本發(fā)明涉及醫(yī)學(xué)影像處理領(lǐng)域，尤其涉及一種基于醫(yī)療影像的腦部疾病輔助診斷方法及系統(tǒng)。

背景技術(shù)：

1、隨著人類平均壽命的提升，腦部疾病的發(fā)病率逐漸提高。對于腦部疾病的診斷通過各種醫(yī)療數(shù)據(jù)進行輔助判斷，其中醫(yī)療影像在腦部疾病診斷中的作用極為重要。醫(yī)療影像是醫(yī)學(xué)診斷和治療中至關(guān)重要的工具，通過不同類型的影像技術(shù)，獲取得到的多種方向的腦部醫(yī)療影像，對其進行觀察和分析，結(jié)合患者腦部的結(jié)構(gòu)和功能，以幫助做出準確的診斷和治療計劃。

2、傳統(tǒng)的對于醫(yī)療影像的腦部疾病診斷通常由人工進行經(jīng)驗性判斷，這種方法缺乏客觀性，并且不能結(jié)合多類醫(yī)療影像進行綜合性判斷，導(dǎo)致診斷結(jié)果缺乏準確性。引入人工智能的方式輔助診斷腦部疾病可結(jié)合多類醫(yī)療數(shù)據(jù)進行判斷，但由于醫(yī)療影像的數(shù)據(jù)存在樣本少的問題，如何提高分類模型在小樣本數(shù)據(jù)上的識別能力，需要進行改進。

技術(shù)實現(xiàn)思路

1、一種基于醫(yī)療影像的腦部疾病輔助診斷方法，包括：

2、s1.獲取結(jié)構(gòu)核磁共振影像和時序功能核磁共振影像；

3、s2.對時序功能核磁共振影像進行預(yù)處理，得到存儲有腦區(qū)血氧水平依賴信號值的2維數(shù)據(jù)矩陣，使用滑動窗口方式將時序功能核磁共振影像分割為固定長度的時間切片，獲取各時間切片對應(yīng)的2維數(shù)據(jù)矩陣；

4、s3.將不同腦區(qū)進行兩兩配對，得到多組腦區(qū)對(i,j)，使用每個時間切片對應(yīng)的2維數(shù)據(jù)矩陣中的腦區(qū)血氧水平依賴信號值計算每個腦區(qū)對(i,j)的皮爾森系數(shù)權(quán)值wij(pcc)和最大互信息系數(shù)權(quán)值wij(mic)；使用所有皮爾森系數(shù)權(quán)值wij(pcc)和所有最大互信息系數(shù)權(quán)值wij(pcc)分別計算皮爾森系數(shù)的最終特征向量和最大互信息系數(shù)的最終特征向量；

5、s4.將結(jié)構(gòu)核磁共振影像、皮爾森系數(shù)的最終特征向量和最大互信息系數(shù)的最終特征向量送入集成疾病輔助診斷模型中進行疾病分類，輸出疾病輔助診斷標簽和對應(yīng)類別概率；

6、s5.對疾病輔助診斷標簽和對應(yīng)類別概率進行可視化處理，輸出可視化結(jié)果。

7、作為本發(fā)明的一種優(yōu)選技術(shù)方案，集成疾病輔助診斷模型分為數(shù)據(jù)處理層，基學(xué)習(xí)器識別層，集成輸出層；

8、數(shù)據(jù)處理層用于對結(jié)構(gòu)核磁共振影像進行預(yù)處理，得到待識別結(jié)構(gòu)影像，對皮爾森系數(shù)的最終特征向量和最大互信息系數(shù)的最終特征向量進行特征選擇，得到待識別皮爾森系數(shù)特征向量和待識別最大互信息系數(shù)特征向量；

9、基學(xué)習(xí)器識別層包括3個基學(xué)習(xí)器，分別為結(jié)構(gòu)影像識別模型、皮爾森系數(shù)識別模型和最大互信息系數(shù)識別模型；結(jié)構(gòu)影像識別模型用于對待識別結(jié)構(gòu)影像進行疾病識別，輸出腦部疾病標簽和對應(yīng)類別概率，皮爾森系數(shù)識別模型用于對待識別皮爾森系數(shù)特征向量進行疾病識別，輸出腦部疾病標簽和對應(yīng)類別概率，最大互信息系數(shù)識別模型用于對待識別最大互信息系數(shù)特征向量進行疾病識別，輸出腦部疾病標簽和對應(yīng)類別概率；

