本發(fā)明涉及一種基于自編碼器的醫(yī)學(xué)圖像處理裝置與方法，特別地，涉及基于深度學(xué)習(xí)的二維自編碼器的利用頭顱的核磁共振成像對全腦和/或海馬體進行阿爾茲海默病、遺忘型輕度認(rèn)知損害和正常老年組的兩兩之間的判別的圖像分析裝置與方法。

背景技術(shù)：

阿爾茲海默病是一種神經(jīng)退行性疾病。已有的研究工作已經(jīng)證實，在頭顱的核磁共振成像的影像文件中，盡管每個受試者的核磁共振成像的影像數(shù)據(jù)存在個體差異，在生物統(tǒng)計學(xué)的意義上，阿爾茲海默病、遺忘型輕度認(rèn)知損害和正常老年組的三個類別存在核磁共振成像的影像數(shù)據(jù)的三個類別之間的差異。利用人工智能的機器學(xué)習(xí)的深度學(xué)習(xí)的方法利用頭顱的核磁共振成像的影像數(shù)據(jù)對阿爾茲海默病、遺忘型輕度認(rèn)知損害和正常老年組進行計算機輔助識別可以為臨床醫(yī)生提供參考意見，提高臨床醫(yī)生的工作效率。

現(xiàn)有技術(shù)中有利用人工智能的深度學(xué)習(xí)對頭顱的核磁共振成像的3維的影像數(shù)據(jù)進行阿爾茲海默病、遺忘型輕度認(rèn)知損害和正常老年組進行計算機輔助識別的文獻，見預(yù)印本網(wǎng)站的arxiv:1607.00556v1。但是，該文獻僅對頭顱的核磁共振成像的3維的體素數(shù)據(jù)進行處理，使用的技術(shù)方案是3維卷積自編碼器。由于需要對每一位受試者的頭顱的核磁共振成像的所有的3維的體素數(shù)據(jù)進行處理，該技術(shù)方案需要巨大的運算量，即使使用高性能計算機或高性能計算機集群，該技術(shù)方案也很難甚至不可能在臨床上使用。另外，臨床的普通掃描的頭顱的核磁共振成像的影像數(shù)據(jù)是20張到40張二維的切片的圖像數(shù)據(jù)，上述的arxiv:1607.00556v1的文獻中的方法無法用于臨床的普通掃描的頭顱的核磁共振成像的影像數(shù)據(jù)。

技術(shù)實現(xiàn)要素：

本發(fā)明提出了一種基于自編碼器的醫(yī)學(xué)圖像處理裝置，該裝置包括，用于存儲圖像預(yù)處理的程序、人工智能的深度學(xué)習(xí)的程序和頭顱的核磁共振成像的圖像數(shù)據(jù)的存儲介質(zhì)，利用人工智能的深度學(xué)習(xí)對頭顱的核磁共振成像的圖像數(shù)據(jù)進行處理和分析的計算機主機或計算機集群，用于顯示圖像預(yù)處理的程序、人工智能的深度學(xué)習(xí)的程序、各種頭顱的核磁共振成像的圖像數(shù)據(jù)和各種程序的運行過程和運行結(jié)果的顯示裝置，

其特征在于：上述裝置能夠?qū)崿F(xiàn)對任意給定的數(shù)量的正常老年組、遺忘型輕度認(rèn)知損害和阿爾茲海默病的受試者的三維的頭顱的核磁共振成像的圖像數(shù)據(jù)的任意給定的數(shù)量的二維切片實現(xiàn)人工智能的深度學(xué)習(xí)的自編碼器的監(jiān)督學(xué)習(xí)，根據(jù)上述的對任意給定的數(shù)量的正常老年組、遺忘型輕度認(rèn)知損害和阿爾茲海默病的受試者的三維的頭顱的核磁共振成像的圖像數(shù)據(jù)的二維切片進行人工智能的深度學(xué)習(xí)的自編碼器的監(jiān)督學(xué)習(xí)所得到的深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)模型，利用任意給定的數(shù)量的待識別的受試者的三維的頭顱的核磁共振成像的圖像數(shù)據(jù)的任意給定的數(shù)量的二維切片對上述的待識別的受試者進行正常老年組、遺忘型輕度認(rèn)知損害和阿爾茲海默病的三分類的區(qū)分識別。

本發(fā)明提出了一種基于自編碼器的醫(yī)學(xué)圖像處理方法，上述方法使用的裝置包括，用于存儲圖像預(yù)處理的程序、人工智能的深度學(xué)習(xí)的程序和頭顱的核磁共振成像的圖像數(shù)據(jù)的存儲介質(zhì)，利用人工智能的深度學(xué)習(xí)對頭顱的核磁共振成像的圖像數(shù)據(jù)進行處理和分析的計算機主機或計算機集群，用于顯示圖像預(yù)處理的程序、人工智能的深度學(xué)習(xí)的程序、各種頭顱的核磁共振成像的圖像數(shù)據(jù)和各種程序的運行過程和運行結(jié)果的顯示裝置，

其特征在于：上述方法能夠?qū)崿F(xiàn)對任意給定的數(shù)量的正常老年組、遺忘型輕度認(rèn)知損害和阿爾茲海默病的受試者的三維的頭顱的核磁共振成像的圖像數(shù)據(jù)的任意給定的數(shù)量的二維切片實現(xiàn)人工智能的深度學(xué)習(xí)的自編碼器的監(jiān)督學(xué)習(xí)，根據(jù)上述的對任意給定的數(shù)量的正常老年組、遺忘型輕度認(rèn)知損害和阿爾茲海默病的受試者的三維的頭顱的核磁共振成像的圖像數(shù)據(jù)的二維切片進行人工智能的深度學(xué)習(xí)的自編碼器的監(jiān)督學(xué)習(xí)所得到的深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)模型，利用任意給定的數(shù)量的待識別的受試者的三維的頭顱的核磁共振成像的圖像數(shù)據(jù)的任意給定的數(shù)量的二維切片對上述的待識別的受試者進行正常老年組、遺忘型輕度認(rèn)知損害和阿爾茲海默病的三分類的區(qū)分識別。

本發(fā)明提出了一種利用核磁共振成像的方法對阿爾茨海默病進行神經(jīng)成像的診斷的方法，能夠?qū)⒍鄠€受試者的全腦的核磁共振成像的三維體素的圖像的原始數(shù)據(jù)進行持久化的存儲，對受試者的全腦的核磁共振成像的三維體素的原始數(shù)據(jù)進行去噪和信號強度歸一化等預(yù)處理，對受試者的全腦的核磁共振成像的三維體素的圖像進行半自動或全自動的圖像分割，進行頭骨剝離，獲得每一位受試者的左海馬和右海馬的核磁共振成像的三維體素的圖像，使用典型的或平均化的海馬體的單圖集或多圖集作為參考圖像或模板對受試者的左海馬和右海馬的核磁共振成像的三維體素的圖像進行半自動或全自動的圖像配準(zhǔn)，

其特征在于：將指定數(shù)量的正常老年組的受試者的核磁共振成像的圖像數(shù)據(jù)、指定數(shù)量的已經(jīng)在臨床上確診為遺忘型輕度認(rèn)知損害的受試者的核磁共振成像的圖像數(shù)據(jù)和指定數(shù)量的已經(jīng)在臨床上確診為阿爾茲海默病的受試者的核磁共振成像的圖像數(shù)據(jù)做成人工智能的深度學(xué)習(xí)的二維自編碼器的監(jiān)督學(xué)習(xí)的訓(xùn)練集，將指定數(shù)量的正常老年組的受試者的核磁共振成像的圖像數(shù)據(jù)、指定數(shù)量的已經(jīng)在臨床上確診為遺忘型輕度認(rèn)知損害的受試者的核磁共振成像的圖像數(shù)據(jù)和指定數(shù)量的已經(jīng)在臨床上確診為阿爾茲海默病的受試者的核磁共振成像的圖像數(shù)據(jù)做成人工智能的深度學(xué)習(xí)的二維自編碼器的監(jiān)督學(xué)習(xí)的驗證集，將指定數(shù)量的正常老年組的受試者的核磁共振成像的圖像數(shù)據(jù)、指定數(shù)量的已經(jīng)在臨床上確診為遺忘型輕度認(rèn)知損害的受試者的核磁共振成像的圖像數(shù)據(jù)和指定數(shù)量的已經(jīng)在臨床上確診為阿爾茲海默病的受試者的核磁共振成像的圖像數(shù)據(jù)做成人工智能的深度學(xué)習(xí)的二維自編碼器的監(jiān)督學(xué)習(xí)的測試集，記錄下每個受試者的身份號或序號，構(gòu)建人工智能的深度學(xué)習(xí)的二維自編碼器，利用人工智能的深度學(xué)習(xí)的二維自編碼器實現(xiàn)基于全腦和/或海馬體的形態(tài)學(xué)特征的深度學(xué)習(xí)的計算機輔助識別和/或利用人工智能的深度學(xué)習(xí)的二維自編碼器實現(xiàn)基于全腦和/或海馬體的紋理特征的深度學(xué)習(xí)的計算機輔助識別，

基于全腦的形態(tài)學(xué)特征的人工智能的深度學(xué)習(xí)的輔助識別是指：從每一位受試者的全腦的核磁共振成像的三維體素的圖像中選取與冠狀面、矢狀面和水平面平行的指定數(shù)量和指定間距的厚度為體素的單位的二維切片，上述的體素的尺寸大小可以根據(jù)核磁共振成像的圖像的質(zhì)量任意地設(shè)定，對上述的訓(xùn)練集，給每個來源于正常老年組的受試者的所有的上述二維切片標(biāo)記上正常老年組的標(biāo)簽，給每個來源于在臨床上確診為遺忘型輕度認(rèn)知損害的受試者的所有的上述二維切片標(biāo)記上在臨床上確診為遺忘型輕度認(rèn)知損害的標(biāo)簽，給每個來源于在臨床上確診為阿爾茲海默病的受試者的所有的上述二維切片標(biāo)記上在臨床上確診為阿爾茲海默病的標(biāo)簽，將上述的每個二維切片劃分為大小相同的互相不重疊的多個區(qū)域，將以每個區(qū)域的灰度的強度的數(shù)值為基礎(chǔ)的反映該區(qū)域的圖像信息的特征做為人工智能的深度學(xué)習(xí)的二維自編碼器的輸入，利用上述的人工智能的深度學(xué)習(xí)的二維自編碼器對所有的上述的受試者的上述的二維切片的形態(tài)學(xué)特征進行識別，根據(jù)對上述形態(tài)學(xué)特征的識別得到針對上述的二維切片的對正常老年組、在臨床上確診為遺忘型輕度認(rèn)知損害和在臨床上確診為阿爾茲海默病的三種情況進行三分類的分類方法，使用上述的針對上述的二維切片的對正常老年組、在臨床上確診為遺忘型輕度認(rèn)知損害和在臨床上確診為阿爾茲海默病的三種情況進行三分類的分類方法對上述的驗證集進行驗證，在驗證中調(diào)整上述二維自編碼器的結(jié)構(gòu)和有關(guān)的參數(shù)，直到對上述三分類的分類方法達(dá)到上述的三種情況的兩兩之間的判別的準(zhǔn)確率達(dá)到85％以上，在上述三分類的分類方法達(dá)到上述的三種情況的兩兩之間的判別的準(zhǔn)確率達(dá)到85％以上的情況下，將上述三分類的分類方法用于對臨床的核磁共振的圖像提供參考診斷意見；

