基于医学影像的帕金森预测方法与流程

1.本发明涉及医学图像处理技术领域，特别是指一种基于医学影像的帕金森预测方法。


背景技术：

2.随着社会老龄化的到来，帕金森等中老年常见的神经系统疾病的患病人数和患病率也在逐年增加。据《中国帕金森病治疗指南(第四版)》统计，我国65岁以上人群中帕金森的患病率已达到1.7％，与欧美等发达国家相似，同时基于我国庞大的人口基数，预计2030年，我国的帕金森病的患病人数将达到500多万。但是帕金森病在早期的症状表现并不明显，在就诊时很容易被忽略，在进行诊断时也需要医生凭借临床经验和复杂的流程进行最终评估，评估过程漫长且存在一定的个人主观因素，因此很多帕金森患者在确诊时其病程已达到中晚期，错失了早期治疗黄金期，这给患者、家庭和社会带来极大的经济负担和医疗压力。
3.近年来，人工智能的逐渐成熟和深度学习的兴起，越来越多的人开始研究其在医疗领域的应用，比如病理检测、患者服务、辅助诊断等，不仅节省了患者就医时间，提高了诊断质量，也减少了医疗差错。同样，其在帕金森等神经系统疾病诊断的研究中也取得了一定的进展。深度学习的各种模型不仅可以辅助医生进行疾病的智能诊断和健康评估，也可以帮助检测发现早期的帕金森病患者，便于患者疾病的早发现、早干预、早治疗，把握住帕金森病的治疗黄金期。不仅减轻患者和家庭的经济医疗负担，也推动了医学和社会的共同进步。
4.目前，帕金森辅助诊断的人工智能分类预测模型主要基于运动症状(发音障碍、冻结步态、震颤、面部表情等)和非运动症状(认知、影像学、量表、临床指标等)。其中常用的分类数据类型为量表、语音、步态、脑电信号和医学影像等。相比于量表、语音、步态、eeg(electroencephalogram，脑电波)等数据类型，影像数据在收集时的限制因素更少，收集也更方便，并且可直观的去观察大脑内部结构和功能的改变，其本身也具有无创性、空间分辨率高、组织对比度好等优点。虽然现有技术中已有基于影像数据的帕金森辅助诊断的人工智能分类预测模型，但是此类人工智能分类预测模型的准确度仍有待于进一步提高。


技术实现要素：

5.本发明要解决的技术问题是提供一种准确度高的基于医学影像的帕金森预测方法。
6.为解决上述技术问题，本发明提供技术方案如下：
7.一种基于医学影像的帕金森预测方法，包括：
8.获取待评估的mri影像；
9.对所述mri影像进行预处理；
10.将预处理后的mri影像输入至预先构建好的人工智能分类预测模型中，得到预测
结果，其中所述人工智能分类预测模型为改进的resnet18网络模型。
11.进一步的，所述改进的resnet18网络模型包括依次连接的输入模块、特征提取模块和输出模块，其中所述输入模块包括3
×3×
3普通卷积和三维深度可分离卷积。
12.进一步的，所述输入模块包括依次连接的3
×3×
3普通卷积、批归一化层、三维深度可分离卷积和最大池化层。
13.进一步的，所述特征提取模块中，保留由浅到深n次特征提取获得的n个特征图，并将层次深的n-1个特征图进行上采样使其和上一层的原特征图保持形状一致，然后将该上一层的原特征图进行eca注意力机制调整后与该上采样后的特征图进行融合，得到n-1个新的特征图，同时将层次最深的特征图进行eca注意力机制调整后，得到第n个新的特征图，由此共得到n个新的特征图；之后，将该n个新的特征图调整为一致大小并在通道维度上做concat操作。
14.进一步的，所述上采样包括1
×1×
1卷积和3d反卷积；
15.和/或，所述eca注意力机制为3d eca注意力机制，所述3d eca注意力机制首先将c*h*w*d的特征图通过三维平均池化进行空间特征压缩，得到c*1*1*1的新特征图，然后使用权重共享的三维卷积进行通道特征学习，最后将通道特征图和原始特征图通过逐通道乘方法进行通道融合，输出具有通道注意力的特征图；
16.和/或，所述将该n个新的特征图调整为一致大小包括：对所述n-1个新的特征图分别进行3
×3×
3的卷积操作，消除操作中产生的混叠效应，然后经过池化层将所述n-1个新的特征图分别调整为和所述第n个新的特征图一样大小的特征图。
