一种MRI图像中阿尔茨海默症的3D特征识别方法

摘要

本发明公开一种MRI图像中阿尔茨海默症的3D特征识别方法，由阿尔茨海默症3D特征识别模型提取阿尔茨海默症3D特征；阿尔茨海默症3D特征识别模型包括输入层、多个依次排列的ResNet块、自适应平均池化模块和全连接模块；输入层接收3D MRI图像；在每个ResNet块中有3D非对称卷积块，3D非对称卷积块提取3D MRI图像中判别性特征；在每个ResNet块后设置一个注意特征融合添加模块以融合局部和全局特征上下文，进行多尺度通道注意力特征融合；在多个ResNet块的特征提取后，使用自适应平均池化模块和全连接模块输出最终获得识别结果。本发明能够提取更具有判别性的特征，能够达到早期识别和较高的准确率。

说明书

技术领域

本发明属于图像识别技术领域，特别是涉及一种MRI图像中阿尔茨海默症的3D特征识别方法。

背景技术

阿尔茨海默症(Alzheimer's disease，AD)是一种常见于老年人的神经退行性脑病。阿尔茨海默症是典型的痴呆症，很难逆转并且难以早期发现。临床上表现为：记忆障碍、失语症、认知障碍和行为异常。不幸的是，通常，临床诊断患者为处于晚期，因此早期诊断可以控制并及时了解患者病情。医生通常通过3D脑磁共振成像(MRI)来诊断患者的病情。然而，由于相邻病情阶段的3D MRI结构几乎相似，阿尔茨海默症的多分类诊断变得非常困难。因此，有必要提升特征提取能力，从3D MRI中提取更多的判别特征，促进更准确的诊断。此外，不仅是整个MRI有整体变化，MRI局部也有局部变化。因此，有必要注意整个图像和局部区域的变化并融合不同尺度的特征。

轻度认知障碍(MCI)是正常老年人认知衰退和阿尔茨海默症之间的过渡阶段，也是临床上最早可检测到的阶段。在阿尔茨海默症的进展中。轻度认知障碍(MCI)进一步分为早期轻度认知障碍(EMCI)和晚期轻度认知障碍(LMCI)阶段。如果我们可以更准确地识别疾病阶段，将更有利于对患者进行早期治疗。

由于3D脑部MRI的结构相似，因此MRI相邻的疾病阶段几乎相同。因此，3D MRI中的特征不易提取，需要逐步提取3D MRI中的特征。在之前的工作的做法，通常是使用3D卷积神经网络(CNN)和2D CNN依次处理，或处理3D MRI成2D切片，然后使用2D CNN进行特征提取。特征信息的丢失伴随着将3D转换为2D。

现有的阿尔茨海默症的图像特征识别在准确率方面的表现是差强人意的，无法达到早期识别和较高的准确率。究其原因是没有提取到具有区分各阶段的判别性特征。有的技术方法使用更多标记的训练样本和先验知识来提升准确率和早期识别。一般标记样本需要非常资深的医生标记的金标准，这使得研究变得复杂且样本的标记容易出错。有的技术方法使用几个模型的集成，利用不同模型的学习能力来提升准确率。但是，几个模型的训练增加了训练时间，同时也控制不了不同模型的学习能力，不同的模型可能对同阶段的识别效果。还有的技术方法使用更加深的、复杂的神经网络模型来提升识别效果。神经网络模型太深，再加上数百个MRI数据的不足，通常网络模型是尚未完全训练的。

发明内容

为了解决上述问题，本发明提出了一种MRI图像中阿尔茨海默症的3D特征识别方法，能够提取更具有判别性的特征，能够达到早期识别和较高的准确率。

为达到上述目的，本发明采用的技术方案是：一种MRI图像中阿尔茨海默症的3D特征识别方法，包括：输入3D MRI图像到阿尔茨海默症3D特征识别模型中，提取阿尔茨海默症3D特征；

所述阿尔茨海默症3D特征识别模型包括输入层、多个依次排列的ResNet块、自适应平均池化模块和全连接模块；3D MRI图像由输入层接收；在每个ResNet块中添加一个3D非对称卷积块，3D非对称卷积块提取出3D MRI图像中判别性特征；在每个ResNet块后设置一个注意特征融合添加模块以融合局部和全局特征上下文，进行多尺度通道注意力特征融合；在多个ResNet块的特征提取后，使用自适应平均池化模块和全连接模块输出最终获得识别结果。