10、集成輸出層用于對3個基學(xué)習(xí)器的輸出進行識別，輸出疾病輔助診斷標簽和對應(yīng)類別概率。

11、作為本發(fā)明的一種優(yōu)選技術(shù)方案，構(gòu)建集成疾病輔助診斷模型，具體步驟為：

12、a1.采集若干樣本的結(jié)構(gòu)核磁共振影像和時序功能核磁共振影像，對樣本標記腦部疾病標簽，提取每個樣本的時序功能核磁共振圖像對應(yīng)的皮爾森系數(shù)的最終特征向量和最大互信息系數(shù)的最終特征向量，對皮爾森系數(shù)的最終特征向量和最大互信息系數(shù)的最終特征向量使用ks檢驗進行特征選擇；

13、將樣本的結(jié)構(gòu)核磁共振影像進行預(yù)處理并和腦部疾病標簽組成結(jié)構(gòu)影像識別數(shù)據(jù)集，將結(jié)構(gòu)影像識別數(shù)據(jù)集分割為結(jié)構(gòu)影像識別訓(xùn)練集和結(jié)構(gòu)影像識別測試集；

14、將樣本經(jīng)過特征選擇的皮爾森系數(shù)的最終特征向量和腦部疾病標簽組成皮爾森系數(shù)特征識別數(shù)據(jù)集，對皮爾森系數(shù)特征識別數(shù)據(jù)集進行有放回抽樣劃分為皮爾森系數(shù)特征識別訓(xùn)練集和皮爾森系數(shù)特征識別測試集；

15、將樣本經(jīng)過特征選擇的最大互信息系數(shù)的最終特征向量和腦部疾病標簽組成最大互信息系數(shù)特征識別數(shù)據(jù)集，對最大互信息系數(shù)特征識別數(shù)據(jù)集進行有放回抽樣劃分為最大互信息系數(shù)特征識別訓(xùn)練集和最大互信息系數(shù)特征識別測試集；

16、a2.將結(jié)構(gòu)影像識別訓(xùn)練集送入基于卷積神經(jīng)網(wǎng)絡(luò)的初始結(jié)構(gòu)影像識別模型進行訓(xùn)練，以腦部疾病標簽為目標，訓(xùn)練得到訓(xùn)練結(jié)構(gòu)影像識別模型；將結(jié)構(gòu)影像識別測試集送入訓(xùn)練結(jié)構(gòu)影像識別模型進行準確率評估，以腦部疾病標簽為目標，調(diào)整訓(xùn)練結(jié)構(gòu)影像識別模型的超參數(shù)，得到結(jié)構(gòu)影像識別模型；

17、使用adaboost方法結(jié)合皮爾森系數(shù)特征識別訓(xùn)練集和皮爾森系數(shù)特征識別測試集訓(xùn)練得到皮爾森系數(shù)識別模型，使用adaboost方法結(jié)合最大互信息系數(shù)特征識別訓(xùn)練集和最大互信息系數(shù)特征識別測試集訓(xùn)練得到最大互信息系數(shù)識別模型；

18、a3.結(jié)構(gòu)影像識別模型、皮爾森系數(shù)識別模型和最大互信息系數(shù)識別模型作為集成疾病輔助診斷模型的基學(xué)習(xí)器；對3個基學(xué)習(xí)器進行并行集成，獲取3個基學(xué)習(xí)器在各自對應(yīng)的訓(xùn)練集和測試集上輸出的腦部疾病標簽和對應(yīng)類別概率，將3個基學(xué)習(xí)器輸出的腦部疾病標簽和對應(yīng)類別概率、樣本標記的腦部疾病標簽組成新的識別樣本，將所有識別樣本組成集成學(xué)習(xí)數(shù)據(jù)集，將集成學(xué)習(xí)數(shù)據(jù)集分割為集成學(xué)習(xí)訓(xùn)練集和集成學(xué)習(xí)測試集；

19、將集成學(xué)習(xí)訓(xùn)練集送入以多層感知機為基礎(chǔ)的初始集成學(xué)習(xí)模型中進行訓(xùn)練，以樣本標記的腦部疾病標簽為目標，訓(xùn)練得到初始集成疾病輔助診斷模型；將集成學(xué)習(xí)測試集送入初始集成疾病輔助診斷模型進行準確率評估，以樣本標記的腦部疾病標簽為目標，調(diào)整初始集成疾病輔助診斷模型的超參數(shù)，得到集成疾病輔助診斷模型。

20、作為本發(fā)明的一種優(yōu)選技術(shù)方案，使用adaboost方法結(jié)合皮爾森系數(shù)特征識別訓(xùn)練集和皮爾森系數(shù)特征識別測試集訓(xùn)練得到皮爾森系數(shù)識別模型，具體步驟為：