17.进一步的，所述输出模块包括依次连接的双通道池化层、第一全连接层、隐藏层和第二全连接层。
18.进一步的，所述双通道池化层包括并联连接的最大池化层和平均池化层。
19.进一步的，所述对所述mri影像进行预处理，包括：
20.将所述mri影像的格式转换为nifti格式。
21.进一步的，所述对所述mri影像进行预处理，包括：
22.将nifti格式的mri影像在调整适当的分数强度阈值、阈值梯度和初始大脑中心坐标后进行自动分离，以去除大脑中包括头骨、脂肪和小脑的无关组织。
23.进一步的，所述对所述mri影像进行预处理，包括：
24.将所述mri影像自动配准到mni152标准模板中，以将脑部影像进行空间位置上的对齐。
25.本发明具有以下有益效果：
26.本发明将逐渐成熟的医学影像和深度学习进行结合，发挥人工智能的优势并将其应用于实际生活中。以残差网络为基础架构，根据帕金森病的医学影像特点对其进行改进，实现帕金森病的自动分类，准确度高。
附图说明
27.图1为本发明的基于医学影像的帕金森预测方法的流程示意图；
28.图2为现有技术原始resnet18网络模型的结构示意图；
29.图3为本发明中改进后resnet18网络模型的结构示意图；
30.图4为本发明中三维深度可分离卷积的结构示意图；
31.图5为现有技术修改前输入模块的结构示意图；
32.图6为本发明中修改后输入模块的结构示意图；
33.图7为本发明中特征提取模块的结构示意图；
34.图8为现有技术修改前eca注意力机制的结构示意图；
35.图9为本发明中修改后eca注意力机制的结构示意图；
36.图10为现有技术修改前输出模块的结构示意图；
37.图11为本发明中修改后输出模块的结构示意图；
38.图12为本发明中mri影像在头骨分离前后的对比示意图；
39.图13为本发明中mri影像在标准位置配准前后的对比示意图。
具体实施方式
40.为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
41.本发明提供一种基于医学影像的帕金森预测方法，如图1所示，包括：
42.步骤1：获取待评估的mri(magnetic resonance imaging，磁共振成像)影像；
43.本步骤中，获得待评估患者的mri影像。
44.步骤2：对所述mri影像进行预处理；
45.步骤3：将预处理后的mri影像输入至预先构建好的人工智能分类预测模型中，得到预测结果，其中所述人工智能分类预测模型为改进的resnet18网络模型。
46.本步骤中，人工智能分类预测模型基于改进的resnet18网络模型，原始的resnet18网络模型如图2所示，改进的resnet18网络模型以3d_resnet18为基础架构，根据帕金森影像特点对其进行调整，改进的resnet18网络模型如图3所示，模型整体包括依次连接的输入模块、特征提取模块和输出模块，模型的各模块调整/改进如下：
47.a.输入模块的改进
48.在输入模块中，原始模型通过一个7
×7×
7的卷积进行初始的特征提取(参见图2)。在新模型中，将其修改为3
×3×
3普通卷积和三维深度可分离卷积(参见图3)。也就是说，输入模块包括3
×3×
3普通卷积和三维深度可分离卷积。
49.在输入模块中，如图5所示，原始网络由7
×7×
7卷积层、批归一化处理层和最大池化层组成，其计算量与卷积核的长
×
宽
×
高成正比例关系。本技术考虑到mri等医学影像分辨率低，需要更多关注细节、三维影像运算量大等特点，将7
×7×
7卷积核更换为3
×3×
3的卷积核来进行浅层特征信息提取。在其后面添加一组三维深度可分离卷积，在降低参数量和计算量的同时保证浅层有效信息的特征提取效果。三维深度可分离卷积如图4所示，修改前后输入模块结构如图5-6所示，参数量公式如下所示：
50.修改前参数量：
51.修改后参数量：
52.其中，k7代表长、宽、高为7的卷积核，k3代表长、宽、高为3的卷积核，m代表输入的通道数，n代表输出的通道数，m
′
