所述第一、第二数据增强网络基于自动编码机网络实现；
14.所述特征提取模型包括第一特征提取网络、第二特征提取网络和第一特征融合模块；所述第一特征提取网络包括第一2d卷积神经网络和第一长短期记忆网络；所述第二特征提取网络包括第一平面切分单元、第二2d卷积神经网络和第二长短期记忆网络；
15.所述认知障碍分类预测模型包括第一、第二和第三全连接网络和对应的第一、第二和第三激活函数；所述第一全连接网络与所述第一激活函数连接；所述第二全连接网络与所述第二激活函数连接；所述第三全连接网络与所述第三激活函数连接；
16.所述早期阿尔茨海默症分类预测模型包括第四、第五全连接网络和对应的第四、第五激活函数；所述第四全连接网络与所述第四激活函数连接；所述第五全连接网络与所述第五激活函数连接。
17.优选的，所述基于预设的数据增强模型对所述第一类、第二类脑影像进行脑影像预处理生成对应的第一类、第二类增强影像，具体包括：
18.基于所述数据增强模型的所述第一数据增强网络对所述第一类脑影像的各个2d切片图像分别进行2d图像噪声消除和对比度及亮度调节处理生成对应的2d增强切片图像，并由得到的所有所述2d增强切片图像按对应深度排序组成对应的所述第一类增强影像；
19.基于所述数据增强模型的所述第二数据增强网络对所述第二类脑影像进行3d图像噪声消除和对比度及亮度调节处理生成对应的3d增强图像，并将得到的所述3d增强图像作为对应的所述第二类增强影像。
20.优选的，所述基于预设的特征提取模型对所述第一类、第二类增强影像分别进行全脑三维结构特征提取处理并对得到的两个提取特征进行特征融合处理生成对应的第一全脑结构特征图，具体包括：
21.将所述第一类增强影像输入所述特征提取模型的所述第一特征提取网络，由所述第一2d卷积神经网络对所述第一类增强影像的各个2d增强切片图像进行2d图像特征提取处理生成对应的形状为1
×
h1×
w1×
c1的第一切片特征图并由得到的所有所述第一切片特征图组成对应的形状为d1×
h1×
w1×
c1的第一特征图，并由所述第一长短期记忆网络对所述第一特征图按深度方向进行深度特征提取处理得到对应的形状为d1×
h1×
w1×
c1的第二特征图；d1、h1、w1、c1分别为所述第一切片特征图的深度维度参数、高度维度参数、宽度维度参数和通道维度参数；
22.将所述第二类增强影像输入所述特征提取模型的所述第二特征提取网络，由所述第一平面切分单元沿着深度方向根据预设的单位深度对所述第二类增强影像进行2d平面切分处理生成对应的第一平面图，并由所述第二2d卷积神经网络对各个所述第一平面图进行2d图像特征提取处理生成对应的形状为1
×
h2×
w2×
c2的第一平面特征图并由得到的所有所述第一平面特征图组成对应的形状为d2×
h2×
w2×
c2的第三特征图，并由所述第二长短期记忆网络对所述第三特征图按深度方向进行深度特征提取处理得到对应的形状为d2×
h2×
w2×
c2的第四特征图；d2、h2、w2、c2分别为所述第一平面特征图的深度维度参数、高度维度参数、宽度维度参数和通道维度参数，d2＝d1、h2＝h1、w2＝w1；
23.将所述第二特征图和所述第四特征图输入所述特征提取模型的所述第一特征融合模块进行特征融合处理得到对应的所述第一全脑结构特征图；所述第一全脑结构特征图的形状为d3×
h3×
w3×
c3，d3、h3、w3、c3分别为所述第一全脑结构特征图的深度维度参数、高度维度参数、宽度维度参数和通道维度参数，d3＝d1、h3＝h1、w3＝w1。
24.优选的，所述基于预设的认知障碍分类预测模型根据预设的正常人群脑影像结构特征常模、遗忘型轻度认知障碍人群脑影像结构特征常模和非遗忘型轻度认知障碍人群脑影像结构特征常模对所述第一全脑结构特征图进行分类预测处理生成对应的第一分类向量，具体包括：
25.将所述第一全脑结构特征图分别输入所述认知障碍分类预测模型的所述第一、第二和第三全连接网络，由所述第一全连接网络对所述第一全脑结构特征图与所述正常人群脑影像结构特征常模进行全连接差分计算得到对应的第一特征向量，并由所述第二全连接网络对所述第一全脑结构特征图与所述遗忘型轻度认知障碍人群脑影像结构特征常模进行全连接差分计算得到对应的第二特征向量，并由所述第三全连接网络对所述第一全脑结构特征图与所述非遗忘型轻度认知障碍人群脑影像结构特征常模进行全连接差分计算得到对应的第三特征向量；
26.将所述第一、第二和第三特征向量分别输入所述认知障碍分类预测模型的所述第一、第二和第三激活函数，由所述第一激活函数对所述第一特征向量进行函数计算得到对应的所述第一分类概率，并由所述第二激活函数对所述第二特征向量进行函数计算得到对应的所述第二分类概率，并由所述第三激活函数对所述第三特征向量进行函数计算得到对应的所述第三分类概率；