基于海馬體的形態(tài)學(xué)特征的人工智能的深度學(xué)習(xí)的輔助識別是指：從每一位受試者的左海馬和右海馬的核磁共振成像的三維體素的圖像中選取與冠狀面、矢狀面和水平面平行的指定數(shù)量和指定間距的以體素的尺寸大小為厚度的二維切片，上述的體素的尺寸大小可以根據(jù)核磁共振成像的圖像的質(zhì)量任意地設(shè)定，對上述的訓(xùn)練集，給每個來源于正常老年組的受試者的所有的上述二維切片標(biāo)記上正常老年組的標(biāo)簽，給每個來源于在臨床上確診為遺忘型輕度認(rèn)知損害的受試者的所有的上述二維切片標(biāo)記上在臨床上確診為遺忘型輕度認(rèn)知損害的標(biāo)簽，給每個來源于在臨床上確診為阿爾茲海默病的受試者的所有的上述二維切片標(biāo)記上在臨床上確診為阿爾茲海默病的標(biāo)簽，將上述的每個二維切片劃分為大小相同的互相不重疊的多個區(qū)域，將每個區(qū)域的灰度的強度的數(shù)值做為人工智能的深度學(xué)習(xí)的二維自編碼器的輸入，利用上述的人工智能的深度學(xué)習(xí)的二維自編碼器對上述二維切片的形態(tài)學(xué)特征進行識別，根據(jù)對上述形態(tài)學(xué)特征的識別得到針對上述的二維切片的對正常老年組、在臨床上確診為遺忘型輕度認(rèn)知損害和在臨床上確診為阿爾茲海默病的三種情況進行三分類的分類方法，使用上述的針對上述的二維切片的對正常老年組、在臨床上確診為遺忘型輕度認(rèn)知損害和在臨床上確診為阿爾茲海默病的三種情況進行三分類的分類方法對上述的驗證集進行驗證，在驗證中調(diào)整上述二維自編碼器的結(jié)構(gòu)和有關(guān)的參數(shù)，直到對上述三分類的分類方法達(dá)到上述的三種情況的兩兩之間的判別的準(zhǔn)確率達(dá)到85％以上，在上述三分類的分類方法達(dá)到上述的三種情況的兩兩之間的判別的準(zhǔn)確率達(dá)到85％以上的情況下，將上述三分類的分類方法用于對臨床的核磁共振的圖像提供參考診斷意見；

基于全腦的紋理特征的人工智能的深度學(xué)習(xí)的輔助識別是指：從每一位受試者的左海馬和右海馬的核磁共振成像的三維體素的圖像中選取與冠狀面、矢狀面或水平面平行的指定數(shù)量的二維切片組，每一個二維切片組具有給定數(shù)量的與冠狀面、矢狀面或水平面平行的連續(xù)相鄰的以體素的尺寸大小為厚度的二維切片，上述的體素的尺寸大小可以根據(jù)核磁共振成像的圖像的質(zhì)量任意地設(shè)定，相互平行的相鄰的兩層二維切片是指兩個相互平行的二維切片中的除邊緣區(qū)域以外的任何一層二維切片的任何一個體素與這兩個相互平行的二維切片的另一層二維切片的一個體素是相鄰的，就是說，相互平行的相鄰的兩層二維切片是指這兩層二維切片之間沒有別的體素，對在上述的每一個二維切片組的中間的一層的二維切片的不包括邊緣的3個到9個體素的所有的體素進行紋理特征的提取，上述的紋理特征的提取方法是根據(jù)相鄰的體素的灰度的強度值的數(shù)值在不同的方向上的變化來實現(xiàn)的，將上述的每一個二維切片組的中間的一層的二維切片的除邊緣的3到6個體素以外的所有的體素的紋理特征作為二維自編碼器的輸入，利用人工智能的深度學(xué)習(xí)的二維自編碼器對所有的上述的受試者的上述二維切片組的紋理特征進行識別，根據(jù)對上述紋理特征的識別得到針對上述的二維切片組的對正常老年組、在臨床上確診為遺忘型輕度認(rèn)知損害和在臨床上確診為阿爾茲海默病的三種情況進行三分類的分類方法，使用上述的針對上述的二維切片組的對正常老年組、在臨床上確診為遺忘型輕度認(rèn)知損害和在臨床上確診為阿爾茲海默病的三種情況進行三分類的分類方法對上述的驗證集進行驗證，在驗證中調(diào)整上述二維自編碼器的結(jié)構(gòu)與有關(guān)的參數(shù)，直到對上述三分類的分類方法達(dá)到上述的三種情況的兩兩之間的判別的準(zhǔn)確率達(dá)到85％以上，在上述三分類的分類方法達(dá)到上述的三種情況的兩兩之間的判別的準(zhǔn)確率達(dá)到85％以上的情況下，將上述三分類的分類方法用于對臨床的核磁共振的圖像提供參考診斷意見。

基于海馬體的紋理特征的人工智能的深度學(xué)習(xí)的輔助識別是指：從每一位受試者的左海馬和右海馬的核磁共振成像的三維體素的圖像中選取與冠狀面、矢狀面或水平面平行的指定數(shù)量的二維切片組，每一個二維切片組具有給定數(shù)量的與冠狀面、矢狀面或水平面平行的連續(xù)相鄰的以體素的尺寸大小為厚度的二維切片，上述的體素的尺寸大小可以根據(jù)核磁共振成像的圖像的質(zhì)量任意地設(shè)定，相互平行的相鄰的兩層二維切片是指兩個相互平行的二維切片中的除邊緣區(qū)域以外的任何一層二維切片的任何一個體素與這兩個相互平行的二維切片的另一層二維切片的一個體素是相鄰的，就是說，相互平行的相鄰的兩層二維切片是指這兩層二維切片之間沒有別的體素，對在上述的每一個二維切片組的中間的一層的二維切片的不包括邊緣的3個到9個體素的所有的體素進行紋理特征的提取，上述的紋理特征的提取方法是根據(jù)相鄰的體素的灰度的強度值的數(shù)值在不同的方向上的變化來實現(xiàn)的，將上述的每一個二維切片組的中間的一層的二維切片的除邊緣的3到6個體素以外的所有的體素的紋理特征作為二維自編碼器的輸入，利用人工智能的深度學(xué)習(xí)的二維自編碼器對上述二維切片組的紋理特征進行識別，根據(jù)對上述紋理特征的識別得到針對上述的二維切片組的對正常老年組、在臨床上確診為遺忘型輕度認(rèn)知損害和在臨床上確診為阿爾茲海默病的三種情況進行三分類的分類方法，使用上述的針對上述的二維切片組的對正常老年組、在臨床上確診為遺忘型輕度認(rèn)知損害和在臨床上確診為阿爾茲海默病的三種情況進行三分類的分類方法對上述的驗證集進行驗證，在驗證中調(diào)整上述二維自編碼器的結(jié)構(gòu)與有關(guān)的參數(shù)，直到對上述三分類的分類方法達(dá)到上述的三種情況的兩兩之間的判別的準(zhǔn)確率達(dá)到85％以上，在上述三分類的分類方法達(dá)到上述的三種情況的兩兩之間的判別的準(zhǔn)確率達(dá)到85％以上的情況下，將上述三分類的分類方法用于對臨床的核磁共振的圖像提供參考診斷意見。

本發(fā)明可以僅實現(xiàn)上述的基于形態(tài)學(xué)特征的人工智能的深度學(xué)習(xí)的計算機輔助識別。

本發(fā)明可以僅實現(xiàn)上述的基于紋理學(xué)特征的人工智能的深度學(xué)習(xí)的計算機輔助識別。

本發(fā)明可以同時實現(xiàn)上述的基于形態(tài)學(xué)特征的人工智能的深度學(xué)習(xí)的計算機輔助識別和上述的基于紋理學(xué)特征的深度學(xué)習(xí)的計算機輔助識別，將上述的兩種診斷方法的計算機輔助識別的結(jié)果共同作為診斷的參考意見。

本發(fā)明的頭顱的核磁共振的二維的圖像數(shù)據(jù)的選用方法和二維自編碼器的結(jié)構(gòu)的設(shè)計方法與訓(xùn)練方法都是可以根據(jù)計算機的性能進行選擇的，可以使用普通的計算機和高性能計算機或高性能計算機集群。

本發(fā)明能夠?qū)εR床上使用的普通掃描的頭顱的核磁共振的二維的圖像數(shù)據(jù)進行處理。

附圖說明

圖1是本發(fā)明的二維自編碼器的結(jié)構(gòu)的原理的示意圖。

圖2是本發(fā)明的頭顱的核磁共振的全腦的冠狀面的二維切片的示意圖。

圖3是本發(fā)明的頭顱的核磁共振的全腦的矢狀面的二維切片的示意圖。

圖4是本發(fā)明的頭顱的核磁共振的全腦的水平面的二維切片的示意圖。

圖5是本發(fā)明的頭顱的核磁共振的海馬體的冠狀面的二維切片的示意圖。

圖6是本發(fā)明的頭顱的核磁共振的海馬體的矢狀面的二維切片的示意圖。

圖7是本發(fā)明的頭顱的核磁共振的海馬體的水平面的二維切片的示意圖。

圖8是本發(fā)明的核磁共振的圖像數(shù)據(jù)的二維切片的劃分方法的示意圖。

具體實施方式

實施方式1

實施方式1利用美國的阿爾茲海默病神經(jīng)影像計劃(alzheimer’sdiseaseneuroimaginginitiative，簡稱adni)的數(shù)據(jù)實現(xiàn)本發(fā)明對頭顱的核磁共振成像的影像數(shù)據(jù)的全腦的圖像數(shù)據(jù)進行計算機輔助輔助識別的技術(shù)方案。從美國的阿爾茲海默病神經(jīng)影像計劃的官方網(wǎng)站下載經(jīng)過臨床確診的阿爾茲海默病(ad)，遺忘型輕度認(rèn)知損害(mci)和正常老年組(nc)的頭顱的核磁共振的影像數(shù)據(jù)，

美國的阿爾茲海默病神經(jīng)影像計劃的數(shù)據(jù)，3013個掃描結(jié)果(scans)，321個受試者(subject)，可以劃分訓(xùn)練集，驗證集和測試集

訓(xùn)練集的情況

驗證集的情況

測試集的情況

從美國的阿爾茲海默病神經(jīng)影像計劃的網(wǎng)站獲取上述的頭顱的核磁共振影像數(shù)據(jù)的全腦的三維數(shù)據(jù)。先對上述的三維數(shù)據(jù)進行圖像數(shù)據(jù)的預(yù)處理，主要是進行漩渦電流的校準(zhǔn)(eddycurrentcorrection)，去頭骨(skullstripping)，將3維圖像轉(zhuǎn)換為2維圖像，在與水平面平行的方向上獲取到厚度為體素的尺寸大小的91個二維切片，上述的體素的尺寸大小可以根據(jù)核磁共振成像的圖像的質(zhì)量任意地設(shè)定，然后根據(jù)二維切片的面積大小，過濾掉腦部面積較小的切片，留下62個二維切片，縮放到96×96的大小，就是說，分成96×96個互相不重疊的區(qū)域。然后進行標(biāo)準(zhǔn)化操作，使上述的二維切片轉(zhuǎn)換到標(biāo)準(zhǔn)坐標(biāo)系。對圖像進行數(shù)據(jù)增強操作，如旋轉(zhuǎn)，高度位移，縮放，寬度位移等。