代表点卷积的输入通道数。由于医学影像仅有一个通道，因此原始输入通道数为1，即m＝1。在第一层卷积后，输出通道数调整为原输出通道数的一半，分组卷积的输入通道数为
53.具体实施时，如图6所示，输入模块可以包括依次连接的3
×3×
3普通卷积、批归一化层、三维深度可分离卷积和最大池化层，其中三维深度可分离卷积可以包括依次连接的逐通道卷积和逐点卷积。
54.b.特征提取模块的改进
55.在特征提取模块中，原始模型对特征图进行特征提取后便将特征图输入输出模块。新的模型在这一部分保留由浅到深n次特征提取获得的n个特征图(n为整数)，并将层次深的n-1个特征图进行上采样使其和上一层的原特征图保持形状一致，然后将该上一层的原特征图进行eca注意力机制调整后与该上采样后的特征图进行融合，得到n-1个新的特征图，同时将层次最深的特征图进行eca注意力机制调整后，得到第n个新的特征图，由此共得到n个新的特征图；之后，将该n个新的特征图调整为一致大小并在通道维度上做concat操作，最后将融合后的特征图输入至输出模块。
56.在图3所示实施例中，以n＝4次特征提取为例，新的模型在这一部分保留由浅到深4次特征提取获得的4个特征图，并将层次深的3个特征图进行上采样使其和上一层的原特征图保持形状一致，然后将该上一层的原特征图进行eca注意力机制调整后与该上采样后的特征图进行融合，得到3个新的特征图，同时将层次最深的特征图进行eca注意力机制调整后，得到第4个新的特征图，由此共得到4个新的特征图；之后，将该4个新的特征图调整为一致大小并在通道维度上做concat操作，最后将融合后的特征图输入至输出模块。
57.具体实施时，特征提取模块可以整体分为4个阶段，即stage1～stage4，每个阶段均使用残差结构进行高维和低维的信息整合。由于医学影像本身存在图像小、分辨率低的特点，同时三维影像也更需要关注其空间信息。但是在原始的下采样过程中，虽然语义信息逐渐增强，但是空间信息和对细节感知能力在降低。因此本技术对特征提取模块的整体架构以残差网络为基础，根据帕金森影像特点进行如下调整：
58.(1)保留stage1～stage4过程中得到的由浅到深的4个特征图，即feature1～feature4。
59.(2)通过1
×1×
1卷积和3d反卷积使featuren和feature(n-1)在h(height，高度)、w(width，宽度)、d(depth，深度)维度上保持一致。也就是说，上述的上采样包括1
×1×
1卷积和3d反卷积，具体实施时，上采样可以包括依次连接的1
×1×
1卷积、第一批归一化层、3d
反卷积和第二批归一化层(参见图7)。
60.(3)使用修改后的3d eca注意力机制对feature1～feature4进行通道权重赋值，调整通道间的权重依赖关系。
61.(4)将步骤(2)中的featuren和步骤(3)中的feature(n-1)进行相加，分别得到feature3’、feature2’、feature1’和通道权重调整后的feature4。
62.(5)对feature1’、feature2’、feature3’分别进行3
×3×
3的卷积操作，消除上述操作中产生的混叠效应。然后经过池化层将feature3’、feature2’、feature1’分别调整为和feature4一样大小的特征图。也就是说，前述将该n个新的特征图调整为一致大小可以包括：对所述n-1个新的特征图(即层次浅的n-1个特征图)分别进行3
×3×
3的卷积操作，消除操作中产生的混叠效应，然后经过池化层将所述n-1个新的特征图分别调整为和所述第n个新的特征图一样大小的特征图。
63.(6)最后将调整后的feature1’、feature2’、feature3’和feature4在通道维度上做concat操作，得到既包含空间信息也包含语义信息的三维特征图。整体流程如图7所示。
64.在上述步骤(3)中，为了使eca注意力机制能够在3维影像上更好的使用，将其中的一维卷积改为三维卷积，使其可以学习三维的通道注意信息。