27.由得到的所述第一、第二、第三分类概率组成对应的所述第一分类向量。
28.优选的，所述基于预设的早期阿尔茨海默症分类预测模型根据预设的正常人群脑影像结构特征常模和早期阿尔茨海默症人群脑影像结构特征常模对所述第一全脑结构特征图进行分类预测处理生成对应的第二分类向量，具体包括：
29.将所述第一全脑结构特征图分别输入所述早期阿尔茨海默症分类预测模型的所述第四、第五全连接网络，由所述第四全连接网络对所述第一全脑结构特征图与所述正常人群脑影像结构特征常模进行全连接差分计算得到对应的第四特征向量，并由所述第五全连接网络对所述第一全脑结构特征图与所述早期阿尔茨海默症人群脑影像结构特征常模进行全连接差分计算得到对应的第五特征向量；
30.将所述第四、第五特征向量分别输入所述早期阿尔茨海默症分类预测模型的所述第四、第五激活函数，由所述第四激活函数对所述第四特征向量进行函数计算得到对应的所述第四分类概率，并由所述第五激活函数对所述第五特征向量进行函数计算得到对应的所述第五分类概率；
31.由得到的所述第四、第五分类概率组成对应的所述第二分类向量。
32.本发明实施例第二方面提供了一种用于实现上述第一方面所述的基于脑影像预测早期阿尔茨海默症类型的处理方法的装置，所述装置包括：数据接收模块、预处理模块、特征提取模块、第一分类预测模块、第二分类预测模块和数据输出模块；
33.所述数据接收模块用于接收第一脑影像集合；所述第一脑影像集合包括第一类、第二类脑影像；所述第一类脑影像为常规t2结构成像，所述第二类脑影像为全脑3d快速脑结构高分辨成像；
34.所述预处理模块用于基于预设的数据增强模型对所述第一类、第二类脑影像进行脑影像预处理生成对应的第一类、第二类增强影像；
35.所述特征提取模块用于基于预设的特征提取模型对所述第一类、第二类增强影像分别进行全脑三维结构特征提取处理并对得到的两个提取特征进行特征融合处理生成对应的第一全脑结构特征图；
36.所述第一分类预测模块用于基于预设的认知障碍分类预测模型根据预设的正常人群脑影像结构特征常模、遗忘型轻度认知障碍人群脑影像结构特征常模和非遗忘型轻度认知障碍人群脑影像结构特征常模对所述第一全脑结构特征图进行分类预测处理生成对应的第一分类向量；所述第一分类向量包括第一、第二、第三分类概率；所述第一分类概率对应的预测类型为正常类型，所述第二分类概率对应的预测类型为遗忘型轻度认知障碍类型，所述第三分类概率对应的预测类型为非遗忘型轻度认知障碍类型；
37.所述第二分类预测模块用于当所述第二分类概率为所述第一、第二、第三分类概率中的最大分类概率且超过了预设的第一概率阈值时，基于预设的早期阿尔茨海默症分类预测模型根据预设的正常人群脑影像结构特征常模和早期阿尔茨海默症人群脑影像结构特征常模对所述第一全脑结构特征图进行分类预测处理生成对应的第二分类向量；所述第二分类向量包括第四、第五分类概率；所述第四分类概率对应的预测类型为正常类型，所述第五分类概率对应的预测类型为早期阿尔茨海默症类型；
38.所述数据输出模块用于根据所述第一、第二分类向量进行预测数据输出处理。
39.本发明实施例第三方面提供了一种电子设备，包括：存储器、处理器和收发器；
40.所述处理器用于与所述存储器耦合，读取并执行所述存储器中的指令，以实现上述第一方面所述的方法步骤；
41.所述收发器与所述处理器耦合，由所述处理器控制所述收发器进行消息收发。
42.本发明实施例提供了一种基于脑影像预测早期阿尔茨海默症类型的处理方法、装
置和电子设备，通过数据增强模型对多类脑影像(常规t2结构成像、全脑3d快速脑结构高分辨成像)进行图像增强和去噪得到对应的多类增强影像，并通过特征提取模型对多类增强影像进行特征提取与融合处理得到对应的全脑结构特征，并通过认知障碍分类预测模型根据预设的正常人群脑影像结构特征常模、遗忘型轻度认知障碍人群脑影像结构特征常模和非遗忘型轻度认知障碍人群脑影像结构特征常模对得到的全脑结构特征进行分类预测得到对应的预测类型(正常类型、amci类型、namci类型)，并在预测类型为amci类型时进一步使用早期阿尔茨海默症分类预测模型根据预设的正常人群脑影像结构特征常模和早期阿尔茨海默症人群脑影像结构特征常模对全脑结构特征进行分类预测得到对应的预测类型(正常类型、早期ad类型)。本发明通过对脑影像技术和人工智能模型技术进行结合给出了一种基于预设的多类脑影像结构特征模板(常模)对当前获得的脑影像进行amci和早期ad预测的数据处理机制，通过本发明提高了预测便捷度和预测效率。
附图说明
43.图1为本发明实施例一提供的一种基于脑影像预测早期阿尔茨海默症类型的处理方法示意图；