美國的阿爾茲海默病神經(jīng)影像計劃(adni)的核磁共振的圖像的預(yù)處理和二維切片的獲取可以通過nibabel或其它各種醫(yī)學(xué)影像學(xué)的開源或商業(yè)軟件實現(xiàn)，也可以使用matlab等編程語言根據(jù)圖像去噪，圖像分割和圖像配準(zhǔn)的原理編程實現(xiàn)。

對上述的訓(xùn)練集，給每個來源于正常老年組的受試者的所有的上述二維切片標(biāo)記上正常老年組的標(biāo)簽，給每個來源于在臨床上確診為遺忘型輕度認(rèn)知損害的受試者的所有的上述二維切片標(biāo)記上在臨床上確診為遺忘型輕度認(rèn)知損害的標(biāo)簽，給每個來源于在臨床上確診為阿爾茲海默病的受試者的所有的上述二維切片標(biāo)記上在臨床上確診為阿爾茲海默病的標(biāo)簽，使用python語言和keras的開源的深度學(xué)習(xí)的計算框架實現(xiàn)實施方式1的深度學(xué)習(xí)的軟件部分的編程，使用普通的個人計算機或高性能計算機作為硬件。

scikit是一個機器學(xué)習(xí)的開源的庫，scikit的onehotencoder函數(shù)可以實現(xiàn)獨熱編碼，獨熱編碼也稱為一位有效編碼，利用scikit的機器學(xué)習(xí)的庫的onehotencoder函數(shù)對上述的標(biāo)簽實現(xiàn)獨熱編碼。獨熱編碼的功能是，經(jīng)過對受試者的標(biāo)簽進行獨熱編碼，將受試者的標(biāo)簽的取值轉(zhuǎn)換成三維的向量，該三維向量的每一維的取值為0或1。舉例來說，(1,0，0)代表正常老年組,(0,1,0)代表遺忘型輕度認(rèn)知損害，(0,0,1)代表阿爾茲海默病。對于受試者的標(biāo)簽，如果它有3個可能的取值(阿爾茲海默病，遺忘型輕度認(rèn)知損害，正常老年組)，那么經(jīng)過獨熱編碼后，標(biāo)簽的取值就轉(zhuǎn)換為3個二元特征。并且，這3個二元特征互斥，如果是阿爾茲海默病,就不是遺忘型輕度認(rèn)知損害，也不是正常老年組；如果是遺忘型輕度認(rèn)知損害，就不是阿爾茲海默病，也不是正常老年組；如果是正常老年組，就不是阿爾茲海默病，也不是遺忘型輕度認(rèn)知損害。通過對標(biāo)簽實現(xiàn)獨熱編碼，便于在二維自編碼器的深度學(xué)習(xí)中實現(xiàn)對神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。

將上述的每個二維切片劃分為大小相同的互相不重疊的96×96＝9216個區(qū)域，每個區(qū)域的圖像的灰度的強度的數(shù)值作為96×96的矩陣的每個元素的數(shù)值，將上述的96×96的矩陣的元素作為上述的人工智能的二維自編碼器的輸入，上述的人工智能的二維自編碼器的第一層為具有128個核的卷積層，核的大小為3×3，激活函數(shù)為relu，上述的人工智能的二維自編碼器的第二層為最大池化層，核的大小為2×2，上述的人工智能的二維自編碼器的第三層為有64個核的卷積層，核的大小為3×3，激活函數(shù)為relu，上述的人工智能的二維自編碼器的第四層為池化層，核的大小為2×2，上述的人工智能的二維自編碼器的第五層為具有32個核的卷積層，核的大小為3×3，激活函數(shù)為relu，上述的人工智能的二維自編碼器的第六層為池化層，核的大小為2×2，上述的二維自編碼器的每一步的以卷積的方式實現(xiàn)的編碼步驟都有對應(yīng)的以反卷積的方式實現(xiàn)的解碼的步驟，通過卷積和批量正規(guī)化(batchnormalization)進行編碼的處理，通過反卷積和批量正規(guī)化(batchnormalization)進行解碼的處理，池化指數(shù)是指池化層的核的大小，上采樣是指與池化的作用相反的操作。將上述第六層的輸出展開成一維數(shù)組，連接到上述的人工智能的二維自編碼器的第一隱藏層，上述的人工智能的二維自編碼器的上述第一隱藏層有200個神經(jīng)單元，激活函數(shù)為dropout，將上述第一隱藏層的輸出連接到上述的人工智能的二維自編碼器的第二隱藏層，上述的人工智能的二維自編碼器的上述第二隱藏層有200個神經(jīng)單元，再將上述上述第二隱藏層的輸出連接到上述的人工智能的二維自編碼器的輸出層，上述的人工智能的二維自編碼器的輸出層的激活函數(shù)為softmax。每一層的神經(jīng)元到下一層的神經(jīng)元的變換參數(shù)是訓(xùn)練出來的參數(shù)，所有的訓(xùn)練出的參數(shù)是訓(xùn)練出的二維自編碼器的模型，將代表這個神經(jīng)網(wǎng)絡(luò)的模型的參數(shù)存儲在本地的硬盤。

在完成了上述的二維自編碼器的訓(xùn)練之后，用訓(xùn)練出的二維自編碼器的模型對驗證集進行驗證，并對測試集進行測試。

在驗證的過程中，使用上述的訓(xùn)練出的二維自編碼器的計算機輔助識別的模型對每一位受試者的按照上述的方法獲得的62個二維切片的每一個二維切片進行判別，每一個二維切片的判別結(jié)果是該二維切片屬于阿爾茲海默病、遺忘型輕度認(rèn)知損害和正常老年組的三種情況的概率，將這62個判別結(jié)果進行平均，就可以得知該受試者屬于阿爾茲海默病、遺忘型輕度認(rèn)知損害和正常老年組的三種情況中的哪一種的概率。

就是說，利用上述的人工智能的深度學(xué)習(xí)的二維自編碼器對所有的上述的受試者的上述的二維切片的形態(tài)學(xué)特征進行識別，根據(jù)對上述形態(tài)學(xué)特征的識別得到針對上述的二維切片的對正常老年組、在臨床上確診為遺忘型輕度認(rèn)知損害和在臨床上確診為阿爾茲海默病的三種情況進行三分類的分類方法，使用上述的針對上述的二維切片的對正常老年組、在臨床上確診為遺忘型輕度認(rèn)知損害和在臨床上確診為阿爾茲海默病的三種情況進行三分類的分類方法對上述的驗證集進行驗證，在驗證中調(diào)整上述二維自編碼器的結(jié)構(gòu)和有關(guān)的參數(shù)，直到對上述三分類的分類方法達(dá)到上述的三種情況的兩兩之間的判別的準(zhǔn)確率達(dá)到85％以上，在上述三分類的分類方法達(dá)到上述的三種情況的兩兩之間的判別的準(zhǔn)確率達(dá)到85％以上的情況下，可以為臨床診斷提供參考意見。

實施方式2

實施方式2利用美國的阿爾茲海默病神經(jīng)影像計劃(alzheimer’sdiseaseneuroimaginginitiative，簡稱adni)的數(shù)據(jù)實現(xiàn)本發(fā)明對頭顱的核磁共振成像的影像數(shù)據(jù)的全腦的圖像數(shù)據(jù)進行計算機輔助輔助識別的技術(shù)方案。從美國的阿爾茲海默病神經(jīng)影像計劃的官方網(wǎng)站下載經(jīng)過臨床確診的阿爾茲海默病(ad)，遺忘型輕度認(rèn)知損害(mci)和正常老年組(nc)的頭顱的核磁共振的影像數(shù)據(jù)，

美國的阿爾茲海默病神經(jīng)影像計劃的數(shù)據(jù)，3013個掃描結(jié)果(scans)，321個受試者(subject)，可以劃分訓(xùn)練集，驗證集和測試集

訓(xùn)練集的情況

驗證集的情況

測試集的情況

從美國的阿爾茲海默病神經(jīng)影像計劃的網(wǎng)站獲取上述的頭顱的核磁共振影像數(shù)據(jù)的全腦的三維數(shù)據(jù)。先對上述的三維數(shù)據(jù)進行圖像數(shù)據(jù)的預(yù)處理，主要是進行漩渦電流的校準(zhǔn)(eddycurrentcorrection)，去頭骨(skullstripping)，將3維圖像轉(zhuǎn)換為2維圖像，在與水平面平行的方向上獲取到厚度為體素的尺寸大小的91個二維切片，上述的體素的尺寸大小可以根據(jù)核磁共振成像的圖像的質(zhì)量任意地設(shè)定，然后根據(jù)二維切片的面積大小，過濾掉腦部面積較小的切片，留下62個二維切片，縮放到96×96的大小。然后進行標(biāo)準(zhǔn)化操作，使上述的二維切片轉(zhuǎn)換到標(biāo)準(zhǔn)坐標(biāo)系。對圖像進行數(shù)據(jù)增強操作，如旋轉(zhuǎn)，高度位移，縮放，寬度位移等。在與冠狀面平行的方向上獲取到厚度為體素的尺寸大小的91個二維切片，上述的體素的尺寸大小可以根據(jù)核磁共振成像的圖像的質(zhì)量任意地設(shè)定，然后根據(jù)二維切片的面積大小，過濾掉腦部面積較小的切片，留下62個二維切片，縮放到96×96的大小，就是說，分成96×96個互相不重疊的區(qū)域。然后進行標(biāo)準(zhǔn)化操作，使上述的二維切片轉(zhuǎn)換到標(biāo)準(zhǔn)坐標(biāo)系。對圖像進行數(shù)據(jù)增強操作，如旋轉(zhuǎn)，高度位移，縮放，寬度位移等。在與矢狀面平行的方向上獲取到厚度為體素的尺寸大小的91個二維切片，上述的體素的尺寸大小可以根據(jù)核磁共振成像的圖像的質(zhì)量任意地設(shè)定，然后根據(jù)二維切片的面積大小，過濾掉腦部面積較小的切片，留下62個二維切片，縮放到96×96的大小。然后進行標(biāo)準(zhǔn)化操作，使上述的二維切片轉(zhuǎn)換到標(biāo)準(zhǔn)坐標(biāo)系。對圖像進行數(shù)據(jù)增強操作，如旋轉(zhuǎn)，高度位移，縮放，寬度位移等

美國的阿爾茲海默病神經(jīng)影像計劃(adni)的核磁共振的圖像的預(yù)處理和二維切片的獲取可以通過nibabel或其它各種醫(yī)學(xué)影像學(xué)的開源或商業(yè)軟件實現(xiàn)，也可以使用matlab等編程語言根據(jù)圖像去噪，圖像分割和圖像配準(zhǔn)的原理編程實現(xiàn)。