65.如图9所示，eca注意力机制优选为3d eca注意力机制，所述3d eca注意力机制首先将c*h*w*d的特征图通过三维平均池化进行空间特征压缩，得到c*1*1*1的新特征图，然后使用权重共享的三维卷积进行通道特征学习，最后将通道特征图和原始特征图通过逐通道乘方法进行通道融合，输出具有通道注意力的特征图。其中，c为通道数，h为高度、w为宽度、d为深度。其自适应选择三维卷积卷积核大小的方法可有效确定局部跨通道交互的覆盖范围，公式如下，其中γ＝2，b＝1，c代表通道数。
[0066][0067]
c.输出模块的改进
[0068]
在输出模块中，原始模型通过一个平均池化层和一个全连接层进行分类(参见图10)。新模型中特征图在输出模块中经过双通道池化层、隐藏层和两个全连接层输出最终分类结果(参见图11)。
[0069]
在原始输出模块中，特征提取后的特征图经平均池化层进行形状调整后，经全连接层输出分类结果。但是在新的模型中由于对特征提取模块的修改，最终输出的特征图较大，因此在这里使用三维双通道池化层进行特征图大小的调整，然后经过一个隐藏层和两个全连接层后，输出最终的分类结果。也就是说，如图11所示，输出模块可以包括依次连接的双通道池化层、第一全连接层、隐藏层和第二全连接层，其中，双通道池化层可以包括并联连接的最大池化层和平均池化层。
[0070]
作为一种可选的实施例，所述对所述mri影像进行预处理(步骤2)，可以包括：
[0071]
步骤21：将所述mri影像的格式转换为nifti格式；
[0072]
本步骤为格式转换。具体实施时，对所有的mri影像进行格式转换，可以使用mricron软件中的dcm2niix将dicom格式的影像转换为nifti格式，转换后的nifti影像可使用mricron等可视化浏览工具进行查看。
[0073]
步骤22：将nifti格式的mri影像在调整适当的分数强度阈值、阈值梯度和初始大
脑中心坐标后进行自动分离，以去除大脑中包括头骨、脂肪和小脑的无关组织；
[0074]
本步骤为头骨分离。具体实施时，头骨分离可以使用fsl中的bet组件，对每张nifti影像在调整适当的分数强度阈值、阈值梯度和初始大脑中心坐标等信息后进行自动分离。这一步的目的是去除大脑中头骨、脂肪和小脑等无关组织，避免其可能带来的影响。
[0075]
步骤23：将所述mri影像自动配准到mni152标准模板中，以将脑部影像进行空间位置上的对齐。
[0076]
本步骤为标准位置配准。具体实施时，标准位置配准可以使用fsl中的flirt工具，将mri影像自动配准到mni152标准模板中。这一步的目的是将不同的脑部影像进行空间位置上的对齐，避免大脑形态和位置的不同可能造成的影响。
[0077]
下面对本发明的基于医学影像的帕金森预测方法的准确率进行实验验证：
[0078]
数据集：实验数据由山东大学第二附属医院提供，其中包含帕金森病人mri影像122份，正常人mri影像136份。实验组即pd(parkinson’s disease，帕金森病)组中有男75例、女47例，年龄50～75岁，平均年龄62.73
±
9.53岁，患者均为右利手。对照组中有男76例、女60例，年龄48～73岁，平均年龄60.74
±
11.33岁，均为右利手。pd组和对照组的人群均无酗酒史、无滥用药物史、无癫痫发作史、无脑实质病变、无头部外伤史、无mri检查禁忌。
[0079]
数据预处理：
[0080]
a.格式转换
[0081]
对所有的mri影像进行格式转换。使用mricron软件中的dcm2niix将dicom格式的影像转换为nifti格式。转换后的nifti影像可使用mricron等可视化浏览工具进行查看。
[0082]
b.头骨分离
[0083]
头骨分离使用fsl中的bet组件，对每张nifti影像在调整适当的分数强度阈值、阈值梯度和初始大脑中心坐标等信息后进行自动分离。这一步的目的是去除大脑中头骨、脂肪、小脑等实验无关组织，避免其对实验可能带来的影响。mri影像在头骨分离前后的对比如图12所示。
[0084]
c.标准位置配准
[0085]