44.图2为本发明实施例二提供的一种基于脑影像预测早期阿尔茨海默症类型的处理装置的模块结构图；
45.图3为本发明实施例三提供的一种电子设备的结构示意图。
具体实施方式
46.为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部份实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
47.本发明实施例一提供一种基于脑影像预测早期阿尔茨海默症类型的处理方法，如图1为本发明实施例一提供的一种基于脑影像预测早期阿尔茨海默症类型的处理方法示意图所示，本方法主要包括如下步骤：
48.步骤1，接收第一脑影像集合；
49.其中，第一脑影像集合包括第一类、第二类脑影像；第一类脑影像为常规t2结构成像，第二类脑影像为全脑3d快速脑结构高分辨成像；第一类脑影像为一个2d切片图像序列由多个不同深度的2d切片图像组成；第二类脑影像为一个3d图像。
50.这里，本发明实施例的第一脑影像集合包括两类脑影像数据：常规t2结构成像也就是第一类脑影像，全脑3d快速脑结构高分辨成像也就是第二类脑影像；此处的常规t2结构成像是脑部磁共振成像(magnetic resonance imaging,mri)中突出组织t2弛豫(横向弛豫)差别的t2加权成像也称为t2wi成像，由公知的mri成像原理我们可知常规t2结构成像实际就是一个2d切片图像序列，该序列由不同断层深度上的2d切片图像构成；此处的全脑3d快速脑结构高分辨成像为一个通过快速、高分辨率3d光学成像技术获得的前脑3d结构成像，该成像为一个3d图像。
51.步骤2，基于预设的数据增强模型对第一类、第二类脑影像进行脑影像预处理生成
对应的第一类、第二类增强影像；
52.其中，数据增强模型包括第一数据增强网络和第二数据增强网络；第一、第二数据增强网络基于自动编码机网络(auto encoder,ae)实现；第一类增强影像为一个2d切片图像序列由多个不同深度的2d增强切片图像组成；第二类增强影像为一个3d增强图像；
53.具体包括：步骤21，基于数据增强模型的第一数据增强网络对第一类脑影像的各个2d切片图像分别进行2d图像噪声消除和对比度及亮度调节处理生成对应的2d增强切片图像，并由得到的所有2d增强切片图像按对应深度排序组成对应的第一类增强影像；
54.这里，由ae网络的公开结构我们可知第一数据增强网络是由编码器和解码器两部分组成，第一数据增强网络会将2d切片图像送入编码器进行特征编码再将编码结果送入解码器对编码特征中的噪声特征进行消减并同时对亮度与对比度特征分别进行最优调节从而达到对图像进行同时降噪和增强的处理效果；
55.步骤22，基于数据增强模型的第二数据增强网络对第二类脑影像进行3d图像噪声消除和对比度及亮度调节处理生成对应的3d增强图像，并将得到的3d增强图像作为对应的第二类增强影像。
56.这里，由ae网络的公开结构我们可知第二数据增强网络是由编码器和解码器两部分组成，第二数据增强网络会将第二类脑影像送入编码器进行特征编码再将编码结果送入解码器对编码特征中的噪声特征进行消减并同时对亮度与对比度特征分别进行最优调节从而达到对图像进行同时降噪和增强的处理效果。
57.步骤3，基于预设的特征提取模型对第一类、第二类增强影像分别进行全脑三维结构特征提取处理并对得到的两个提取特征进行特征融合处理生成对应的第一全脑结构特征图；
58.其中，特征提取模型包括第一特征提取网络、第二特征提取网络和第一特征融合模块；第一特征提取网络包括第一2d卷积神经网络(2d-convolutional neural networks,2d-cnn)和第一长短期记忆网络(long short-term memory,lstm)；第二特征提取网络包括第一平面切分单元、第二2d卷积神经网络和第二长短期记忆网络；
59.具体包括：步骤31，将第一类增强影像输入特征提取模型的第一特征提取网络，由第一2d卷积神经网络对第一类增强影像的各个2d增强切片图像进行2d图像特征提取处理生成对应的形状为1
×
h1×
w1×
c1的第一切片特征图并由得到的所有第一切片特征图组成对应的形状为d1×
h1×
w1×
c1的第一特征图，并由第一长短期记忆网络对第一特征图按深度方向进行深度特征提取处理得到对应的形状为d1×
h1×
w1×
c1的第二特征图；
60.其中，d1、h1、w1、c1分别为第一切片特征图的深度维度参数、高度维度参数、宽度维度参数和通道维度参数；
