一種智能化的醫學圖像處理裝置與方法與流程

2023-09-18 19:11:45

本發明涉及一種智能化的醫學圖像處理裝置與方法，特別地，涉及基於深度學習的卷積神經網絡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、遺忘型輕度認知損害和正常老年組的兩兩之間的判別的圖像處理與分析的裝置與方法。

背景技術：

阿爾茲海默病是一種神經退行性疾病，根據臨床的統計，有10％到15％的遺忘型輕度認知損害的受試者會在1年到8年左右的時間內成為阿爾茲海默病的患者，這樣的在1年到8年左右的時間內成為阿爾茲海默病的患者的情況被稱為轉化型的遺忘型輕度認知損害。在10年以上的時間內沒有成為阿爾茲海默病的患者的情況可以被稱為穩定型的遺忘型輕度認知損害。已有的研究工作已經證實，在頭顱的核磁共振成像的影像文件中，儘管每個受試者的核磁共振成像的影像數據存在個體差異，在生物統計學的意義上，阿爾茲海默病、遺忘型輕度認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據的三個類別之間的差異，同時，穩定型和轉化型的遺忘型輕度認知損害的這兩種情況之間的核磁共振成像的影像數據也存在差異。利用人工智慧的機器學習的深度學習的方法利用頭顱的核磁共振成像的影像數據對阿爾茲海默病、穩定型和轉化型的遺忘型輕度認知損害和正常老年組進行計算機輔助識別可以為基礎研究提供參考意見，可以提高基礎研究的工作效率。

現有技術中有利用人工智慧的深度學習對頭顱的核磁共振成像的3維的影像數據進行阿爾茲海默病、遺忘型輕度認知損害和正常老年組進行計算機輔助識別的文獻，見預印本網站的arxiv:1607.00556v1。但是，該文獻僅對頭顱的核磁共振成像的3維的體素數據進行處理，使用的技術方案是3維卷積自編碼器。由於需要對每一位受試者的頭顱的核磁共振成像的所有的3維的體素數據進行處理，該技術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據是20張到40張二維的切片的圖像數據，上述的arxiv:1607.00556v1的文獻中的方法無法用於臨床的普通掃描的頭顱的核磁共振成像的影像數據。另外上述的arxiv:1607.00556v1的文獻沒有提到如何對穩定型和轉化型的遺忘型輕度認知損害的受試者進行區分診斷。

技術實現要素：

本本發明提供了一種智能化的醫學圖像處理裝置，該裝置包括，用於存儲圖像預處理的程序、人工智慧的深度學習的程序和頭顱的核磁共振成像的圖像數據的存儲介質，利用人工智慧的深度學習對頭顱的核磁共振成像的圖像數據進行處理和分析的計算機主機或計算機集群，用於顯示圖像預處理的程序、人工智慧的深度學習的程序、各種頭顱的核磁共振成像的圖像數據和各種程序的運行過程和運行結果的顯示裝置，

其特徵在於：上述裝置能夠實現對任意給定的數量的正常老年組、穩定型的遺忘型輕度認知損害、轉化型的遺忘型輕度認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據的任意給定的數量的二維切片實現人工智慧的深度學習的卷積神經網絡的監督學習，根據上述的對任意給定的數量的正常老年組、穩定型的遺忘型輕度認知損害、轉化型的遺忘型輕度認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據的二維切片進行人工智慧的深度學習的卷積神經網絡的監督學習所得到的深度學習的神經網絡模型，利用任意給定的數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據的任意給定的數量的二維切片對上述的待識別的受試者進行正常老年組、穩定型的遺忘型輕度認知損害、轉化型的遺忘型輕度認知損害和阿爾茲海默病的四分類的區分識別。

本發明提供了一種智能化的醫學圖像處理方法，上述方法使用的裝置包括，用於存儲圖像預處理的程序、人工智慧的深度學習的程序和頭顱的核磁共振成像的圖像數據的存儲介質，利用人工智慧的深度學習對頭顱的核磁共振成像的圖像數據進行處理和分析的計算機主機或計算機集群，用於顯示圖像預處理的程序、人工智慧的深度學習的程序、各種頭顱的核磁共振成像的圖像數據和各種程序的運行過程和運行結果的顯示裝置，