21、b1.將皮爾森系數(shù)特征識別訓(xùn)練集中的樣本作為訓(xùn)練樣本送入基于svm模型的弱學(xué)習(xí)器a進行訓(xùn)練，以腦部疾病標簽為目標訓(xùn)練得到弱學(xué)習(xí)器a，計算訓(xùn)練樣本被弱學(xué)習(xí)器a錯誤分類的樣本所占的比例作為誤差率a；使用皮爾森系數(shù)特征識別測試集計算弱學(xué)習(xí)器a的準確率a，準確率以腦部疾病標簽為目標；

22、b2.根據(jù)弱學(xué)習(xí)器a的誤差率來調(diào)整訓(xùn)練樣本的權(quán)重，增加被錯誤分類的樣本的權(quán)重，增加的數(shù)值為誤差率a的一半；

23、b3.將調(diào)整樣本權(quán)重后的皮爾森系數(shù)特征識別訓(xùn)練集送入基于svm模型的初始弱學(xué)習(xí)器b進行訓(xùn)練，以腦部疾病標簽為目標訓(xùn)練得到弱學(xué)習(xí)器b，使用皮爾森系數(shù)特征識別測試集計算訓(xùn)練弱學(xué)習(xí)器b的準確率，比較訓(xùn)練弱學(xué)習(xí)器b的準確率對于準確率a的提升率是否大于預(yù)設(shè)值，若大于預(yù)設(shè)值，則將訓(xùn)練弱學(xué)習(xí)b作為弱學(xué)習(xí)器b，若小于預(yù)設(shè)值，重復(fù)步驟b2-b3，得到弱學(xué)習(xí)器b；計算訓(xùn)練樣本被弱學(xué)習(xí)器b錯誤分類的樣本所占的比例作為誤差率b，使用皮爾森系數(shù)特征識別測試集計算弱學(xué)習(xí)器b的準確率b；

24、b4.重復(fù)步驟b3得到弱學(xué)習(xí)器c和弱學(xué)習(xí)器c的準確率c；根據(jù)3個弱學(xué)習(xí)器的準確率為弱學(xué)習(xí)器的輸出添加權(quán)重；將3個弱學(xué)習(xí)器集成為皮爾森系數(shù)識別模型，對3個弱學(xué)習(xí)器輸出的加權(quán)腦部疾病標簽和加權(quán)對應(yīng)類別概率進行計算，作為皮爾森系數(shù)識別模型的輸出；

25、此外，最大互信息系數(shù)識別模型通過上述同種方式獲取。

26、作為本發(fā)明的一種優(yōu)選技術(shù)方案，對皮爾森系數(shù)的最終特征向量和最大互信息系數(shù)的最終特征向量使用ks檢驗進行特征選擇，ks檢驗的具體步驟為：對每個特征的取值和腦部疾病標簽分別計算其累計分布函數(shù)cdf，計算特征cdf和類別cdf之間的最大距離，獲取特征的d值，使用正態(tài)分布確定特征的d值的分布，通過查找特征的d值在其分布中的相應(yīng)位置（或更大的值）出現(xiàn)的概率來計算p值，將特征按照p值大小排序，選擇p值小于設(shè)定閾值的特征進行后續(xù)分析。

27、作為本發(fā)明的一種優(yōu)選技術(shù)方案，對時序功能核磁共振影像進行預(yù)處理，預(yù)處理的具體步驟為：

28、c1.刪除時序功能核磁共振影像中前三個功能核磁共振影像；

29、c2.對剩余的時序功能核磁共振影像進行時間層校正、頭動校正和空間標準化，得到標準功能核磁共振影像；

30、c3.獲取每張標準功能核磁共振影像的全局血氧水平依賴時序信號；

31、c4.基于自動解剖標記模板將全局血氧水平依賴時序信號分為多個腦區(qū)的平均靜息態(tài)時間序列信號，對每個腦區(qū)的平均靜息態(tài)時間序列信號使用頻段為0.01-0.08hz的帶通濾波器進行處理獲取每個腦區(qū)的血氧水平依賴信號值，得到一個2維數(shù)據(jù)矩陣，矩陣中存儲腦區(qū)的血氧水平依賴信號值。

32、作為本發(fā)明的一種優(yōu)選技術(shù)方案，使用滑動窗口方式將時序功能核磁共振影像分割為固定長度的時間切片，分割時間切片的公式為：

33、；

34、公式中numwindow為時間切片個數(shù)，windowsize為每個窗口的長度，windowstep是兩個連續(xù)窗口間的間隔，numvolume是時序功能核磁共振影像是總影像數(shù)。