61.这里，本发明实施例通过第一特征提取网络的第一2d卷积神经网络对第一类增强影像的各个2d增强切片图像进行2d图像特征提取只能获得一个平面特征、没有深度维度上的连续特征或关联特征；而长短期记忆网络可基于历史特征对当前特征进行修正所以本发明实施例在第一2d卷积神经网络之后连接一个长短期记忆网络即第一长短期记忆网络，这样就能在第一特征图的深度通道上基于历史特征对各层特征进行重置从而得到第二特征图，该第二特征图实际就是一个由常规t2结构成像的增强图像推导出的3d全脑结构特征；
62.步骤32，将第二类增强影像输入特征提取模型的第二特征提取网络，由第一平面
切分单元沿着深度方向根据预设的单位深度对第二类增强影像进行2d平面切分处理生成对应的第一平面图，并由第二2d卷积神经网络对各个第一平面图进行2d图像特征提取处理生成对应的形状为1
×
h2×
w2×
c2的第一平面特征图并由得到的所有第一平面特征图组成对应的形状为d2×
h2×
w2×
c2的第三特征图，并由第二长短期记忆网络对第三特征图按深度方向进行深度特征提取处理得到对应的形状为d2×
h2×
w2×
c2的第四特征图；
63.其中，d2、h2、w2、c2分别为第一平面特征图的深度维度参数、高度维度参数、宽度维度参数和通道维度参数，d2＝d1、h2＝h1、w2＝w1；
64.这里，第二类增强影像是一个3d图像，常规情况下会使用一个3d-cnn网络对其直接进行3d特征提取，但这种常规处理方式的模型计算量是巨大的、计算周期也较长；为解决这个问题，本发明实施例使用第一平面切分单元+第二2d卷积神经网络+第二长短期记忆网络的方式来替换常规的3d-cnn网络，即先通过第一平面切分单元对第二类增强影像沿着深度方向进行切片从而得到多个类似切片图像的平面图也就是第一平面图，再基于与第一2d卷积神经网络类似的第二2d卷积神经网络对每个第一平面图进行2d图像特征提取，再使用第二长短期记忆网络在第三特征图的深度通道上基于历史特征对各层特征进行重置从而得到第四特征图，该第四特征图实际就是一个由全脑3d快速脑结构高分辨成像的增强图像推导出的3d全脑结构特征；
65.步骤33，将第二特征图和第四特征图输入特征提取模型的第一特征融合模块进行特征融合处理得到对应的第一全脑结构特征图；
66.其中，第一全脑结构特征图的形状为d3×
h3×
w3×
c3，d3、h3、w3、c3分别为第一全脑结构特征图的深度维度参数、高度维度参数、宽度维度参数和通道维度参数，d3＝d1、h3＝h1、w3＝w1。
67.步骤4，基于预设的认知障碍分类预测模型根据预设的正常人群脑影像结构特征常模、遗忘型轻度认知障碍人群脑影像结构特征常模和非遗忘型轻度认知障碍人群脑影像结构特征常模对第一全脑结构特征图进行分类预测处理生成对应的第一分类向量；
68.其中，认知障碍分类预测模型包括第一、第二和第三全连接网络和对应的第一、第二和第三激活函数；第一全连接网络与第一激活函数连接；第二全连接网络与第二激活函数连接；第三全连接网络与第三激活函数连接；第一分类向量包括第一、第二、第三分类概率；第一分类概率对应的预测类型为正常类型，第二分类概率对应的预测类型为遗忘型轻度认知障碍类型，第三分类概率对应的预测类型为非遗忘型轻度认知障碍类型；
69.具体包括：步骤41，将第一全脑结构特征图分别输入认知障碍分类预测模型的第一、第二和第三全连接网络，由第一全连接网络对第一全脑结构特征图与正常人群脑影像结构特征常模进行全连接差分计算得到对应的第一特征向量，并由第二全连接网络对第一全脑结构特征图与遗忘型轻度认知障碍人群脑影像结构特征常模进行全连接差分计算得到对应的第二特征向量，并由第三全连接网络对第一全脑结构特征图与非遗忘型轻度认知障碍人群脑影像结构特征常模进行全连接差分计算得到对应的第三特征向量；
70.步骤42，将第一、第二和第三特征向量分别输入认知障碍分类预测模型的第一、第二和第三激活函数，由第一激活函数对第一特征向量进行函数计算得到对应的第一分类概率，并由第二激活函数对第二特征向量进行函数计算得到对应的第二分类概率，并由第三激活函数对第三特征向量进行函数计算得到对应的第三分类概率；
71.步骤43，由得到的第一、第二、第三分类概率组成对应的第一分类向量。
72.这里，认知障碍分类预测模型的模型结构类似一个支持多分类输出的多层感知网络(multilayer perceptron，mlp)；正常人群脑影像结构特征常模、遗忘型轻度认知障碍人群脑影像结构特征常模和非遗忘型轻度认知障碍人群脑影像结构特征常模为预先准备的三类人群的3d脑结构模板，这三类3d脑结构模板是预先通过采集并构建三类人群的3d脑结构特征数据库并对各类3d脑结构特征数据库中的3d脑结构特征数据进行共性脑结构特征总结得到的通用脑结构模板，此处的共性脑结构特征总结方式可采用各权威机构公开的脑图谱或脑膜版处理方式，在此不做一一赘述；由多层感知网络的应用可知该类网络可基于一个或多个参考模板对输入变量进行对应的二分类或多分类预测，此处本发明实施使用认知障碍分类预测模型就是利用多层感知网络来根据三类脑结构模板来对输入的第一全脑结构特征图进行三分类预测(正常类型、amci类型、namci类型)。
