一种基于医疗影像的脑部疾病辅助诊断方法及系统与流程

本发明涉及医学影像处理领域，尤其涉及一种基于医疗影像的脑部疾病辅助诊断方法及系统。

背景技术：

1、随着人类平均寿命的提升，脑部疾病的发病率逐渐提高。对于脑部疾病的诊断通过各种医疗数据进行辅助判断，其中医疗影像在脑部疾病诊断中的作用极为重要。医疗影像是医学诊断和治疗中至关重要的工具，通过不同类型的影像技术，获取得到的多种方向的脑部医疗影像，对其进行观察和分析，结合患者脑部的结构和功能，以帮助做出准确的诊断和治疗计划。

2、传统的对于医疗影像的脑部疾病诊断通常由人工进行经验性判断，这种方法缺乏客观性，并且不能结合多类医疗影像进行综合性判断，导致诊断结果缺乏准确性。引入人工智能的方式辅助诊断脑部疾病可结合多类医疗数据进行判断，但由于医疗影像的数据存在样本少的问题，如何提高分类模型在小样本数据上的识别能力，需要进行改进。

技术实现思路

1、一种基于医疗影像的脑部疾病辅助诊断方法，包括：

2、s1.获取结构核磁共振影像和时序功能核磁共振影像；

3、s2.对时序功能核磁共振影像进行预处理，得到存储有脑区血氧水平依赖信号值的2维数据矩阵，使用滑动窗口方式将时序功能核磁共振影像分割为固定长度的时间切片，获取各时间切片对应的2维数据矩阵；

4、s3.将不同脑区进行两两配对，得到多组脑区对(i,j)，使用每个时间切片对应的2维数据矩阵中的脑区血氧水平依赖信号值计算每个脑区对(i,j)的皮尔森系数权值wij(pcc)和最大互信息系数权值wij(mic)；使用所有皮尔森系数权值wij(pcc)和所有最大互信息系数权值wij(pcc)分别计算皮尔森系数的最终特征向量和最大互信息系数的最终特征向量；

5、s4.将结构核磁共振影像、皮尔森系数的最终特征向量和最大互信息系数的最终特征向量送入集成疾病辅助诊断模型中进行疾病分类，输出疾病辅助诊断标签和对应类别概率；

6、s5.对疾病辅助诊断标签和对应类别概率进行可视化处理，输出可视化结果。

7、作为本发明的一种优选技术方案，集成疾病辅助诊断模型分为数据处理层，基学习器识别层，集成输出层；

8、数据处理层用于对结构核磁共振影像进行预处理，得到待识别结构影像，对皮尔森系数的最终特征向量和最大互信息系数的最终特征向量进行特征选择，得到待识别皮尔森系数特征向量和待识别最大互信息系数特征向量；

9、基学习器识别层包括3个基学习器，分别为结构影像识别模型、皮尔森系数识别模型和最大互信息系数识别模型；结构影像识别模型用于对待识别结构影像进行疾病识别，输出脑部疾病标签和对应类别概率，皮尔森系数识别模型用于对待识别皮尔森系数特征向量进行疾病识别，输出脑部疾病标签和对应类别概率，最大互信息系数识别模型用于对待识别最大互信息系数特征向量进行疾病识别，输出脑部疾病标签和对应类别概率；

10、集成输出层用于对3个基学习器的输出进行识别，输出疾病辅助诊断标签和对应类别概率。

11、作为本发明的一种优选技术方案，构建集成疾病辅助诊断模型，具体步骤为：

12、a1.采集若干样本的结构核磁共振影像和时序功能核磁共振影像，对样本标记脑部疾病标签，提取每个样本的时序功能核磁共振图像对应的皮尔森系数的最终特征向量和最大互信息系数的最终特征向量，对皮尔森系数的最终特征向量和最大互信息系数的最终特征向量使用ks检验进行特征选择；