對上述的訓(xùn)練集，給每個來源于正常老年組的受試者的所有的上述二維切片標(biāo)記上正常老年組的標(biāo)簽，給每個來源于在臨床上確診為遺忘型輕度認(rèn)知損害的受試者的所有的上述二維切片標(biāo)記上在臨床上確診為遺忘型輕度認(rèn)知損害的標(biāo)簽，給每個來源于在臨床上確診為阿爾茲海默病的受試者的所有的上述二維切片標(biāo)記上在臨床上確診為阿爾茲海默病的標(biāo)簽，

使用python語言和keras的開源的深度學(xué)習(xí)的計算框架實現(xiàn)實施方式1的深度學(xué)習(xí)的軟件部分的編程，使用普通的個人計算機或高性能計算機作為硬件。

scikit是一個機器學(xué)習(xí)的開源的庫，scikit的onehotencoder函數(shù)可以實現(xiàn)獨熱編碼，獨熱編碼也稱為一位有效編碼，利用scikit的機器學(xué)習(xí)的庫的onehotencoder函數(shù)對上述的標(biāo)簽實現(xiàn)獨熱編碼。獨熱編碼的功能是，經(jīng)過對受試者的標(biāo)簽進行獨熱編碼，將受試者的標(biāo)簽的取值轉(zhuǎn)換成三維的向量，該三維向量的每一維的取值為0或1。舉例來說，(1,0，0)代表正常老年組,(0,1,0)代表遺忘型輕度認(rèn)知損害，(0,0,1)代表阿爾茲海默病。對于受試者的標(biāo)簽，如果它有3個可能的取值(阿爾茲海默病，遺忘型輕度認(rèn)知損害，正常老年組)，那么經(jīng)過獨熱編碼后，標(biāo)簽的取值就轉(zhuǎn)換為3個二元特征。并且，這3個二元特征互斥，如果是阿爾茲海默病,就不是遺忘型輕度認(rèn)知損害，也不是正常老年組；如果是遺忘型輕度認(rèn)知損害，就不是阿爾茲海默病，也不是正常老年組；如果是正常老年組，就不是阿爾茲海默病，也不是遺忘型輕度認(rèn)知損害。通過對標(biāo)簽實現(xiàn)獨熱編碼，便于在二維自編碼器的深度學(xué)習(xí)中實現(xiàn)對神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。

對與水平面、冠狀面和矢狀面平行的上述的三組二維切片分別進行訓(xùn)練，得到相應(yīng)的二維自編碼器的計算機輔助識別的模型。

將上述的每個二維切片劃分為大小相同的互相不重疊的96×96＝9216個區(qū)域，每個區(qū)域的圖像的灰度的強度的數(shù)值作為96×96的矩陣的每個元素的數(shù)值，將上述的96×96的矩陣的元素作為上述的人工智能的二維自編碼器的輸入，上述的人工智能的二維自編碼器的第一層為具有128個核的卷積層，核的大小為3×3，激活函數(shù)為relu，上述的人工智能的二維自編碼器的第二層為最大池化層，核的大小為2×2，上述的人工智能的二維自編碼器的第三層為有64個核的卷積層，核的大小為3×3，激活函數(shù)為relu，上述的人工智能的二維自編碼器的第四層為池化層，核的大小為2×2，上述的人工智能的二維自編碼器的第五層為具有32個核的卷積層，核的大小為3×3，激活函數(shù)為relu，上述的人工智能的二維自編碼器的第六層為池化層，核的大小為2×2，上述的二維自編碼器的每一步的以卷積的方式實現(xiàn)的編碼步驟都有對應(yīng)的以反卷積的方式實現(xiàn)的解碼的步驟，通過卷積和批量正規(guī)化(batchnormalization)進行編碼的處理，通過反卷積和批量正規(guī)化(batchnormalization)進行解碼的處理，池化指數(shù)是指池化層的核的大小，上采樣是指與池化的作用相反的操作。將上述第六層的輸出展開成一維數(shù)組，連接到上述的人工智能的二維自編碼器的第一隱藏層，上述的人工智能的二維自編碼器的上述第一隱藏層有200個神經(jīng)單元，激活函數(shù)為dropout，將上述第一隱藏層的輸出連接到上述的人工智能的二維自編碼器的第二隱藏層，上述的人工智能的二維自編碼器的上述第二隱藏層有200個神經(jīng)單元，再將上述上述第二隱藏層的輸出連接到上述的人工智能的二維自編碼器的輸出層，上述的人工智能的二維自編碼器的輸出層的激活函數(shù)為softmax。每一層的神經(jīng)元到下一層的神經(jīng)元的變換參數(shù)是訓(xùn)練出來的參數(shù)，所有的訓(xùn)練出的參數(shù)是訓(xùn)練出的二維自編碼器的模型，將代表這個神經(jīng)網(wǎng)絡(luò)的模型的參數(shù)存儲在本地的硬盤。

在完成了上述的二維自編碼器的訓(xùn)練之后，用訓(xùn)練出的二維自編碼器的模型對驗證集進行驗證，并對測試集進行測試。

在驗證的過程中，使用上述的訓(xùn)練出的二維自編碼器的計算機輔助識別的模型對每一位受試者的按照上述的方法獲得的與水平面平行、與冠狀面平行和與矢狀面平行的62×3＝186個二維切片的每一個二維切片進行判別，每一個二維切片的判別結(jié)果是該二維切片屬于阿爾茲海默病、遺忘型輕度認(rèn)知損害和正常老年組的三種情況的概率，將這186個判別結(jié)果進行平均，就可以得知該受試者屬于阿爾茲海默病、遺忘型輕度認(rèn)知損害和正常老年組的三種情況中的哪一種的概率。

就是說，利用上述的人工智能的深度學(xué)習(xí)的二維自編碼器對所有的上述的受試者的上述的二維切片的形態(tài)學(xué)特征進行識別，根據(jù)對上述形態(tài)學(xué)特征的識別得到針對上述的二維切片的對正常老年組、在臨床上確診為遺忘型輕度認(rèn)知損害和在臨床上確診為阿爾茲海默病的三種情況進行三分類的分類方法，使用上述的針對上述的二維切片的對正常老年組、在臨床上確診為遺忘型輕度認(rèn)知損害和在臨床上確診為阿爾茲海默病的三種情況進行三分類的分類方法對上述的驗證集進行驗證，在驗證中調(diào)整上述二維自編碼器的結(jié)構(gòu)和有關(guān)的參數(shù)，直到對上述三分類的分類方法達(dá)到上述的三種情況的兩兩之間的判別的準(zhǔn)確率達(dá)到85％以上，在上述三分類的分類方法達(dá)到上述的三種情況的兩兩之間的判別的準(zhǔn)確率達(dá)到85％以上的情況下，可以為臨床診斷提供參考意見。

實施方式3

實施方式3利用美國的阿爾茲海默病神經(jīng)影像計劃(alzheimer’sdiseaseneuroimaginginitiative，簡稱adni)的數(shù)據(jù)實現(xiàn)本發(fā)明對頭顱的核磁共振成像的影像數(shù)據(jù)的全腦的圖像數(shù)據(jù)進行計算機輔助輔助識別的技術(shù)方案。從美國的阿爾茲海默病神經(jīng)影像計劃的官方網(wǎng)站下載經(jīng)過臨床確診的阿爾茲海默病(ad)，遺忘型輕度認(rèn)知損害(mci)和正常老年組(nc)的頭顱的核磁共振的影像數(shù)據(jù)，

美國的阿爾茲海默病神經(jīng)影像計劃的數(shù)據(jù)，3013個掃描結(jié)果(scans)，321個受試者(subject)，可以劃分訓(xùn)練集，驗證集和測試集

訓(xùn)練集的情況

驗證集的情況

測試集的情況

從美國的阿爾茲海默病神經(jīng)影像計劃的網(wǎng)站獲取上述的頭顱的核磁共振影像數(shù)據(jù)的全腦的三維影像數(shù)據(jù)。先對上述的三維數(shù)據(jù)進行圖像數(shù)據(jù)的預(yù)處理，主要是進行漩渦電流的校準(zhǔn)(eddycurrentcorrection)，去頭骨(skullstripping)，利用現(xiàn)有的開源軟件或已有的研究文獻發(fā)表的方法從頭顱的核磁共振影像數(shù)據(jù)的全腦的三維數(shù)據(jù)提取海馬體的部分的三維影像數(shù)據(jù)，將提取出的海馬體的部分的3維圖像轉(zhuǎn)換為2維圖像，在與水平面平行的方向上獲取到厚度為體素的尺寸大小的91個二維切片，上述的體素的尺寸大小可以根據(jù)核磁共振成像的圖像的質(zhì)量任意地設(shè)定，然后根據(jù)二維切片的面積大小，過濾掉腦部面積較小的切片，留下62個二維切片，縮放到96×96的大小，就是說，分成96×96個互相不重疊的區(qū)域。然后進行標(biāo)準(zhǔn)化操作，使上述的二維切片轉(zhuǎn)換到標(biāo)準(zhǔn)坐標(biāo)系。對圖像進行數(shù)據(jù)增強操作，如旋轉(zhuǎn)，高度位移，縮放，寬度位移等。

美國的阿爾茲海默病神經(jīng)影像計劃(adni)的核磁共振的圖像的預(yù)處理和二維切片的獲取可以通過nibabel或其它各種醫(yī)學(xué)影像學(xué)的開源或商業(yè)軟件實現(xiàn)，也可以使用matlab等編程語言根據(jù)圖像去噪，圖像分割和圖像配準(zhǔn)的原理編程實現(xiàn)。

對上述的訓(xùn)練集，給每個來源于正常老年組的受試者的所有的上述二維切片標(biāo)記上正常老年組的標(biāo)簽，給每個來源于在臨床上確診為遺忘型輕度認(rèn)知損害的受試者的所有的上述二維切片標(biāo)記上在臨床上確診為遺忘型輕度認(rèn)知損害的標(biāo)簽，給每個來源于在臨床上確診為阿爾茲海默病的受試者的所有的上述二維切片標(biāo)記上在臨床上確診為阿爾茲海默病的標(biāo)簽，使用python語言和keras的開源的深度學(xué)習(xí)的計算框架實現(xiàn)實施方式1的深度學(xué)習(xí)的軟件部分的編程，使用普通的個人計算機或高性能計算機作為硬件。

scikit是一個機器學(xué)習(xí)的開源的庫，scikit的onehotencoder函數(shù)可以實現(xiàn)獨熱編碼，獨熱編碼也稱為一位有效編碼，利用scikit的機器學(xué)習(xí)的庫的onehotencoder函數(shù)對上述的標(biāo)簽實現(xiàn)獨熱編碼。獨熱編碼的功能是，經(jīng)過對受試者的標(biāo)簽進行獨熱編碼，將受試者的標(biāo)簽的取值轉(zhuǎn)換成三維的向量，該三維向量的每一維的取值為0或1。舉例來說，(1,0，0)代表正常老年組,(0,1,0)代表遺忘型輕度認(rèn)知損害，(0,0,1)代表阿爾茲海默病。對于受試者的標(biāo)簽，如果它有3個可能的取值(阿爾茲海默病，遺忘型輕度認(rèn)知損害，正常老年組)，那么經(jīng)過獨熱編碼后，標(biāo)簽的取值就轉(zhuǎn)換為3個二元特征。并且，這3個二元特征互斥，如果是阿爾茲海默病,就不是遺忘型輕度認(rèn)知損害，也不是正常老年組；如果是遺忘型輕度認(rèn)知損害，就不是阿爾茲海默病，也不是正常老年組；如果是正常老年組，就不是阿爾茲海默病，也不是遺忘型輕度認(rèn)知損害。通過對標(biāo)簽實現(xiàn)獨熱編碼，便于在二維自編碼器的深度學(xué)習(xí)中實現(xiàn)對神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。