73.步骤5，当第二分类概率为第一、第二、第三分类概率中的最大分类概率且超过了预设的第一概率阈值时，基于预设的早期阿尔茨海默症分类预测模型根据预设的正常人群脑影像结构特征常模和早期阿尔茨海默症人群脑影像结构特征常模对第一全脑结构特征图进行分类预测处理生成对应的第二分类向量；
74.其中，早期阿尔茨海默症分类预测模型包括第四、第五全连接网络和对应的第四、第五激活函数；第四全连接网络与第四激活函数连接；第五全连接网络与第五激活函数连接；第二分类向量包括第四、第五分类概率；第四分类概率对应的预测类型为正常类型，第五分类概率对应的预测类型为早期阿尔茨海默症类型；
75.基于预设的早期阿尔茨海默症分类预测模型根据预设的正常人群脑影像结构特征常模和早期阿尔茨海默症人群脑影像结构特征常模对第一全脑结构特征图进行分类预测处理生成对应的第二分类向量，具体包括：
76.步骤51，将第一全脑结构特征图分别输入早期阿尔茨海默症分类预测模型的第四、第五全连接网络，由第四全连接网络对第一全脑结构特征图与正常人群脑影像结构特征常模进行全连接差分计算得到对应的第四特征向量，并由第五全连接网络对第一全脑结构特征图与早期阿尔茨海默症人群脑影像结构特征常模进行全连接差分计算得到对应的第五特征向量；
77.步骤52，将第四、第五特征向量分别输入早期阿尔茨海默症分类预测模型的第四、第五激活函数，由第四激活函数对第四特征向量进行函数计算得到对应的第四分类概率，并由第五激活函数对第五特征向量进行函数计算得到对应的第五分类概率；
78.步骤53，由得到的第四、第五分类概率组成对应的第二分类向量。
79.这里，第一概率阈值为一个预设的较大概率阈值；早期阿尔茨海默症分类预测模型的模型结构也类似一个支持多分类输出的多层感知网络；早期阿尔茨海默症人群脑影像结构特征常模为预先准备的这对早期阿尔茨海默症人群的3d脑结构模板，这个3d脑结构模板是预先通过采集并构建早期阿尔茨海默症人群的3d脑结构特征数据库并对该3d脑结构特征数据库中的3d脑结构特征数据进行共性脑结构特征总结得到的通用脑结构模板；由多层感知网络的应用可知该类网络可基于一个或多个参考模板对输入变量进行对应的二分类或多分类预测，此处本发明实施使用早期阿尔茨海默症分类预测模型就是利用多层感知网络来根据两类脑结构模板来对输入的第一全脑结构特征图进行二分类预测(正常类型、
早期ad类型)。
80.步骤6，根据第一、第二分类向量进行预测数据输出处理；
81.具体包括：将第一分类概率和对应的预测类型组成对应的第一预测数据，第二分类概率和对应的预测类型组成对应的第二预测数据，第三分类概率和对应的预测类型组成对应的第三预测数据，第五分类概率和对应的预测类型组成对应的第四预测数据，并由得到的第一、第二、第三和第四预测数据组成对应的预测数据集合输出。
82.图2为本发明实施例二提供的一种基于脑影像预测早期阿尔茨海默症类型的处理装置的模块结构图，该装置为实现前述方法实施例的终端设备或者服务器，也可以为能够使得前述终端设备或者服务器实现前述方法实施例的装置，例如该装置可以是前述终端设备或者服务器的装置或芯片系统。如图2所示，该装置包括：数据接收模块201、预处理模块202、特征提取模块203、第一分类预测模块204、第二分类预测模块205和数据输出模块206。
83.数据接收模块201用于接收第一脑影像集合；第一脑影像集合包括第一类、第二类脑影像；第一类脑影像为常规t2结构成像，第二类脑影像为全脑3d快速脑结构高分辨成像。
84.预处理模块202用于基于预设的数据增强模型对第一类、第二类脑影像进行脑影像预处理生成对应的第一类、第二类增强影像。
85.特征提取模块203用于基于预设的特征提取模型对第一类、第二类增强影像分别进行全脑三维结构特征提取处理并对得到的两个提取特征进行特征融合处理生成对应的第一全脑结构特征图。
86.第一分类预测模块204用于基于预设的认知障碍分类预测模型根据预设的正常人群脑影像结构特征常模、遗忘型轻度认知障碍人群脑影像结构特征常模和非遗忘型轻度认知障碍人群脑影像结构特征常模对第一全脑结构特征图进行分类预测处理生成对应的第一分类向量；第一分类向量包括第一、第二、第三分类概率；第一分类概率对应的预测类型为正常类型，第二分类概率对应的预测类型为遗忘型轻度认知障碍类型，第三分类概率对应的预测类型为非遗忘型轻度认知障碍类型。