35、作為本發(fā)明的一種優(yōu)選技術(shù)方案，使用所有皮爾森系數(shù)權(quán)值wij(pcc)和所有最大互信息系數(shù)權(quán)值wij(pcc)分別計算皮爾森系數(shù)的最終特征向量和最大互信息系數(shù)的最終特征向量，計算方法的步驟為：

36、d1.獲取每個時間切片上的每個腦區(qū)對(i,j)的皮爾森系數(shù)權(quán)值wij(pcc)；

37、d2.將每個時間切片上的所有皮爾森系數(shù)權(quán)值wij(pcc)拼接為大小為(numroi,numroi)的二維矩陣，并稱之為對應(yīng)時間切片的腦功能連接網(wǎng)絡(luò)相關(guān)性方陣，numroi為腦區(qū)的個數(shù)；

38、d3.將每個時間切片上的腦功能連接網(wǎng)絡(luò)相關(guān)性方陣降維至長度為(numroi*numroi)的一維向量，記為對應(yīng)時間切片的特征向量；

39、d4.將全部時間切片上的特征向量取均值，作為皮爾森系數(shù)的最終特征向量；

40、此外，最大互信息系數(shù)的最終特征向量通過相同的步驟獲取。

41、一種基于醫(yī)療影像的腦部疾病輔助診斷系統(tǒng)，包括：

42、影像采集模塊，用于獲取結(jié)構(gòu)核磁共振影像和時序功能核磁共振影像；

43、數(shù)據(jù)預(yù)處理模塊，用于對時序功能核磁共振影像進行預(yù)處理，得到存儲有腦區(qū)血氧水平依賴信號值的2維數(shù)據(jù)矩陣，使用滑動窗口方式將時序功能核磁共振影像分割為固定長度的時間切片，獲取各時間切片對應(yīng)的2維數(shù)據(jù)矩陣；

44、特征構(gòu)建模塊，用于將不同腦區(qū)進行兩兩配對，得到多組腦區(qū)對(i,j)，使用每個時間切片對應(yīng)的2維數(shù)據(jù)矩陣中的腦區(qū)血氧水平依賴信號值計算每個腦區(qū)對(i,j)的皮爾森系數(shù)權(quán)值wij(pcc)和最大互信息系數(shù)權(quán)值wij(mic)；使用所有皮爾森系數(shù)權(quán)值wij(pcc)和所有最大互信息系數(shù)權(quán)值wij(pcc)分別計算皮爾森系數(shù)的最終特征向量和最大互信息系數(shù)的最終特征向量；

45、疾病分類模塊，用于將結(jié)構(gòu)核磁共振影像、皮爾森系數(shù)的最終特征向量和最大互信息系數(shù)的最終特征向量送入集成疾病輔助診斷模型中進行疾病分類，輸出疾病輔助診斷標簽和對應(yīng)類別概率；

46、輔助診斷報告模塊，用于對疾病輔助診斷標簽和對應(yīng)類別概率進行可視化處理，輸出可視化結(jié)果。

47、本發(fā)明具有以下優(yōu)點：

48、1、本發(fā)明通過使用集成學(xué)習(xí)方法，并行集成了3個基學(xué)習(xí)器，1個基于神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)影像識別模型和2個基于svm的系數(shù)識別模型，結(jié)構(gòu)影像識別模型通過結(jié)構(gòu)核磁共振影像對腦部結(jié)構(gòu)方向進行分析，系數(shù)識別模型通過時序功能核磁共振影像對腦部功能特征系數(shù)方向進行分析，獲得的集成疾病輔助診斷模型可使用多種醫(yī)療影像進行綜合性分析，提高了腦部疾病輔助診斷的準確率。

49、2、本發(fā)明通過獲取時序功能核磁共振影像的皮爾森系數(shù)特征和最大互信息系數(shù)特征，在同一個樣本中獲取了大量的特征，并且通過ks檢驗方法選擇了有效的特征，通過兩類特征的結(jié)合使用，提高了集成疾病輔助診斷模型在小樣本數(shù)據(jù)上的識別能力。

50、3、本發(fā)明通過使用adaboost方法訓(xùn)練系數(shù)識別模型，使用多個基學(xué)習(xí)器進行串行學(xué)習(xí)，使得系數(shù)識別模型可以學(xué)習(xí)到基學(xué)習(xí)器在錯誤分類樣本的權(quán)重，提高了系數(shù)識別模型的識別準確率。