將上述的每個二維切片劃分為大小相同的互相不重疊的96×96＝9216個區(qū)域，每個區(qū)域的圖像的灰度的強度的數(shù)值作為96×96的矩陣的每個元素的數(shù)值，將上述的96×96的矩陣的元素作為上述的人工智能的二維自編碼器的輸入，上述的人工智能的二維自編碼器的第一層為具有128個核的卷積層，核的大小為3×3，激活函數(shù)為relu，上述的人工智能的二維自編碼器的第二層為最大池化層，核的大小為2×2，上述的人工智能的二維自編碼器的第三層為有64個核的卷積層，核的大小為3×3，激活函數(shù)為relu，上述的人工智能的二維自編碼器的第四層為池化層，核的大小為2×2，上述的人工智能的二維自編碼器的第五層為具有32個核的卷積層，核的大小為3×3，激活函數(shù)為relu，上述的人工智能的二維自編碼器的第六層為池化層，核的大小為2×2，上述的二維自編碼器的每一步的以卷積的方式實現(xiàn)的編碼步驟都有對應(yīng)的以反卷積的方式實現(xiàn)的解碼的步驟，通過卷積和批量正規(guī)化(batchnormalization)進行編碼的處理，通過反卷積和批量正規(guī)化(batchnormalization)進行解碼的處理，池化指數(shù)是指池化層的核的大小，上采樣是指與池化的作用相反的操作。將上述第六層的輸出展開成一維數(shù)組，連接到上述的人工智能的二維自編碼器的第一隱藏層，上述的人工智能的二維自編碼器的上述第一隱藏層有200個神經(jīng)單元，激活函數(shù)為dropout，將上述第一隱藏層的輸出連接到上述的人工智能的二維自編碼器的第二隱藏層，上述的人工智能的二維自編碼器的上述第二隱藏層有200個神經(jīng)單元，再將上述上述第二隱藏層的輸出連接到上述的人工智能的二維自編碼器的輸出層，上述的人工智能的二維自編碼器的輸出層的激活函數(shù)為softmax。每一層的神經(jīng)元到下一層的神經(jīng)元的變換參數(shù)是訓(xùn)練出來的參數(shù)，所有的訓(xùn)練出的參數(shù)是訓(xùn)練出的二維自編碼器的模型，將代表這個神經(jīng)網(wǎng)絡(luò)的模型的參數(shù)存儲在本地的硬盤。

在完成了上述的二維自編碼器的訓(xùn)練之后，用訓(xùn)練出的二維自編碼器的模型對驗證集進行驗證，并對測試集進行測試。

在驗證的過程中，使用上述的訓(xùn)練出的二維自編碼器的計算機輔助識別的模型對每一位受試者的按照上述的方法獲得的62個二維切片的每一個二維切片進行判別，每一個二維切片的判別結(jié)果是該切片屬于阿爾茲海默病、遺忘型輕度認(rèn)知損害和正常老年組的三種情況的概率，將這62個判別結(jié)果進行平均，就可以得知該受試者屬于阿爾茲海默病、遺忘型輕度認(rèn)知損害和正常老年組的三種情況中的哪一種的概率。

就是說，利用上述的人工智能的深度學(xué)習(xí)的二維自編碼器對所有的上述的受試者的上述的二維切片的形態(tài)學(xué)特征進行識別，根據(jù)對上述形態(tài)學(xué)特征的識別得到針對上述的二維切片的對正常老年組、在臨床上確診為遺忘型輕度認(rèn)知損害和在臨床上確診為阿爾茲海默病的三種情況進行三分類的分類方法，使用上述的針對上述的二維切片的對正常老年組、在臨床上確診為遺忘型輕度認(rèn)知損害和在臨床上確診為阿爾茲海默病的三種情況進行三分類的分類方法對上述的驗證集進行驗證，在驗證中調(diào)整上述二維自編碼器的結(jié)構(gòu)和有關(guān)的參數(shù)，直到對上述三分類的分類方法達(dá)到上述的三種情況的兩兩之間的判別的準(zhǔn)確率達(dá)到85％以上，在上述三分類的分類方法達(dá)到上述的三種情況的兩兩之間的判別的準(zhǔn)確率達(dá)到85％以上的情況下，可以為臨床診斷提供參考意見。

實施方式4

實施方式4利用美國的阿爾茲海默病神經(jīng)影像計劃(alzheimer’sdiseaseneuroimaginginitiative，簡稱adni)的數(shù)據(jù)實現(xiàn)本發(fā)明對頭顱的核磁共振成像的影像數(shù)據(jù)的全腦的圖像數(shù)據(jù)進行計算機輔助輔助識別的技術(shù)方案。從美國的阿爾茲海默病神經(jīng)影像計劃的官方網(wǎng)站下載經(jīng)過臨床確診的阿爾茲海默病(ad)，遺忘型輕度認(rèn)知損害(mci)和正常老年組(nc)的頭顱的核磁共振的影像數(shù)據(jù)，

美國的阿爾茲海默病神經(jīng)影像計劃的數(shù)據(jù)，3013個掃描結(jié)果(scans)，321個受試者(subject)，可以劃分訓(xùn)練集，驗證集和測試集

訓(xùn)練集的情況

驗證集的情況

測試集的情況

從美國的阿爾茲海默病神經(jīng)影像計劃的網(wǎng)站獲取上述的頭顱的核磁共振影像數(shù)據(jù)的全腦的三維數(shù)據(jù)。先對上述的三維數(shù)據(jù)進行圖像數(shù)據(jù)的預(yù)處理，主要是進行漩渦電流的校準(zhǔn)(eddycurrentcorrection)，去頭骨(skullstripping)，將3維圖像轉(zhuǎn)換為2維圖像，在與水平面平行的方向上獲取到厚度為體素的尺寸大小的91個二維切片，上述的體素的尺寸大小可以根據(jù)核磁共振成像的圖像的質(zhì)量任意地設(shè)定，然后根據(jù)二維切片的面積大小，過濾掉腦部面積較小的切片，留下62個二維切片，縮放到96×96的大小，就是說，分成96×96個互相不重疊的區(qū)域。然后進行標(biāo)準(zhǔn)化操作，使上述的二維切片轉(zhuǎn)換到標(biāo)準(zhǔn)坐標(biāo)系。對圖像進行數(shù)據(jù)增強操作，如旋轉(zhuǎn)，高度位移，縮放，寬度位移等。在與冠狀面平行的方向上獲取到厚度為體素的尺寸大小的91個二維切片，上述的體素的尺寸大小可以根據(jù)核磁共振成像的圖像的質(zhì)量任意地設(shè)定，然后根據(jù)二維切片的面積大小，過濾掉腦部面積較小的切片，留下62個二維切片，縮放到96×96的大小。然后進行標(biāo)準(zhǔn)化操作，使上述的二維切片轉(zhuǎn)換到標(biāo)準(zhǔn)坐標(biāo)系。對圖像進行數(shù)據(jù)增強操作，如旋轉(zhuǎn)，高度位移，縮放，寬度位移等。在與矢狀面平行的方向上獲取到厚度為體素的尺寸大小的91個二維切片，上述的體素的尺寸大小可以根據(jù)核磁共振成像的圖像的質(zhì)量任意地設(shè)定，然后根據(jù)二維切片的面積大小，過濾掉腦部面積較小的切片，留下62個二維切片，縮放到96×96的大小。然后進行標(biāo)準(zhǔn)化操作，使上述的二維切片轉(zhuǎn)換到標(biāo)準(zhǔn)坐標(biāo)系。對圖像進行數(shù)據(jù)增強操作，如旋轉(zhuǎn)，高度位移，縮放，寬度位移等

美國的阿爾茲海默病神經(jīng)影像計劃(adni)的核磁共振的圖像的預(yù)處理和二維切片的獲取可以通過nibabel或其它各種醫(yī)學(xué)影像學(xué)的開源或商業(yè)軟件實現(xiàn)，也可以使用matlab等編程語言根據(jù)圖像去噪，圖像分割和圖像配準(zhǔn)的原理編程實現(xiàn)。

對上述的訓(xùn)練集，給每個來源于正常老年組的受試者的所有的上述二維切片標(biāo)記上正常老年組的標(biāo)簽，給每個來源于在臨床上確診為遺忘型輕度認(rèn)知損害的受試者的所有的上述二維切片標(biāo)記上在臨床上確診為遺忘型輕度認(rèn)知損害的標(biāo)簽，給每個來源于在臨床上確診為阿爾茲海默病的受試者的所有的上述二維切片標(biāo)記上在臨床上確診為阿爾茲海默病的標(biāo)簽，使用python語言和keras的開源的深度學(xué)習(xí)的計算框架實現(xiàn)實施方式1的深度學(xué)習(xí)的軟件部分的編程，使用普通的個人計算機或高性能計算機作為硬件。

scikit是一個機器學(xué)習(xí)的開源的庫，scikit的onehotencoder函數(shù)可以實現(xiàn)獨熱編碼，獨熱編碼也稱為一位有效編碼，利用scikit的機器學(xué)習(xí)的庫的onehotencoder函數(shù)對上述的標(biāo)簽實現(xiàn)獨熱編碼。獨熱編碼的功能是，經(jīng)過對受試者的標(biāo)簽進行獨熱編碼，將受試者的標(biāo)簽的取值轉(zhuǎn)換成三維的向量，該三維向量的每一維的取值為0或1。舉例來說，(1,0，0)代表正常老年組,(0,1,0)代表遺忘型輕度認(rèn)知損害，(0,0,1)代表阿爾茲海默病。對于受試者的標(biāo)簽，如果它有3個可能的取值(阿爾茲海默病，遺忘型輕度認(rèn)知損害，正常老年組)，那么經(jīng)過獨熱編碼后，標(biāo)簽的取值就轉(zhuǎn)換為3個二元特征。并且，這3個二元特征互斥，如果是阿爾茲海默病,就不是遺忘型輕度認(rèn)知損害，也不是正常老年組；如果是遺忘型輕度認(rèn)知損害，就不是阿爾茲海默病，也不是正常老年組；如果是正常老年組，就不是阿爾茲海默病，也不是遺忘型輕度認(rèn)知損害。通過對標(biāo)簽實現(xiàn)獨熱編碼，便于在二維自編碼器的深度學(xué)習(xí)中實現(xiàn)對神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。