87.第二分类预测模块205用于当第二分类概率为第一、第二、第三分类概率中的最大分类概率且超过了预设的第一概率阈值时，基于预设的早期阿尔茨海默症分类预测模型根据预设的正常人群脑影像结构特征常模和早期阿尔茨海默症人群脑影像结构特征常模对第一全脑结构特征图进行分类预测处理生成对应的第二分类向量；第二分类向量包括第四、第五分类概率；第四分类概率对应的预测类型为正常类型，第五分类概率对应的预测类型为早期阿尔茨海默症类型。
88.数据输出模块206用于根据第一、第二分类向量进行预测数据输出处理。
89.本发明实施例提供的一种基于脑影像预测早期阿尔茨海默症类型的处理装置，可以执行上述方法实施例中的方法步骤，其实现原理和技术效果类似，在此不再赘述。
90.需要说明的是，应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，数据接收模块可以为单独设立的处理元件，也可以集成在上述装置的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述装置的存储器中，由上述装置的某一个处理元件调用并执行以
processor，np)、图形处理器(graphics processing unit，gpu)等；还可以是数字信号处理器dsp、专用集成电路asic、现场可编程门阵列fpga或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
96.本发明实施例提供了一种基于脑影像预测早期阿尔茨海默症类型的处理方法、装置和电子设备，通过数据增强模型对多类脑影像(常规t2结构成像、全脑3d快速脑结构高分辨成像)进行图像增强和去噪得到对应的多类增强影像，并通过特征提取模型对多类增强影像进行特征提取与融合处理得到对应的全脑结构特征，并通过认知障碍分类预测模型根据预设的正常人群脑影像结构特征常模、遗忘型轻度认知障碍人群脑影像结构特征常模和非遗忘型轻度认知障碍人群脑影像结构特征常模对得到的全脑结构特征进行分类预测得到对应的预测类型(正常类型、amci类型、namci类型)，并在预测类型为amci类型时进一步使用早期阿尔茨海默症分类预测模型根据预设的正常人群脑影像结构特征常模和早期阿尔茨海默症人群脑影像结构特征常模对全脑结构特征进行分类预测得到对应的预测类型(正常类型、早期ad类型)。本发明通过对脑影像技术和人工智能模型技术进行结合给出了一种基于预设的多类脑影像结构特征模板(常模)对当前获得的脑影像进行amci和早期ad预测的数据处理机制，通过本发明提高了预测便捷度和预测效率。
97.专业人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
98.结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。
99.以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种基于脑影像预测早期阿尔茨海默症类型的处理方法，其特征在于，所述方法包括：接收第一脑影像集合；所述第一脑影像集合包括第一类、第二类脑影像；所述第一类脑影像为常规t2结构成像，所述第二类脑影像为全脑3d快速脑结构高分辨成像；基于预设的数据增强模型对所述第一类、第二类脑影像进行脑影像预处理生成对应的第一类、第二类增强影像；基于预设的特征提取模型对所述第一类、第二类增强影像分别进行全脑三维结构特征提取处理并对得到的两个提取特征进行特征融合处理生成对应的第一全脑结构特征图；基于预设的认知障碍分类预测模型根据预设的正常人群脑影像结构特征常模、遗忘型轻度认知障碍人群脑影像结构特征常模和非遗忘型轻度认知障碍人群脑影像结构特征常模对所述第一全脑结构特征图进行分类预测处理生成对应的第一分类向量；所述第一分类向量包括第一、第二、第三分类概率；所述第一分类概率对应的预测类型为正常人类型，所述第二分类概率对应的预测类型为遗忘型轻度认知障碍类型，所述第三分类概率对应的预测类型为非遗忘型轻度认知障碍类型；当所述第二分类概率为所述第一、第二、第三分类概率中的最大分类概率且超过了预设的第一概率阈值时，基于预设的早期阿尔茨海默症分类预测模型根据预设的正常人群脑影像结构特征常模和早期阿尔茨海默症人群脑影像结构特征常模对所述第一全脑结构特征图进行分类预测处理生成对应的第二分类向量；所述第二分类向量包括第四、第五分类概率；所述第四分类概率对应的预测类型为正常人类型，所述第五分类概率对应的预测类型为早期阿尔茨海默症类型；根据所述第一、第二分类向量进行预测数据输出处理。2.