13、将样本的结构核磁共振影像进行预处理并和脑部疾病标签组成结构影像识别数据集，将结构影像识别数据集分割为结构影像识别训练集和结构影像识别测试集；

14、将样本经过特征选择的皮尔森系数的最终特征向量和脑部疾病标签组成皮尔森系数特征识别数据集，对皮尔森系数特征识别数据集进行有放回抽样划分为皮尔森系数特征识别训练集和皮尔森系数特征识别测试集；

15、将样本经过特征选择的最大互信息系数的最终特征向量和脑部疾病标签组成最大互信息系数特征识别数据集，对最大互信息系数特征识别数据集进行有放回抽样划分为最大互信息系数特征识别训练集和最大互信息系数特征识别测试集；

16、a2.将结构影像识别训练集送入基于卷积神经网络的初始结构影像识别模型进行训练，以脑部疾病标签为目标，训练得到训练结构影像识别模型；将结构影像识别测试集送入训练结构影像识别模型进行准确率评估，以脑部疾病标签为目标，调整训练结构影像识别模型的超参数，得到结构影像识别模型；

17、使用adaboost方法结合皮尔森系数特征识别训练集和皮尔森系数特征识别测试集训练得到皮尔森系数识别模型，使用adaboost方法结合最大互信息系数特征识别训练集和最大互信息系数特征识别测试集训练得到最大互信息系数识别模型；

18、a3.结构影像识别模型、皮尔森系数识别模型和最大互信息系数识别模型作为集成疾病辅助诊断模型的基学习器；对3个基学习器进行并行集成，获取3个基学习器在各自对应的训练集和测试集上输出的脑部疾病标签和对应类别概率，将3个基学习器输出的脑部疾病标签和对应类别概率、样本标记的脑部疾病标签组成新的识别样本，将所有识别样本组成集成学习数据集，将集成学习数据集分割为集成学习训练集和集成学习测试集；

19、将集成学习训练集送入以多层感知机为基础的初始集成学习模型中进行训练，以样本标记的脑部疾病标签为目标，训练得到初始集成疾病辅助诊断模型；将集成学习测试集送入初始集成疾病辅助诊断模型进行准确率评估，以样本标记的脑部疾病标签为目标，调整初始集成疾病辅助诊断模型的超参数，得到集成疾病辅助诊断模型。

20、作为本发明的一种优选技术方案，使用adaboost方法结合皮尔森系数特征识别训练集和皮尔森系数特征识别测试集训练得到皮尔森系数识别模型，具体步骤为：

21、b1.将皮尔森系数特征识别训练集中的样本作为训练样本送入基于svm模型的弱学习器a进行训练，以脑部疾病标签为目标训练得到弱学习器a，计算训练样本被弱学习器a错误分类的样本所占的比例作为误差率a；使用皮尔森系数特征识别测试集计算弱学习器a的准确率a，准确率以脑部疾病标签为目标；

22、b2.根据弱学习器a的误差率来调整训练样本的权重，增加被错误分类的样本的权重，增加的数值为误差率a的一半；

23、b3.将调整样本权重后的皮尔森系数特征识别训练集送入基于svm模型的初始弱学习器b进行训练，以脑部疾病标签为目标训练得到弱学习器b，使用皮尔森系数特征识别测试集计算训练弱学习器b的准确率，比较训练弱学习器b的准确率对于准确率a的提升率是否大于预设值，若大于预设值，则将训练弱学习b作为弱学习器b，若小于预设值，重复步骤b2-b3，得到弱学习器b；计算训练样本被弱学习器b错误分类的样本所占的比例作为误差率b，使用皮尔森系数特征识别测试集计算弱学习器b的准确率b；

24、b4.重复步骤b3得到弱学习器c和弱学习器c的准确率c；根据3个弱学习器的准确率为弱学习器的输出添加权重；将3个弱学习器集成为皮尔森系数识别模型，对3个弱学习器输出的加权脑部疾病标签和加权对应类别概率进行计算，作为皮尔森系数识别模型的输出；