對與水平面、冠狀面和矢狀面平行的上述的三組二維切片分別進行訓(xùn)練，得到相應(yīng)的二維自編碼器的計算機輔助識別的模型。

將上述的每個二維切片劃分為大小相同的互相不重疊的96×96＝9216個區(qū)域，每個區(qū)域的圖像的灰度的強度的數(shù)值作為96×96的矩陣的每個元素的數(shù)值，將上述的96×96的矩陣的元素作為上述的人工智能的二維自編碼器的輸入，上述的人工智能的二維自編碼器的第一層為具有128個核的卷積層，核的大小為3×3，激活函數(shù)為relu，上述的人工智能的二維自編碼器的第二層為最大池化層，核的大小為2×2，上述的人工智能的二維自編碼器的第三層為有64個核的卷積層，核的大小為3×3，激活函數(shù)為relu，上述的人工智能的二維自編碼器的第四層為池化層，核的大小為2×2，上述的人工智能的二維自編碼器的第五層為具有32個核的卷積層，核的大小為3×3，激活函數(shù)為relu，上述的人工智能的二維自編碼器的第六層為池化層，核的大小為2×2，上述的二維自編碼器的每一步的以卷積的方式實現(xiàn)的編碼步驟都有對應(yīng)的以反卷積的方式實現(xiàn)的解碼的步驟，通過卷積和批量正規(guī)化(batchnormalization)進行編碼的處理，通過反卷積和批量正規(guī)化(batchnormalization)進行解碼的處理，池化指數(shù)是指池化層的核的大小，上采樣是指與池化的作用相反的操作。將上述第六層的輸出展開成一維數(shù)組，連接到上述的人工智能的二維自編碼器的第一隱藏層，上述的人工智能的二維自編碼器的上述第一隱藏層有200個神經(jīng)單元，激活函數(shù)為dropout，將上述第一隱藏層的輸出連接到上述的人工智能的二維自編碼器的第二隱藏層，上述的人工智能的二維自編碼器的上述第二隱藏層有200個神經(jīng)單元，再將上述上述第二隱藏層的輸出連接到上述的人工智能的二維自編碼器的輸出層，上述的人工智能的二維自編碼器的輸出層的激活函數(shù)為softmax。每一層的神經(jīng)元到下一層的神經(jīng)元的變換參數(shù)是訓(xùn)練出來的參數(shù)，所有的訓(xùn)練出的參數(shù)是訓(xùn)練出的二維自編碼器的模型，將代表這個神經(jīng)網(wǎng)絡(luò)的模型的參數(shù)存儲在本地的硬盤。

在完成了上述的二維自編碼器的訓(xùn)練之后，用訓(xùn)練出的二維自編碼器的模型對驗證集進行驗證，并對測試集進行測試。

在驗證的過程中，使用上述的訓(xùn)練出的二維自編碼器的計算機輔助識別的模型對每一位受試者的按照上述的方法獲得的與水平面平行、與冠狀面平行和與矢狀面平行的62×3＝186個二維切片的每一個二維切片進行判別，每一個二維切片的判別結(jié)果是該二維切片是屬于阿爾茲海默病、遺忘型輕度認(rèn)知損害和正常老年組的三種情況的概率，將這186個判別結(jié)果進行平均，就可以得知該受試者屬于阿爾茲海默病、遺忘型輕度認(rèn)知損害和正常老年組的三種情況中的哪一種的概率。

就是說，利用上述的人工智能的深度學(xué)習(xí)的二維自編碼器對所有的上述的受試者的上述的二維切片的形態(tài)學(xué)特征進行識別，根據(jù)對上述形態(tài)學(xué)特征的識別得到針對上述的二維切片的對正常老年組、在臨床上確診為遺忘型輕度認(rèn)知損害和在臨床上確診為阿爾茲海默病的三種情況進行三分類的分類方法，使用上述的針對上述的二維切片的對正常老年組、在臨床上確診為遺忘型輕度認(rèn)知損害和在臨床上確診為阿爾茲海默病的三種情況進行三分類的分類方法對上述的驗證集進行驗證，在驗證中調(diào)整上述二維自編碼器的結(jié)構(gòu)和有關(guān)的參數(shù)，直到對上述三分類的分類方法達(dá)到上述的三種情況的兩兩之間的判別的準(zhǔn)確率達(dá)到85％以上，在上述三分類的分類方法達(dá)到上述的三種情況的兩兩之間的判別的準(zhǔn)確率達(dá)到85％以上的情況下，可以為臨床診斷提供參考意見。

實施方式5

實施方式5利用美國的阿爾茲海默病神經(jīng)影像計劃(alzheimer’sdiseaseneuroimaginginitiative，簡稱adni)的數(shù)據(jù)實現(xiàn)本發(fā)明對頭顱的核磁共振成像的影像數(shù)據(jù)的全腦的圖像數(shù)據(jù)進行計算機輔助輔助識別的技術(shù)方案。從美國的阿爾茲海默病神經(jīng)影像計劃的官方網(wǎng)站下載經(jīng)過臨床確診的阿爾茲海默病(ad)，遺忘型輕度認(rèn)知損害(mci)和正常老年組(nc)的頭顱的核磁共振的影像數(shù)據(jù)，

美國的阿爾茲海默病神經(jīng)影像計劃的數(shù)據(jù)，3013個掃描結(jié)果(scans)，321個受試者(subject)，可以劃分訓(xùn)練集，驗證集和測試集

訓(xùn)練集的情況

驗證集的情況

測試集的情況

從美國的阿爾茲海默病神經(jīng)影像計劃的網(wǎng)站獲取上述的頭顱的核磁共振影像數(shù)據(jù)的全腦的三維數(shù)據(jù)。先對上述的三維數(shù)據(jù)進行圖像數(shù)據(jù)的預(yù)處理，主要是進行漩渦電流的校準(zhǔn)(eddycurrentcorrection)，去頭骨(skullstripping)，將3維圖像轉(zhuǎn)換為2維圖像，在與水平面平行的方向上獲取到厚度為體素的尺寸大小的91個二維切片，上述的體素的尺寸大小可以根據(jù)核磁共振成像的圖像的質(zhì)量任意地設(shè)定，然后根據(jù)二維切片的面積大小，過濾掉腦部面積較小的切片，留下62個二維切片，分成256×256個區(qū)域。然后進行標(biāo)準(zhǔn)化操作，使上述的二維切片轉(zhuǎn)換到標(biāo)準(zhǔn)坐標(biāo)系。對圖像進行數(shù)據(jù)增強操作，如旋轉(zhuǎn)，高度位移，縮放，寬度位移等。在與冠狀面平行的方向上獲取到厚度為體素的尺寸大小的91個二維切片，上述的體素的尺寸大小可以根據(jù)核磁共振成像的圖像的質(zhì)量任意地設(shè)定，然后根據(jù)二維切片的面積大小，過濾掉腦部面積較小的切片，留下62個二維切片，分成256×256個區(qū)域。然后進行標(biāo)準(zhǔn)化操作，使上述的二維切片轉(zhuǎn)換到標(biāo)準(zhǔn)坐標(biāo)系。對圖像進行數(shù)據(jù)增強操作，如旋轉(zhuǎn)，高度位移，縮放，寬度位移等。在與矢狀面平行的方向上獲取到厚度為體素的尺寸大小的91個二維切片，上述的體素的尺寸大小可以根據(jù)核磁共振成像的圖像的質(zhì)量任意地設(shè)定，然后根據(jù)二維切片的面積大小，過濾掉腦部面積較小的切片，留下62個二維切片，分成256×256個區(qū)域。然后進行標(biāo)準(zhǔn)化操作，使上述的二維切片轉(zhuǎn)換到標(biāo)準(zhǔn)坐標(biāo)系。對圖像進行數(shù)據(jù)增強操作，如旋轉(zhuǎn)，高度位移，縮放，寬度位移等

美國的阿爾茲海默病神經(jīng)影像計劃(adni)的核磁共振的圖像的預(yù)處理和二維切片的獲取可以通過nibabel或其它各種醫(yī)學(xué)影像學(xué)的開源或商業(yè)軟件實現(xiàn)，也可以使用matlab等編程語言根據(jù)圖像去噪，圖像分割和圖像配準(zhǔn)的原理編程實現(xiàn)。

對上述的訓(xùn)練集，給每個來源于正常老年組的受試者的所有的上述二維切片標(biāo)記上正常老年組的標(biāo)簽，給每個來源于在臨床上確診為遺忘型輕度認(rèn)知損害的受試者的所有的上述二維切片標(biāo)記上在臨床上確診為遺忘型輕度認(rèn)知損害的標(biāo)簽，給每個來源于在臨床上確診為阿爾茲海默病的受試者的所有的上述二維切片標(biāo)記上在臨床上確診為阿爾茲海默病的標(biāo)簽，使用python語言和keras的開源的深度學(xué)習(xí)的計算框架實現(xiàn)實施方式1的深度學(xué)習(xí)的軟件部分的編程，使用普通的個人計算機或高性能計算機作為硬件。

scikit是一個機器學(xué)習(xí)的開源的庫，scikit的onehotencoder函數(shù)可以實現(xiàn)獨熱編碼，獨熱編碼也稱為一位有效編碼，利用scikit的機器學(xué)習(xí)的庫的onehotencoder函數(shù)對上述的標(biāo)簽實現(xiàn)獨熱編碼。獨熱編碼的功能是，經(jīng)過對受試者的標(biāo)簽進行獨熱編碼，將受試者的標(biāo)簽的取值轉(zhuǎn)換成三維的向量，該三維向量的每一維的取值為0或1。舉例來說，(1,0，0)代表正常老年組,(0,1,0)代表遺忘型輕度認(rèn)知損害，(0,0,1)代表阿爾茲海默病。對于受試者的標(biāo)簽，如果它有3個可能的取值(阿爾茲海默病，遺忘型輕度認(rèn)知損害，正常老年組)，那么經(jīng)過獨熱編碼后，標(biāo)簽的取值就轉(zhuǎn)換為3個二元特征。并且，這3個二元特征互斥，如果是阿爾茲海默病,就不是遺忘型輕度認(rèn)知損害，也不是正常老年組；如果是遺忘型輕度認(rèn)知損害，就不是阿爾茲海默病，也不是正常老年組；如果是正常老年組，就不是阿爾茲海默病，也不是遺忘型輕度認(rèn)知損害。通過對標(biāo)簽實現(xiàn)獨熱編碼，便于在二維自編碼器的深度學(xué)習(xí)中實現(xiàn)對神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。