其特徵在於：上述方法能夠實現對任意給定的數量的正常老年組、穩定型的遺忘型輕度認知損害、轉化型的遺忘型輕度認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據的任意給定的數量的二維切片實現人工智慧的深度學習的卷積神經網絡的監督學習，根據上述的對任意給定的數量的正常老年組、穩定型的遺忘型輕度認知損害、轉化型的遺忘型輕度認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據的二維切片進行人工智慧的深度學習的卷積神經網絡的監督學習所得到的深度學習的神經網絡模型，利用任意給定的數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據的任意給定的數量的二維切片對上述的待識別的受試者進行正常老年組、穩定型的遺忘型輕度認知損害、轉化型的遺忘型的輕度認知損害和阿爾茲海默病的四分類的區分識別。

本發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成像的診斷的方法，能夠將多個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據進行持久化的存儲，對受試者的全腦的核磁共振成像的三維體素的原始數據進行去噪和信號強度歸一化等預處理，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，

其特徵在於：將指定數量的正常老年組的受試者的核磁共振成像的圖像數據、指定數量的已經在臨床上確診為穩定型和轉化型的遺忘型輕度認知損害的受試者的核磁共振成像的圖像數據和指定數量的已經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據做成人工智慧的深度學習的卷積神經網絡的監督學習的訓練集，將指定數量的正常老年組的受試者的核磁共振成像的圖像數據、指定數量的已經在臨床上確診為穩定型和轉化型的遺忘型輕度認知損害的受試者的核磁共振成像的圖像數據和指定數量的已經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據做成人工智慧的深度學習的卷積神經網絡的監督學習的驗證集，將指定數量的正常老年組的受試者的核磁共振成像的圖像數據、指定數量的已經在臨床上確診為穩定型和轉化型的遺忘型輕度認知損害的受試者的核磁共振成像的圖像數據和指定數量的已經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據做成人工智慧的深度學習的卷積神經網絡的監督學習的測試集，記錄下每個受試者的身份號或序號，構建人工智慧的深度學習的卷積神經網絡，利用人工智慧的深度學習的卷積神經網絡實現基於全腦和/或海馬體的形態學特徵的深度學習的計算機輔助識別和/或利用人工智慧的深度學習的卷積神經網絡實現基於全腦和/或海馬體的紋理特徵的深度學習的計算機輔助識別，

基於全腦的形態學特徵的人工智慧的深度學習的輔助識別是指：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核磁共振成像的圖像的質量任意地設定，對上述的訓練集，給每個來源於正常老年組的受試者的所有的上述二維切片標記上正常老年組的標籤，給每個來源於在臨床上確診為穩定型和轉化型的遺忘型輕度認知損害的受試者的所有的上述二維切片標記上在臨床上確診為穩定型和轉化型的遺忘型輕度認知損害的標籤，給每個來源於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記上在臨床上確診為阿爾茲海默病的標籤，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域，將以每個區域的灰度的強度的數值為基礎的反映該區域的圖像信息的特徵做為人工智慧的深度學習的卷積神經網絡的輸入，利用上述的人工智慧的深度學習的卷積神經網絡對所有的上述的受試者的上述的二維切片的形態學特徵進行識別，根據對上述形態學特徵的識別得到針對上述的二維切片的對正常老年組、在臨床上確診為穩定型和轉化型的遺忘型輕度認知損害和在臨床上確診為阿爾茲海默病的四種情況進行四分類的分類方法，使用上述的針對上述的二維切片的對正常老年組、在臨床上確診為穩定型和轉化型的遺忘型輕度認知損害和在臨床上確診為阿爾茲海默病的四種情況進行四分類的分類方法對上述的驗證集進行驗證，在驗證中調整上述卷積神經網絡的結構和有關的參數，直到對上述四分類的分類方法達到上述的四種情況的兩兩之間的判別的準確率達到80％以上，在上述四分類的分類方法達到上述的四種情況的兩兩之間的判別的準確率達到80％以上的情況下，將上述四分類的分類方法用於對臨床的核磁共振的圖像提供參考診斷意見；