25、此外，最大互信息系数识别模型通过上述同种方式获取。

26、作为本发明的一种优选技术方案，对皮尔森系数的最终特征向量和最大互信息系数的最终特征向量使用ks检验进行特征选择，ks检验的具体步骤为：对每个特征的取值和脑部疾病标签分别计算其累计分布函数cdf，计算特征cdf和类别cdf之间的最大距离，获取特征的d值，使用正态分布确定特征的d值的分布，通过查找特征的d值在其分布中的相应位置（或更大的值）出现的概率来计算p值，将特征按照p值大小排序，选择p值小于设定阈值的特征进行后续分析。

27、作为本发明的一种优选技术方案，对时序功能核磁共振影像进行预处理，预处理的具体步骤为：

28、c1.删除时序功能核磁共振影像中前三个功能核磁共振影像；

29、c2.对剩余的时序功能核磁共振影像进行时间层校正、头动校正和空间标准化，得到标准功能核磁共振影像；

30、c3.获取每张标准功能核磁共振影像的全局血氧水平依赖时序信号；

31、c4.基于自动解剖标记模板将全局血氧水平依赖时序信号分为多个脑区的平均静息态时间序列信号，对每个脑区的平均静息态时间序列信号使用频段为0.01-0.08hz的带通滤波器进行处理获取每个脑区的血氧水平依赖信号值，得到一个2维数据矩阵，矩阵中存储脑区的血氧水平依赖信号值。

32、作为本发明的一种优选技术方案，使用滑动窗口方式将时序功能核磁共振影像分割为固定长度的时间切片，分割时间切片的公式为：

33、；

34、公式中numwindow为时间切片个数，windowsize为每个窗口的长度，windowstep是两个连续窗口间的间隔，numvolume是时序功能核磁共振影像是总影像数。

35、作为本发明的一种优选技术方案，使用所有皮尔森系数权值wij(pcc)和所有最大互信息系数权值wij(pcc)分别计算皮尔森系数的最终特征向量和最大互信息系数的最终特征向量，计算方法的步骤为：

36、d1.获取每个时间切片上的每个脑区对(i,j)的皮尔森系数权值wij(pcc)；

37、d2.将每个时间切片上的所有皮尔森系数权值wij(pcc)拼接为大小为(numroi,numroi)的二维矩阵，并称之为对应时间切片的脑功能连接网络相关性方阵，numroi为脑区的个数；

38、d3.将每个时间切片上的脑功能连接网络相关性方阵降维至长度为(numroi*numroi)的一维向量，记为对应时间切片的特征向量；

39、d4.将全部时间切片上的特征向量取均值，作为皮尔森系数的最终特征向量；

40、此外，最大互信息系数的最终特征向量通过相同的步骤获取。

41、一种基于医疗影像的脑部疾病辅助诊断系统，包括：

42、影像采集模块，用于获取结构核磁共振影像和时序功能核磁共振影像；

43、数据预处理模块，用于对时序功能核磁共振影像进行预处理，得到存储有脑区血氧水平依赖信号值的2维数据矩阵，使用滑动窗口方式将时序功能核磁共振影像分割为固定长度的时间切片，获取各时间切片对应的2维数据矩阵；

44、特征构建模块，用于将不同脑区进行两两配对，得到多组脑区对(i,j)，使用每个时间切片对应的2维数据矩阵中的脑区血氧水平依赖信号值计算每个脑区对(i,j)的皮尔森系数权值wij(pcc)和最大互信息系数权值wij(mic)；使用所有皮尔森系数权值wij(pcc)和所有最大互信息系数权值wij(pcc)分别计算皮尔森系数的最终特征向量和最大互信息系数的最终特征向量；

45、疾病分类模块，用于将结构核磁共振影像、皮尔森系数的最终特征向量和最大互信息系数的最终特征向量送入集成疾病辅助诊断模型中进行疾病分类，输出疾病辅助诊断标签和对应类别概率；

46、辅助诊断报告模块，用于对疾病辅助诊断标签和对应类别概率进行可视化处理，输出可视化结果。

47、本发明具有以下优点：

48、1、本发明通过使用集成学习方法，并行集成了3个基学习器，1个基于神经网络的结构影像识别模型和2个基于svm的系数识别模型，结构影像识别模型通过结构核磁共振影像对脑部结构方向进行分析，系数识别模型通过时序功能核磁共振影像对脑部功能特征系数方向进行分析，获得的集成疾病辅助诊断模型可使用多种医疗影像进行综合性分析，提高了脑部疾病辅助诊断的准确率。