进一步的是，所述ResNet块包括1*1*1的第一卷积层、3*3*3的第二卷积层、1*1*1的第三卷积层、1*1*1的第四卷积层，所述第一卷积层连接第二卷积层，第二卷积层连接3D非对称卷积块，3D非对称卷积块连接第三卷积层，第三卷积层连接第四卷积层。

进一步的是，所述3D非对称卷积块包括四个平行分支，所述四个平行分支分别为3×3×3卷积核、3×1×1卷积核、1×3×1卷积核和1×1×3卷积核；在四个分支中的每一个之后执行标准化，然后将四个分支的输出相加作为3D非对称卷积块的输出。

进一步的是，每个ResNet块设置后设置一个注意特征融合添加模块以融合局部和全局特征上下文，包括：选择逐点卷积对每个空间位置使用逐点通道交互作为局部通道上下文聚合器。

进一步的是，计算局部特征上下文：L(X)∈R

通过瓶颈结构获得：L(X)＝B(PW Conv

其中，PW Conv

进一步的是，通过全局平均池化操作计算全局特征上下文g(X)∈R

其中，X[i,j,k]表示输入的图像特征；

对于全局特征上下文g(X)和局部特征上下文L(X)，使用多尺度通道注意力机制进行进一步处理，通过改变空间池的大小，多尺度通道注意力机制沿通道维度融合多尺度上下文信息。

进一步的是，由多尺度通道注意力机制处理后的输出为M(X)＝R

多尺度通道注意力特征融合两个特征X,Y∈R

在短跳连接场景中：X是恒等映射得到的特征，Y是ResNet块中学到的残差特征，基于多尺度通道注意力机制，经过多尺度通道注意力机制处理后，表示为：

其中，⊥表示初始特征集成，选择逐元素求和作为初始积分；

定义Z∈R

采用本技术方案的有益效果：

本发明既防止了特征信息的丢失，又提升了提取更多的判别性特征，这样使得对阿尔茨海默症各阶段诊断更准确，也对阿尔茨海默症的早期识别更及时。此外，结合了阿尔茨海默症图像MRI的特点，更好地在注意力机制中融合具有各种语义和尺度的特征，提升了3D特征的融合，这使得阿尔茨海默症的特征识别准确率进一步提升。

本发明所引入的3D非对称卷积结构，能够提升神经网络对3D特征提取能力和避免特征信息丢失，因3D非对称卷积可从三个空间维度帮助提取更多判别性特征，提升神经网络对3D特征提取能力。同时结合使用多尺度通道注意力机制来实现注意力机制中的特征融合，实现全局特征与局部特征的融合，既检测MRI整体变化，又检测局部细微变化，进而提升阿尔茨海默症各个阶段的识别准确率。

附图说明

图1为本发明的一种MRI图像中阿尔茨海默症的3D特征识别方法的流程示意图；

图2为本发明实施例中多尺度通道注意力机制的原理示意图；

图3为本发明实施例注意特征融合添加模块的原理示意图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明作进一步阐述。

在本实施例中，参见图1所示，本发明提出了一种MRI图像中阿尔茨海默症的3D特征识别方法，包括：输入3D MRI图像到阿尔茨海默症3D特征识别模型中，提取阿尔茨海默症3D特征；

所述阿尔茨海默症3D特征识别模型包括输入层、多个依次排列的ResNet块、自适应平均池化模块和全连接模块；3D MRI图像由输入层接收；在每个ResNet块中添加一个3D非对称卷积块，3D非对称卷积块提取出3D MRI图像中判别性特征；在每个ResNet块后设置一个注意特征融合添加模块以融合局部和全局特征上下文，进行多尺度通道注意力特征融合；在多个ResNet块的特征提取后，使用自适应平均池化模块和全连接模块输出最终获得识别结果。