根据权利要求1所述的基于脑影像预测早期阿尔茨海默症类型的处理方法，其特征在于，所述第一类脑影像为一个2d切片图像序列由多个不同深度的2d切片图像组成；所述第二类脑影像为一个3d图像；所述第一类增强影像为一个2d切片图像序列由多个不同深度的2d增强切片图像组成；所述第二类增强影像为一个3d增强图像；所述数据增强模型包括第一数据增强网络和第二数据增强网络；所述第一、第二数据增强网络基于自动编码机网络实现；所述特征提取模型包括第一特征提取网络、第二特征提取网络和第一特征融合模块；所述第一特征提取网络包括第一2d卷积神经网络和第一长短期记忆网络；所述第二特征提取网络包括第一平面切分单元、第二2d卷积神经网络和第二长短期记忆网络；所述认知障碍分类预测模型包括第一、第二和第三全连接网络和对应的第一、第二和第三激活函数；所述第一全连接网络与所述第一激活函数连接；所述第二全连接网络与所述第二激活函数连接；所述第三全连接网络与所述第三激活函数连接；所述早期阿尔茨海默症分类预测模型包括第四、第五全连接网络和对应的第四、第五激活函数；所述第四全连接网络与所述第四激活函数连接；所述第五全连接网络与所述第五激活函数连接。3.根据权利要求2所述的基于脑影像预测早期阿尔茨海默症类型的处理方法，其特征
在于，所述基于预设的数据增强模型对所述第一类、第二类脑影像进行脑影像预处理生成对应的第一类、第二类增强影像，具体包括：基于所述数据增强模型的所述第一数据增强网络对所述第一类脑影像的各个2d切片图像分别进行2d图像噪声消除和对比度及亮度调节处理生成对应的2d增强切片图像，并由得到的所有所述2d增强切片图像按对应深度排序组成对应的所述第一类增强影像；基于所述数据增强模型的所述第二数据增强网络对所述第二类脑影像进行3d图像噪声消除和对比度及亮度调节处理生成对应的3d增强图像，并将得到的所述3d增强图像作为对应的所述第二类增强影像。4.根据权利要求2所述的基于脑影像预测早期阿尔茨海默症类型的处理方法，其特征在于，所述基于预设的特征提取模型对所述第一类、第二类增强影像分别进行全脑三维结构特征提取处理并对得到的两个提取特征进行特征融合处理生成对应的第一全脑结构特征图，具体包括：将所述第一类增强影像输入所述特征提取模型的所述第一特征提取网络，由所述第一2d卷积神经网络对所述第一类增强影像的各个2d增强切片图像进行2d图像特征提取处理生成对应的形状为1
×
h1×
w1×
c1的第一切片特征图并由得到的所有所述第一切片特征图组成对应的形状为d1×
h1×
w1×
c1的第一特征图，并由所述第一长短期记忆网络对所述第一特征图按深度方向进行深度特征提取处理得到对应的形状为d1×
h1×
w1×
c1的第二特征图；d1、h1、w1、c1分别为所述第一切片特征图的深度维度参数、高度维度参数、宽度维度参数和通道维度参数；将所述第二类增强影像输入所述特征提取模型的所述第二特征提取网络，由所述第一平面切分单元沿着深度方向根据预设的单位深度对所述第二类增强影像进行2d平面切分处理生成对应的第一平面图，并由所述第二2d卷积神经网络对各个所述第一平面图进行2d图像特征提取处理生成对应的形状为1
×
h2×
w2×
c2的第一平面特征图并由得到的所有所述第一平面特征图组成对应的形状为d2×
h2×
w2×
c2的第三特征图，并由所述第二长短期记忆网络对所述第三特征图按深度方向进行深度特征提取处理得到对应的形状为d2×
h2×
w2×
c2的第四特征图；d2、h2、w2、c2分别为所述第一平面特征图的深度维度参数、高度维度参数、宽度维度参数和通道维度参数，d2＝d1、h2＝h1、w2＝w1；将所述第二特征图和所述第四特征图输入所述特征提取模型的所述第一特征融合模块进行特征融合处理得到对应的所述第一全脑结构特征图；所述第一全脑结构特征图的形状为d3×
h3×
w3×
c3，d3、h3、w3、c3分别为所述第一全脑结构特征图的深度维度参数、高度维度参数、宽度维度参数和通道维度参数，d3＝d1、h3＝h1、w3＝w1。5.根据权利要求2所述的基于脑影像预测早期阿尔茨海默症类型的处理方法，其特征在于，所述基于预设的认知障碍分类预测模型根据预设的正常人群脑影像结构特征常模、遗忘型轻度认知障碍人群脑影像结构特征常模和非遗忘型轻度认知障碍人群脑影像结构特征常模对所述第一全脑结构特征图进行分类预测处理生成对应的第一分类向量，具体包括：将所述第一全脑结构特征图分别输入所述认知障碍分类预测模型的所述第一、第二和第三全连接网络，由所述第一全连接网络对所述第一全脑结构特征图与所述正常人群脑影像结构特征常模进行全连接差分计算得到对应的第一特征向量，并由所述第二全连接网络