标准位置配准使用fsl中的flirt工具，将mri影像自动配准到mni152标准模板中。这一步的目的是将不同时间、不同个体、不同机器拍摄的脑部影像进行空间位置上的对齐，避免大脑形态和位置的不同对实验可能造成的影响。mri影像在标准位置配准前后的对比如图13所示。
[0086]
实验参数：实验在云服务器上进行训练，gpu数量为2，gpu类型为gpu_class_6，内存大小为120g。实验共进行120轮的训练，采用交叉熵损失函数和sgd(梯度下降法)优化器进行各项参数的优化。其中，momentum＝0.9，weight_decay＝0.001，nesterov＝true。学习率初始值为0.006，每隔30轮，学习率调整为原来的一半。
[0087]
评价指标：实验的分类性能评价指标为accuracy、precision、recall、f1，公式如下：
[0088][0089]
[0090][0091][0092]
其中，tp、tn、fp、fn分别指判断正确的正样本、判断正确的负样本、判断错误的正样本、判断错误的负样本。tp是真阳性，即pd患者被正确划分为pd患者。tn是真阴性，即健康人被正确划分为健康人。fp是假阴性，即健康人被错误划分为pd患者。fn为假阴性，即pd患者被错误划分为正常人。
[0093]
本发明与改进前原模型的精确度和召回率对比，如下表所示：
[0094]
表1
[0095]
模型准确率/％精确度/％召回率/％f1/％resnet18模型70.3566.6059.6460.10本发明改进模型85.6881.6368.8069.60
[0096]
综上，本发明的基于医学影像的帕金森预测方法，首先获取待评估的mri影像，然后对所述mri影像进行预处理，最后将预处理后的mri影像输入至预先构建好的人工智能分类预测模型中，得到预测结果，其中所述人工智能分类预测模型为改进的resnet18网络模型。本发明将逐渐成熟的医学影像和深度学习进行结合，发挥人工智能的优势并将其应用于实际生活中。以残差网络为基础架构，根据帕金森病的医学影像特点对其进行改进，实现帕金森病的自动分类，准确度高。
[0097]
帕金森病的发现难、诊断难、病程长、致残率高、治疗费用高等特点在给病人和家属带来精神和经济压力的同时也给社会带来沉重的医疗负担，而人工智能的成熟和深度学习的兴起使人们开始尝试其在医疗领域的应用。通过深度学习模型实现帕金森病的智能诊断，在为医生的诊断结果提供一定客观标准的同时，其低廉性和机器不易疲劳性也很大程度长减轻了患者家庭的经济负担和社会的诊疗压力。在未来随着研究的不断深入会有更好的应用前景。
[0098]
现有的帕金森深度学习辅助诊疗方法多是基于量表、语音、步态等，其数据集在收集过程中往往会存在各种问题，比如个人主观性强、收集环境要求高、适用性弱等。本发明基于医学影像数据，医学影像数据在收集时的限制因素更少，收集也更方便，并且可直观的去观察大脑内部结构和功能的改变，其本身也具有无创性、空间分辨率高、组织对比度好等优点。通过医学影像进行帕金森病的分类更有利于分类的准确性和客观性。
[0099]
目前基于医学影像的辅助诊断方法多是基于传统机器学习的方法，没有充分考虑帕金森三维影像空间特征和语义信息的结合，缺少针对帕金森三维影像特点的针对性调整。本发明充分考虑三维影像的空间信息和语义信息变化，在特征提取模块中有针对性的进行深浅特征融合。同时在初始特征提取中，考虑其影像分辨率低，三维图像计算量大特点，进行初始卷积层的调整。在输出模块中添加双通道池化进行形状调整，隐藏层防止过拟合，两个全连接层提高最终分类效果。
[0100]
此外，本发明还具有以下有益效果：
[0101]
(1)在初始特征提取过程中考虑医学影像分辨率低的问题，将7
×7×
7的卷积修改为3
×3×
3的卷积，并在其后面添加一组7
×7×
7的深度可分离卷积，在最大程度降低参数
量的同时保证特征提取效果不变。
[0102]
(2)在特征提取过程中，考虑空间信息的丢失问题，进行了深浅特征融合，充分利用三维影像中的空间信息和语义信息。
[0103]