作为上述实施例的优化方案，所述ResNet块包括1*1*1的第一卷积层、3*3*3的第二卷积层、1*1*1的第三卷积层、1*1*1的第四卷积层，所述第一卷积层连接第二卷积层，第二卷积层连接3D非对称卷积块，3D非对称卷积块连接第三卷积层，第三卷积层连接第四卷积层。

其中，所述3D非对称卷积块包括四个平行分支，所述四个平行分支分别为3×3×3卷积核、3×1×1卷积核、1×3×1卷积核和1×1×3卷积核；在四个分支中的每一个之后执行标准化，然后将四个分支的输出相加作为3D非对称卷积块的输出。

通过添加非对称卷积核，用于3D非对称卷积核可以增强不同的方向得特征提取，可以从3D MRI中提取更具有辨别性特征。

作为上述实施例的优化方案，由于3D MRI中的目标大小不同，例如，整个MRI是可变的，整个大脑萎缩在疾病的不同阶段是不同的。一些MRI的局部区域也发生了变化，如局部海马收缩和脑心室扩张。因此，对捕捉脑部MRI变化，需同时注意整个图像和图像局部区域，并融合不同尺度的特征。本发明提出多尺度通道注意特征融合(MS-CAFF)。核心理念是通过改变空间池的大小。

每个ResNet块设置后设置一个注意特征融合添加模块以融合局部和全局特征上下文，包括：选择逐点卷积对每个空间位置使用逐点通道交互作为局部通道上下文聚合器。

其中，计算局部特征上下文：L(X)∈R

通过瓶颈结构获得：L(X)＝B(PW Conv

其中，PW Conv

经过上述处理后，由于L(X)与输入特征具有相同的形状，可以保留和关注低层次的细微细节特征。

其中，通过全局平均池化操作计算全局特征上下文g(X)∈R

其中，X[i,j,k]表示输入的图像特征；

对于全局特征上下文g(X)和局部特征上下文L(X)，使用多尺度通道注意力机制进行进一步处理，通过改变空间池的大小，多尺度通道注意力机制沿通道维度融合多尺度上下文信息，它可以同时突出全局变化和局部变化，便于网络识别并检测尺度变化下的目标。

其中，由多尺度通道注意力机制处理后的输出为M(X)＝R

其中，σ是Sigmoid函数，

详细结构如图2所示。在ResNet神经网络中，定义输入特征为：X∈R

多尺度通道注意力特征融合两个特征X,Y∈R

在短跳连接场景中：X是恒等映射得到的特征，Y是ResNet块中学到的残差特征，基于多尺度通道注意力机制，经过多尺度通道注意力机制处理后，表示为：

其中，⊥表示初始特征集成，选择逐元素求和作为初始积分；

定义Z∈R

图3中，虚线箭头表示1-M(X⊥Y)，特别是融合权重M(X⊥Y)和1-M(X⊥Y)由0到1之间的实数组成，使得网络执行软选择或加权平均在X和Y之间。

为了能够提取更具有判别性的特征，本发明将利用非对称卷积和多尺度通道注意力机制来分别提升特征的提取和融合。通常的做法是使用3D卷积神经网络(CNN)和2D CNN依次处理，或将3D MRI处理成2D切片，然后使用2D CNN进行特征提取。随着将MRI从3D转换2D，也伴随着特征信息的丢失。相反，直接提取3D特征可以避免特征信息的丢失。于此，3D非对称卷积可以帮助提取更多来自三个空间维度的判别性特征。利用非对称卷积提升神经网络对3D特征提取能力。通过添加非对称卷积，从三维MRI中提取特征，可以增强不同方向的特征提取，提取到更具辨别力的特征。此外，本发明结合了阿尔茨海默症的3D MRI特点，MRI在疾病各个阶段的整体结构是相似的，并且图像中的局部区域存在差异。这也是为什么其他各种技术方法准确率不高的根本原因。不同阶段的识别需要注意变化整个MRI和图像内的局部变化。因此，本发明提出了一个多尺度通道注意特征融合(MS-CAFF)，它可以同时强调整个MRI的更全局分布，并突出局部分布更小变化。更重要的是，为了更好地融合具有各种语义和尺度的特征，本发明在注意力机制中融合不同尺度的特征。该技术能够从提取更具有判别的特征出发，也能结合疾病的影像特点来提升对阿尔茨海默症的特征识别。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。