对所述第一全脑结构特征图与所述遗忘型轻度认知障碍人群脑影像结构特征常模进行全连接差分计算得到对应的第二特征向量，并由所述第三全连接网络对所述第一全脑结构特征图与所述非遗忘型轻度认知障碍人群脑影像结构特征常模进行全连接差分计算得到对应的第三特征向量；将所述第一、第二和第三特征向量分别输入所述认知障碍分类预测模型的所述第一、第二和第三激活函数，由所述第一激活函数对所述第一特征向量进行函数计算得到对应的所述第一分类概率，并由所述第二激活函数对所述第二特征向量进行函数计算得到对应的所述第二分类概率，并由所述第三激活函数对所述第三特征向量进行函数计算得到对应的所述第三分类概率；由得到的所述第一、第二、第三分类概率组成对应的所述第一分类向量。6.根据权利要求2所述的基于脑影像预测早期阿尔茨海默症类型的处理方法，其特征在于，所述基于预设的早期阿尔茨海默症分类预测模型根据预设的正常人群脑影像结构特征常模和早期阿尔茨海默症人群脑影像结构特征常模对所述第一全脑结构特征图进行分类预测处理生成对应的第二分类向量，具体包括：将所述第一全脑结构特征图分别输入所述早期阿尔茨海默症分类预测模型的所述第四、第五全连接网络，由所述第四全连接网络对所述第一全脑结构特征图与所述正常人群脑影像结构特征常模进行全连接差分计算得到对应的第四特征向量，并由所述第五全连接网络对所述第一全脑结构特征图与所述早期阿尔茨海默症人群脑影像结构特征常模进行全连接差分计算得到对应的第五特征向量；将所述第四、第五特征向量分别输入所述早期阿尔茨海默症分类预测模型的所述第四、第五激活函数，由所述第四激活函数对所述第四特征向量进行函数计算得到对应的所述第四分类概率，并由所述第五激活函数对所述第五特征向量进行函数计算得到对应的所述第五分类概率；由得到的所述第四、第五分类概率组成对应的所述第二分类向量。7.一种用于实现权利要求1-6任一项所述的基于脑影像预测早期阿尔茨海默症类型的处理方法的装置，其特征在于，所述装置包括：数据接收模块、预处理模块、特征提取模块、第一分类预测模块、第二分类预测模块和数据输出模块；所述数据接收模块用于接收第一脑影像集合；所述第一脑影像集合包括第一类、第二类脑影像；所述第一类脑影像为常规t2结构成像，所述第二类脑影像为全脑3d快速脑结构高分辨成像；所述预处理模块用于基于预设的数据增强模型对所述第一类、第二类脑影像进行脑影像预处理生成对应的第一类、第二类增强影像；所述特征提取模块用于基于预设的特征提取模型对所述第一类、第二类增强影像分别进行全脑三维结构特征提取处理并对得到的两个提取特征进行特征融合处理生成对应的第一全脑结构特征图；所述第一分类预测模块用于基于预设的认知障碍分类预测模型根据预设的正常人群脑影像结构特征常模、遗忘型轻度认知障碍人群脑影像结构特征常模和非遗忘型轻度认知障碍人群脑影像结构特征常模对所述第一全脑结构特征图进行分类预测处理生成对应的第一分类向量；所述第一分类向量包括第一、第二、第三分类概率；所述第一分类概率对应
的预测类型为正常人类型，所述第二分类概率对应的预测类型为遗忘型轻度认知障碍类型，所述第三分类概率对应的预测类型为非遗忘型轻度认知障碍类型；所述第二分类预测模块用于当所述第二分类概率为所述第一、第二、第三分类概率中的最大分类概率且超过了预设的第一概率阈值时，基于预设的早期阿尔茨海默症分类预测模型根据预设的正常人群脑影像结构特征常模和早期阿尔茨海默症人群脑影像结构特征常模对所述第一全脑结构特征图进行分类预测处理生成对应的第二分类向量；所述第二分类向量包括第四、第五分类概率；所述第四分类概率对应的预测类型为正常人类型，所述第五分类概率对应的预测类型为早期阿尔茨海默症类型；所述数据输出模块用于根据所述第一、第二分类向量进行预测数据输出处理。8.一种电子设备，其特征在于，包括：存储器、处理器和收发器；所述处理器用于与所述存储器耦合，读取并执行所述存储器中的指令，以实现权利要求1-6任一项所述的方法；所述收发器与所述处理器耦合，由所述处理器控制所述收发器进行消息收发。

技术总结
本发明实施例涉及一种基于脑影像预测早期阿尔茨海默症类型的处理方法和装置，所述方法包括：接收第一脑影像集合；基于数据增强模型进行脑影像预处理；基于特征提取模型进行全脑三维结构特征提取并对得到的两个提取特征进行特征融合处理；基于认知障碍分类预测模型进行分类预测；当第二分类概率为最大分类概率且超过了预设阈值时基于早期阿尔茨海默症分类预测模型进行分类预测；进行预测数据输出处理。通过本发明可以提高预测便捷度和预测效率。率。率。


技术研发人员：姚洪祥 崔津津 刘贯中 张恒 韩邵军 胡兴和 王新江 安宁豫 周波 刘勇
受保护的技术使用者：中国人民解放军总医院第二医学中心
技术研发日：2023.02.17
技术公布日：2023/7/12