(3)在输出模块中使用三维双通道池化层进行特征图大小的调整，使用隐藏层防止过拟合，使用两个全连接层进行分类，尽可能提高分类效果。
[0104]
(4)将人工智能和深度学习应用于实际生活中，根据帕金森影像搭建深度学习模型，实现帕金森病的分类预测。可以给予医生一定的客观参考，辅助医生实现帕金森病的发现和诊断。
[0105]
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

技术特征：
1.一种基于医学影像的帕金森预测方法，其特征在于，包括：获取待评估的mri影像；对所述mri影像进行预处理；将预处理后的mri影像输入至预先构建好的人工智能分类预测模型中，得到预测结果，其中所述人工智能分类预测模型为改进的resnet18网络模型。2.根据权利要求1所述的方法，其特征在于，所述改进的resnet18网络模型包括依次连接的输入模块、特征提取模块和输出模块，其中所述输入模块包括3
×3×
3普通卷积和三维深度可分离卷积。3.根据权利要求2所述的方法，其特征在于，所述输入模块包括依次连接的3
×3×
3普通卷积、批归一化层、三维深度可分离卷积和最大池化层。4.根据权利要求2所述的方法，其特征在于，所述特征提取模块中，保留由浅到深n次特征提取获得的n个特征图，并将层次深的n-1个特征图进行上采样使其和上一层的原特征图保持形状一致，然后将该上一层的原特征图进行eca注意力机制调整后与该上采样后的特征图进行融合，得到n-1个新的特征图，同时将层次最深的特征图进行eca注意力机制调整后，得到第n个新的特征图，由此共得到n个新的特征图；之后，将该n个新的特征图调整为一致大小并在通道维度上做concat操作。5.根据权利要求4所述的方法，其特征在于，所述上采样包括1
×1×
1卷积和3d反卷积；和/或，所述eca注意力机制为3d eca注意力机制，所述3d eca注意力机制首先将c*h*w*d的特征图通过三维平均池化进行空间特征压缩，得到c*1*1*1的新特征图，然后使用权重共享的三维卷积进行通道特征学习，最后将通道特征图和原始特征图通过逐通道乘方法进行通道融合，输出具有通道注意力的特征图；和/或，所述将该n个新的特征图调整为一致大小包括：对所述n-1个新的特征图分别进行3
×3×
3的卷积操作，消除操作中产生的混叠效应，然后经过池化层将所述n-1个新的特征图分别调整为和所述第n个新的特征图一样大小的特征图。6.根据权利要求2所述的方法，其特征在于，所述输出模块包括依次连接的双通道池化层、第一全连接层、隐藏层和第二全连接层。7.根据权利要求6所述的方法，其特征在于，所述双通道池化层包括并联连接的最大池化层和平均池化层。8.根据权利要求1-7中任一所述的方法，其特征在于，所述对所述mri影像进行预处理，包括：将所述mri影像的格式转换为nifti格式。9.根据权利要求8所述的方法，其特征在于，所述对所述mri影像进行预处理，包括：将nifti格式的mri影像在调整适当的分数强度阈值、阈值梯度和初始大脑中心坐标后进行自动分离，以去除大脑中包括头骨、脂肪和小脑的无关组织。10.根据权利要求8所述的方法，其特征在于，所述对所述mri影像进行预处理，包括：将所述mri影像自动配准到mni152标准模板中，以将脑部影像进行空间位置上的对齐。

技术总结
本发明公开了一种基于医学影像的帕金森预测方法，属于医学图像处理技术领域，所述方法包括：获取待评估的MRI影像；对所述MRI影像进行预处理；将预处理后的MRI影像输入至预先构建好的人工智能分类预测模型中，得到预测结果，其中所述人工智能分类预测模型为改进的ResNet18网络模型。本发明将逐渐成熟的医学影像和深度学习进行结合，发挥人工智能的优势并将其应用于实际生活中，以残差网络为基础架构，根据帕金森病的医学影像特点对其进行改进，实现帕金森病的自动分类，准确度高。准确度高。准确度高。


技术研发人员：丁青艳 潘雨 刘建鑫 李娜 郑婉 董学成
受保护的技术使用者：山东省计算中心（国家超级计算济南中心）
技术研发日：2023.06.25
技术公布日：2023/9/20