49、2、本发明通过获取时序功能核磁共振影像的皮尔森系数特征和最大互信息系数特征，在同一个样本中获取了大量的特征，并且通过ks检验方法选择了有效的特征，通过两类特征的结合使用，提高了集成疾病辅助诊断模型在小样本数据上的识别能力。

50、3、本发明通过使用adaboost方法训练系数识别模型，使用多个基学习器进行串行学习，使得系数识别模型可以学习到基学习器在错误分类样本的权重，提高了系数识别模型的识别准确率。

技术特征：

1.一种基于医疗影像的脑部疾病辅助诊断方法，其特征在于，包括：

2.根据权利要求1所述的一种基于医疗影像的脑部疾病辅助诊断方法，其特征在于，集成疾病辅助诊断模型分为数据处理层，基学习器识别层，集成输出层；

3.根据权利要求2所述的一种基于医疗影像的脑部疾病辅助诊断方法，其特征在于，构建集成疾病辅助诊断模型，具体步骤为：

4.根据权利要求3所述的一种基于医疗影像的脑部疾病辅助诊断方法，其特征在于，使用adaboost方法结合皮尔森系数特征识别训练集和皮尔森系数特征识别测试集训练得到皮尔森系数识别模型，具体步骤为：

5.根据权利要求3所述的一种基于医疗影像的脑部疾病辅助诊断方法，其特征在于，对皮尔森系数的最终特征向量和最大互信息系数的最终特征向量使用ks检验进行特征选择，ks检验的具体步骤为：对每个特征的取值和脑部疾病标签分别计算其累计分布函数cdf，计算特征cdf和类别cdf之间的最大距离，获取特征的d值，使用正态分布确定特征的d值的分布，通过查找特征的d值在其分布中的相应位置（或更大的值）出现的概率来计算p值，将特征按照p值大小排序，选择p值小于设定阈值的特征进行后续分析。

6.根据权利要求1所述的一种基于医疗影像的脑部疾病辅助诊断方法，其特征在于，对时序功能核磁共振影像进行预处理，预处理的具体步骤为：

7.根据权利要求1所述的一种基于医疗影像的脑部疾病辅助诊断方法，其特征在于，使用滑动窗口方式将时序功能核磁共振影像分割为固定长度的时间切片，分割时间切片的公式为：

8.根据权利要求1所述的一种基于医疗影像的脑部疾病辅助诊断方法，其特征在于，使用所有皮尔森系数权值wij(pcc)和所有最大互信息系数权值wij(pcc)分别计算皮尔森系数的最终特征向量和最大互信息系数的最终特征向量，计算方法的步骤为：

9.一种基于医疗影像的脑部疾病辅助诊断系统，其特征在于，所述系统应用上述权利要求1-8任一项所述的一种基于医疗影像的脑部疾病辅助诊断方法，包括：

技术总结
本发明公开了一种基于医疗影像的脑部疾病辅助诊断方法及系统，涉及医学影像处理领域。一种基于医疗影像的脑部疾病辅助诊断系统，包括有：影像采集模块、数据预处理模块、特征构建模块、疾病分类模块和辅助诊断报告模块。本发明通过使用集成学习方法，并行集成了3个基学习器，1个基于神经网络的结构影像识别模型和2个基于SVM的系数识别模型，结构影像识别模型通过结构核磁共振影像对脑部结构方向进行分析，系数识别模型通过时序功能核磁共振影像对脑部功能特征系数方向进行分析，获得的集成疾病辅助诊断模型可对多种医疗影像进行综合性分析，提高了脑部疾病辅助诊断的准确率。

技术研发人员：俞峰
受保护的技术使用者：深圳市云影医疗科技有限公司
技术研发日：
技术公布日：2024/12/5