對與水平面、冠狀面和矢狀面平行的上述的三組二維切片分別進行訓(xùn)練，得到相應(yīng)的二維自編碼器的計算機輔助識別的模型。

將上述的每個二維切片劃分為大小相同的互相不重疊的96×96＝9216個區(qū)域，每個區(qū)域的圖像的灰度的強度的數(shù)值作為96×96的矩陣的每個元素的數(shù)值，將上述的96×96的矩陣的元素作為上述的人工智能的二維自編碼器的輸入，上述的人工智能的二維自編碼器的第一層為具有128個核的卷積層，核的大小為3×3，激活函數(shù)為relu，上述的人工智能的二維自編碼器的第二層為最大池化層，核的大小為2×2，上述的人工智能的二維自編碼器的第三層為有64個核的卷積層，核的大小為3×3，激活函數(shù)為relu，上述的人工智能的二維自編碼器的第四層為池化層，核的大小為2×2，上述的人工智能的二維自編碼器的第五層為具有32個核的卷積層，核的大小為3×3，激活函數(shù)為relu，上述的人工智能的二維自編碼器的第六層為池化層，核的大小為2×2，上述的二維自編碼器的每一步的以卷積的方式實現(xiàn)的編碼步驟都有對應(yīng)的以反卷積的方式實現(xiàn)的解碼的步驟，通過卷積和批量正規(guī)化(batchnormalization)進行編碼的處理，通過反卷積和批量正規(guī)化(batchnormalization)進行解碼的處理，池化指數(shù)是指池化層的核的大小，上采樣是指與池化的作用相反的操作。將上述第六層的輸出展開成一維數(shù)組，連接到上述的人工智能的二維自編碼器的第一隱藏層，上述的人工智能的二維自編碼器的上述第一隱藏層有200個神經(jīng)單元，激活函數(shù)為dropout，將上述第一隱藏層的輸出連接到上述的人工智能的二維自編碼器的第二隱藏層，上述的人工智能的二維自編碼器的上述第二隱藏層有200個神經(jīng)單元，再將上述上述第二隱藏層的輸出連接到上述的人工智能的二維自編碼器的輸出層，上述的人工智能的二維自編碼器的輸出層的激活函數(shù)為softmax。每一層的神經(jīng)元到下一層的神經(jīng)元的變換參數(shù)是訓(xùn)練出來的參數(shù)，所有的訓(xùn)練出的參數(shù)是訓(xùn)練出的二維自編碼器的模型，將代表這個神經(jīng)網(wǎng)絡(luò)的模型的參數(shù)存儲在本地的硬盤。

在完成了上述的二維自編碼器的訓(xùn)練之后，用訓(xùn)練出的二維自編碼器的模型對驗證集進行驗證，并對測試集進行測試。

在驗證的過程中，使用上述的訓(xùn)練出的二維自編碼器的計算機輔助識別的模型對每一位受試者的按照上述的方法獲得的與水平面平行、與冠狀面平行和與矢狀面平行的62×3＝186個二維切片的每一個二維切片進行判別，每一個二維切片的判別結(jié)果是該二維切片屬于阿爾茲海默病、遺忘型輕度認(rèn)知損害和正常老年組的三種情況的概率，將這186個判別結(jié)果進行平均，就可以得知該受試者屬于阿爾茲海默病、遺忘型輕度認(rèn)知損害和正常老年組的三種情況中的哪一種的概率。

就是說，利用上述的人工智能的深度學(xué)習(xí)的二維自編碼器對所有的上述的受試者的上述的二維切片的形態(tài)學(xué)特征進行識別，根據(jù)對上述形態(tài)學(xué)特征的識別得到針對上述的二維切片的對正常老年組、在臨床上確診為遺忘型輕度認(rèn)知損害和在臨床上確診為阿爾茲海默病的三種情況進行三分類的分類方法，使用上述的針對上述的二維切片的對正常老年組、在臨床上確診為遺忘型輕度認(rèn)知損害和在臨床上確診為阿爾茲海默病的三種情況進行三分類的分類方法對上述的驗證集進行驗證，在驗證中調(diào)整上述二維自編碼器的結(jié)構(gòu)和有關(guān)的參數(shù)，直到對上述三分類的分類方法達(dá)到上述的三種情況的兩兩之間的判別的準(zhǔn)確率達(dá)到85％以上，在上述三分類的分類方法達(dá)到上述的三種情況的兩兩之間的判別的準(zhǔn)確率達(dá)到85％以上的情況下，可以為臨床診斷提供參考意見。

實施方式6

實施方式6利用臨床的普通掃描頭顱的核磁共振成像的影響數(shù)據(jù)的二維切片實現(xiàn)本發(fā)明對頭顱的核磁共振成像的影像數(shù)據(jù)的全腦的圖像數(shù)據(jù)進行計算機輔助輔助識別的技術(shù)方案。使用已經(jīng)經(jīng)過臨床確診的阿爾茲海默病(ad)，遺忘型輕度認(rèn)知損害(mci)和正常老年組(nc)的頭顱的核磁共振的影像數(shù)據(jù)的二維切片來完成訓(xùn)練、驗證和測試。

與掃描的水平面平行的方向上獲取到厚度為體素的尺寸大小的20個二維切片，上述的體素的尺寸大小可以根據(jù)核磁共振成像的圖像的質(zhì)量任意地設(shè)定，分成96×96個區(qū)域。然后進行標(biāo)準(zhǔn)化操作，使上述的二維切片轉(zhuǎn)換到標(biāo)準(zhǔn)坐標(biāo)系。對圖像進行數(shù)據(jù)增強操作，如旋轉(zhuǎn)，高度位移，縮放，寬度位移等。

對上述的訓(xùn)練集，給每個來源于正常老年組的受試者的所有的上述二維切片標(biāo)記上正常老年組的標(biāo)簽，給每個來源于在臨床上確診為遺忘型輕度認(rèn)知損害的受試者的所有的上述二維切片標(biāo)記上在臨床上確診為遺忘型輕度認(rèn)知損害的標(biāo)簽，給每個來源于在臨床上確診為阿爾茲海默病的受試者的所有的上述二維切片標(biāo)記上在臨床上確診為阿爾茲海默病的標(biāo)簽，

使用python語言和keras的開源的深度學(xué)習(xí)的計算框架實現(xiàn)實施方式1的深度學(xué)習(xí)的軟件部分的編程，使用普通的個人計算機或高性能計算機作為硬件。

scikit是一個機器學(xué)習(xí)的開源的庫，scikit的onehotencoder函數(shù)可以實現(xiàn)獨熱編碼，獨熱編碼也稱為一位有效編碼，利用scikit的機器學(xué)習(xí)的庫的onehotencoder函數(shù)對上述的標(biāo)簽實現(xiàn)獨熱編碼。獨熱編碼的功能是，經(jīng)過對受試者的標(biāo)簽進行獨熱編碼，將受試者的標(biāo)簽的取值轉(zhuǎn)換成三維的向量，該三維向量的每一維的取值為0或1。舉例來說，(1,0，0)代表正常老年組,(0,1,0)代表遺忘型輕度認(rèn)知損害，(0,0,1)代表阿爾茲海默病。對于受試者的標(biāo)簽，如果它有3個可能的取值(阿爾茲海默病，遺忘型輕度認(rèn)知損害，正常老年組)，那么經(jīng)過獨熱編碼后，標(biāo)簽的取值就轉(zhuǎn)換為3個二元特征。并且，這3個二元特征互斥，如果是阿爾茲海默病,就不是遺忘型輕度認(rèn)知損害，也不是正常老年組；如果是遺忘型輕度認(rèn)知損害，就不是阿爾茲海默病，也不是正常老年組；如果是正常老年組，就不是阿爾茲海默病，也不是遺忘型輕度認(rèn)知損害。通過對標(biāo)簽實現(xiàn)獨熱編碼，便于在二維自編碼器的深度學(xué)習(xí)中實現(xiàn)對神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。

將上述的每個二維切片劃分為大小相同的互相不重疊的96×96＝9216個區(qū)域，每個區(qū)域的圖像的灰度的強度的數(shù)值作為96×96的矩陣的每個元素的數(shù)值，將上述的96×96的矩陣的元素作為上述的人工智能的二維自編碼器的輸入，上述的人工智能的二維自編碼器的第一層為具有128個核的卷積層，核的大小為3×3，激活函數(shù)為relu，上述的人工智能的二維自編碼器的第二層為最大池化層，核的大小為2×2，上述的人工智能的二維自編碼器的第三層為有64個核的卷積層，核的大小為3×3，激活函數(shù)為relu，上述的人工智能的二維自編碼器的第四層為池化層，核的大小為2×2，上述的人工智能的二維自編碼器的第五層為具有32個核的卷積層，核的大小為3×3，激活函數(shù)為relu，上述的人工智能的二維自編碼器的第六層為池化層，核的大小為2×2，上述的二維自編碼器的每一步的以卷積的方式實現(xiàn)的編碼步驟都有對應(yīng)的以反卷積的方式實現(xiàn)的解碼的步驟，通過卷積和批量正規(guī)化(batchnormalization)進行編碼的處理，通過反卷積和批量正規(guī)化(batchnormalization)進行解碼的處理，池化指數(shù)是指池化層的核的大小，上采樣是指與池化的作用相反的操作。將上述第六層的輸出展開成一維數(shù)組，連接到上述的人工智能的二維自編碼器的第一隱藏層，上述的人工智能的二維自編碼器的上述第一隱藏層有200個神經(jīng)單元，激活函數(shù)為dropout，將上述第一隱藏層的輸出連接到上述的人工智能的二維自編碼器的第二隱藏層，上述的人工智能的二維自編碼器的上述第二隱藏層有200個神經(jīng)單元，再將上述上述第二隱藏層的輸出連接到上述的人工智能的二維自編碼器的輸出層，上述的人工智能的二維自編碼器的輸出層的激活函數(shù)為softmax。每一層的神經(jīng)元到下一層的神經(jīng)元的變換參數(shù)是訓(xùn)練出來的參數(shù)，所有的訓(xùn)練出的參數(shù)是訓(xùn)練出的二維自編碼器的模型，將代表這個神經(jīng)網(wǎng)絡(luò)的模型的參數(shù)存儲在本地的硬盤。

在完成了上述的二維自編碼器的訓(xùn)練之后，用訓(xùn)練出的二維自編碼器的模型對驗證集進行驗證，并對測試集進行測試。

在驗證的過程中，使用上述的訓(xùn)練出的二維自編碼器的計算機輔助識別的模型對每一位受試者的按照上述的方法獲得的與水平面平行的20個二維切片的每一個二維切片進行判別，每一個二維切片的判別結(jié)果是該二維切片是屬于阿爾茲海默病、遺忘型輕度認(rèn)知損害和正常老年組的三種情況的概率，將這20個判別結(jié)果進行平均，就可以得知該受試者屬于阿爾茲海默病、遺忘型輕度認(rèn)知損害和正常老年組的三種情況中的哪一種的概率。

就是說，利用上述的人工智能的深度學(xué)習(xí)的二維自編碼器對所有的上述的受試者的上述的二維切片的形態(tài)學(xué)特征進行識別，根據(jù)對上述形態(tài)學(xué)特征的識別得到針對上述的二維切片的對正常老年組、在臨床上確診為遺忘型輕度認(rèn)知損害和在臨床上確診為阿爾茲海默病的三種情況進行三分類的分類方法，使用上述的針對上述的二維切片的對正常老年組、在臨床上確診為遺忘型輕度認(rèn)知損害和在臨床上確診為阿爾茲海默病的三種情況進行三分類的分類方法對上述的驗證集進行驗證，在驗證中調(diào)整上述二維自編碼器的結(jié)構(gòu)和有關(guān)的參數(shù)，直到對上述三分類的分類方法達(dá)到上述的三種情況的兩兩之間的判別的準(zhǔn)確率達(dá)到85％以上，在上述三分類的分類方法達(dá)到上述的三種情況的兩兩之間的判別的準(zhǔn)確率達(dá)到85％以上的情況下，可以為臨床診斷提供參考意見。

實施方式7

實施方式7利用美國的阿爾茲海默病神經(jīng)影像計劃(alzheimer’sdiseaseneuroimaginginitiative，簡稱adni)的數(shù)據(jù)實現(xiàn)本發(fā)明對頭顱的核磁共振成像的影像數(shù)據(jù)的全腦的圖像數(shù)據(jù)進行計算機輔助輔助識別的技術(shù)方案。從美國的阿爾茲海默病神經(jīng)影像計劃的官方網(wǎng)站下載經(jīng)過臨床確診的阿爾茲海默病(ad)，遺忘型輕度認(rèn)知損害(mci)和正常老年組(nc)的頭顱的核磁共振的影像數(shù)據(jù)，

美國的阿爾茲海默病神經(jīng)影像計劃的數(shù)據(jù)，3013個掃描結(jié)果(scans)，321個受試者(subject)，可以劃分訓(xùn)練集，驗證集和測試集

訓(xùn)練集的情況

驗證集的情況

測試集的情況

從美國的阿爾茲海默病神經(jīng)影像計劃的網(wǎng)站獲取上述的頭顱的核磁共振影像數(shù)據(jù)的全腦的三維數(shù)據(jù)。先對上述的三維數(shù)據(jù)進行圖像數(shù)據(jù)的預(yù)處理，主要是進行漩渦電流的校準(zhǔn)(eddycurrentcorrection)，去頭骨(skullstripping)，將3維圖像轉(zhuǎn)換為2維圖像，在與水平面平行的方向上獲取到厚度為體素的尺寸大小的91個二維切片，上述的體素的尺寸大小可以根據(jù)核磁共振成像的圖像的質(zhì)量任意地設(shè)定，然后根據(jù)二維切片的面積大小，過濾掉腦部面積較小的切片，留下62個二維切片，縮放到96×96的大小，就是說，分成96×96個互相不重疊的區(qū)域。然后進行標(biāo)準(zhǔn)化操作，使上述的二維切片轉(zhuǎn)換到標(biāo)準(zhǔn)坐標(biāo)系。對圖像進行數(shù)據(jù)增強操作，如旋轉(zhuǎn)，高度位移，縮放，寬度位移等。

美國的阿爾茲海默病神經(jīng)影像計劃(adni)的核磁共振的圖像的預(yù)處理和二維切片的獲取可以通過nibabel或其它各種醫(yī)學(xué)影像學(xué)的開源或商業(yè)軟件實現(xiàn)，也可以使用matlab等編程語言根據(jù)圖像去噪，圖像分割和圖像配準(zhǔn)的原理編程實現(xiàn)。

對上述的訓(xùn)練集，給每個來源于正常老年組的受試者的所有的上述二維切片標(biāo)記上正常老年組的標(biāo)簽，給每個來源于在臨床上確診為遺忘型輕度認(rèn)知損害的受試者的所有的上述二維切片標(biāo)記上在臨床上確診為遺忘型輕度認(rèn)知損害的標(biāo)簽，給每個來源于在臨床上確診為阿爾茲海默病的受試者的所有的上述二維切片標(biāo)記上在臨床上確診為阿爾茲海默病的標(biāo)簽，使用python語言和keras的開源的深度學(xué)習(xí)的計算框架實現(xiàn)實施方式1的深度學(xué)習(xí)的軟件部分的編程，使用普通的個人計算機或高性能計算機作為硬件。

scikit是一個機器學(xué)習(xí)的開源的庫，scikit的onehotencoder函數(shù)可以實現(xiàn)獨熱編碼，獨熱編碼也稱為一位有效編碼，利用scikit的機器學(xué)習(xí)的庫的onehotencoder函數(shù)對上述的標(biāo)簽實現(xiàn)獨熱編碼。獨熱編碼的功能是，經(jīng)過對受試者的標(biāo)簽進行獨熱編碼，將受試者的標(biāo)簽的取值轉(zhuǎn)換成三維的向量，該三維向量的每一維的取值為0或1。舉例來說，(1,0，0)代表正常老年組,(0,1,0)代表遺忘型輕度認(rèn)知損害，(0,0,1)代表阿爾茲海默病。對于受試者的標(biāo)簽，如果它有3個可能的取值(阿爾茲海默病，遺忘型輕度認(rèn)知損害，正常老年組)，那么經(jīng)過獨熱編碼后，標(biāo)簽的取值就轉(zhuǎn)換為3個二元特征。并且，這3個二元特征互斥，如果是阿爾茲海默病,就不是遺忘型輕度認(rèn)知損害，也不是正常老年組；如果是遺忘型輕度認(rèn)知損害，就不是阿爾茲海默病，也不是正常老年組；如果是正常老年組，就不是阿爾茲海默病，也不是遺忘型輕度認(rèn)知損害。通過對標(biāo)簽實現(xiàn)獨熱編碼，便于在二維自編碼器的深度學(xué)習(xí)中實現(xiàn)對神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。

從每一位受試者的全腦的核磁共振成像的三維體素的圖像中選取與冠狀面、矢狀面或水平面平行的指定數(shù)量的二維切片組，每一個二維切片組具有給定數(shù)量的與冠狀面、矢狀面或水平面平行的連續(xù)相鄰的厚度為體素的尺寸大小的二維切片，上述的體素的尺寸大小可以根據(jù)核磁共振成像的圖像的質(zhì)量任意地設(shè)定，相互平行的相鄰的兩層二維切片是指兩個相互平行的二維切片中的除邊緣區(qū)域以外的任何一層二維切片的任何一個體素與這兩個相互平行的二維切片的另一層二維切片的一個體素是相鄰的，就是說，相互平行的相鄰的兩層二維切片是指這兩層二維切片之間沒有別的體素，對在上述的每一個二維切片組的中間的一層的二維切片的不包括邊緣的3個到9個體素的所有的體素進行紋理特征的提取，上述的紋理特征的提取方法是根據(jù)相鄰的體素的灰度的強度值的數(shù)值在不同的方向上的變化來實現(xiàn)的，將上述的每一個二維切片組的中間的一層的二維切片的除邊緣的3到6個體素以外的所有的體素的紋理特征作為二維自編碼器的輸入，利用人工智能的深度學(xué)習(xí)的二維自編碼器對上述二維切片組的紋理特征進行識別，根據(jù)對上述紋理特征的識別得到針對上述的二維切片組的對正常老年組、在臨床上確診為遺忘型輕度認(rèn)知損害和在臨床上確診為阿爾茲海默病的三種情況進行三分類的分類方法，使用上述的針對上述的二維切片組的對正常老年組、在臨床上確診為遺忘型輕度認(rèn)知損害和在臨床上確診為阿爾茲海默病的三種情況進行三分類的分類方法對上述的驗證集進行驗證，在驗證中調(diào)整上述二維自編碼器的結(jié)構(gòu)與有關(guān)的參數(shù)，直到對上述三分類的分類方法達(dá)到上述的三種情況的兩兩之間的判別的準(zhǔn)確率達(dá)到85％以上，在上述三分類的分類方法達(dá)到上述的三種情況的兩兩之間的判別的準(zhǔn)確率達(dá)到85％以上的情況下，將上述三分類的分類方法用于對臨床的核磁共振的圖像提供參考診斷意見。

上述的人工智能的二維自編碼器的第一層為具有128個核的卷積層，核的大小為3×3，激活函數(shù)為relu，上述的人工智能的二維自編碼器的第二層為最大池化層，核的大小為2×2，上述的人工智能的二維自編碼器的第三層為有64個核的卷積層，核的大小為3×3，激活函數(shù)為relu，上述的人工智能的二維自編碼器的第四層為池化層，核的大小為2×2，上述的人工智能的二維自編碼器的第五層為具有32個核的卷積層，核的大小為3×3，激活函數(shù)為relu，上述的人工智能的二維自編碼器的第六層為池化層，核的大小為2×2，上述的二維自編碼器的每一步的以卷積的方式實現(xiàn)的編碼步驟都有對應(yīng)的以反卷積的方式實現(xiàn)的解碼的步驟，通過卷積和批量正規(guī)化(batchnormalization)進行編碼的處理，通過反卷積和批量正規(guī)化(batchnormalization)進行解碼的處理，池化指數(shù)是指池化層的核的大小，上采樣是指與池化的作用相反的操作。將上述第六層的輸出展開成一維數(shù)組，連接到上述的人工智能的二維自編碼器的第一隱藏層，上述的人工智能的二維自編碼器的上述第一隱藏層有200個神經(jīng)單元，激活函數(shù)為dropout，將上述第一隱藏層的輸出連接到上述的人工智能的二維自編碼器的第二隱藏層，上述的人工智能的二維自編碼器的上述第二隱藏層有200個神經(jīng)單元，再將上述上述第二隱藏層的輸出連接到上述的人工智能的二維自編碼器的輸出層，上述的人工智能的二維自編碼器的輸出層的激活函數(shù)為softmax。每一層的神經(jīng)元到下一層的神經(jīng)元的變換參數(shù)是訓(xùn)練出來的參數(shù)，所有的訓(xùn)練出的參數(shù)是訓(xùn)練出的二維自編碼器的模型，將代表這個神經(jīng)網(wǎng)絡(luò)的模型的參數(shù)存儲在本地的硬盤。

在完成了上述的二維自編碼器的訓(xùn)練之后，用訓(xùn)練出的二維自編碼器的模型對驗證集進行驗證，并對測試集進行測試。

在驗證的過程中，使用上述的訓(xùn)練出的二維自編碼器的計算機輔助識別的模型對每一位受試者的按照上述的方法獲得的每一個二維切片組的紋理特征進行判別，每一個二維切片組的判別結(jié)果是該二維切片組屬于阿爾茲海默病、遺忘型輕度認(rèn)知損害和正常老年組的三種情況的概率，將這些判別結(jié)果進行平均，就可以得知該受試者屬于阿爾茲海默病、遺忘型輕度認(rèn)知損害和正常老年組的三種情況中的哪一種的概率。

就是說，利用上述的人工智能的深度學(xué)習(xí)的二維自編碼器對所有的上述的受試者的上述的二維切片組的紋理特征進行識別，根據(jù)對上述紋理特征的識別得到針對上述的二維切片組的對正常老年組、在臨床上確診為遺忘型輕度認(rèn)知損害和在臨床上確診為阿爾茲海默病的三種情況進行三分類的分類方法，使用上述的針對上述的二維切片組的對正常老年組、在臨床上確診為遺忘型輕度認(rèn)知損害和在臨床上確診為阿爾茲海默病的三種情況進行三分類的分類方法對上述的驗證集進行驗證，在驗證中調(diào)整上述二維自編碼器的結(jié)構(gòu)和有關(guān)的參數(shù)，直到對上述三分類的分類方法達(dá)到上述的三種情況的兩兩之間的判別的準(zhǔn)確率達(dá)到85％以上，在上述三分類的分類方法達(dá)到上述的三種情況的兩兩之間的判別的準(zhǔn)確率達(dá)到85％以上的情況下，可以為臨床診斷提供參考意見。