基於海馬體的形態學特徵的人工智慧的深度學習的輔助識別是指：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核磁共振成像的圖像的質量任意地設定，對上述的訓練集，給每個來源於正常老年組的受試者的所有的上述二維切片標記上正常老年組的標籤，給每個來源於在臨床上確診為穩定型和轉化型的遺忘型輕度認知損害的受試者的所有的上述二維切片標記上在臨床上確診為穩定型和轉化型的遺忘型輕度認知損害的標籤，給每個來源於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記上在臨床上確診為阿爾茲海默病的標籤，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域，將每個區域的灰度的強度的數值做為人工智慧的深度學習的卷積神經網絡的輸入，利用上述的人工智慧的深度學習的卷積神經網絡對上述二維切片的形態學特徵進行識別，根據對上述形態學特徵的識別得到針對上述的二維切片的對正常老年組、在臨床上確診為穩定型和轉化型的遺忘型輕度認知損害和在臨床上確診為阿爾茲海默病的四種情況進行四分類的分類方法，使用上述的針對上述的二維切片的對正常老年組、在臨床上確診為穩定型和轉化型的遺忘型輕度認知損害和在臨床上確診為阿爾茲海默病的四種情況進行四分類的分類方法對上述的驗證集進行驗證，在驗證中調整上述卷積神經網絡的結構和有關的參數，直到對上述四分類的分類方法達到上述的四種情況的兩兩之間的判別的準確率達到80％以上，在上述四分類的分類方法達到上述的四種情況的兩兩之間的判別的準確率達到80％以上的情況下，將上述四分類的分類方法用於對臨床的核磁共振的圖像提供參考診斷意見；

基於全腦的紋理特徵的人工智慧的深度學習的輔助識別是指：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量的二維切片組，每一個二維切片組具有給定數量的與冠狀面、矢狀面或水平面平行的連續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核磁共振成像的圖像的質量任意地設定，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徵的提取，上述的紋理特徵的提取方法是根據相鄰的體素的灰度的強度值的數值在不同的方向上的變化來實現的，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徵作為卷積神經網絡的輸入，利用人工智慧的深度學習的卷積神經網絡對所有的上述的受試者的上述二維切片組的紋理特徵進行識別，根據對上述紋理特徵的識別得到針對上述的二維切片組的對正常老年組、在臨床上確診為穩定型和轉化型的遺忘型輕度認知損害和在臨床上確診為阿爾茲海默病的四種情況進行四分類的分類方法，使用上述的針對上述的二維切片組的對正常老年組、在臨床上確診為穩定型和轉化型的遺忘型輕度認知損害和在臨床上確診為阿爾茲海默病的四種情況進行四分類的分類方法對上述的驗證集進行驗證，在驗證中調整上述卷積神經網絡的結構與有關的參數，直到對上述四分類的分類方法達到上述的四種情況的兩兩之間的判別的準確率達到80％以上，在上述四分類的分類方法達到上述的四種情況的兩兩之間的判別的準確率達到80％以上的情況下，將上述四分類的分類方法用於對臨床的核磁共振的圖像提供參考診斷意見。

基於海馬體的紋理特徵的人工智慧的深度學習的輔助識別是指：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量的二維切片組，每一個二維切片組具有給定數量的與冠狀面、矢狀面或水平面平行的連續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核磁共振成像的圖像的質量任意地設定，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徵的提取，上述的紋理特徵的提取方法是根據相鄰的體素的灰度的強度值的數值在不同的方向上的變化來實現的，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徵作為卷積神經網絡的輸入，利用人工智慧的深度學習的卷積神經網絡對上述二維切片組的紋理特徵進行識別，根據對上述紋理特徵的識別得到針對上述的二維切片組的對正常老年組、在臨床上確診為穩定型和轉化型的遺忘型輕度認知損害和在臨床上確診為阿爾茲海默病的四種情況進行四分類的分類方法，使用上述的針對上述的二維切片組的對正常老年組、在臨床上確診為穩定型和轉化型的遺忘型輕度認知損害和在臨床上確診為阿爾茲海默病的四種情況進行四分類的分類方法對上述的驗證集進行驗證，在驗證中調整上述卷積神經網絡的結構與有關的參數，直到對上述四分類的分類方法達到上述的四種情況的兩兩之間的判別的準確率達到80％以上，在上述四分類的分類方法達到上述的四種情況的兩兩之間的判別的準確率達到80％以上的情況下，將上述四分類的分類方法用於對臨床的核磁共振的圖像提供參考診斷意見。

本發明可以僅實現上述的基於形態學特徵的人工智慧的深度學習的計算機輔助識別。

本發明可以僅實現上述的基於紋理學特徵的人工智慧的深度學習的計算機輔助識別。

本發明可以同時實現上述的基於形態學特徵的人工智慧的深度學習的計算機輔助識別和上述的基於紋理學特徵的深度學習的計算機輔助識別，將上述的兩種診斷方法的計算機輔助識別的結果共同作為診斷的參考意見。

本發明的頭顱的核磁共振的二維的圖像數據的選用方法和卷積神經網絡的結構的設計方法與訓練方法都是可以根據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。

本發明能夠對臨床上使用的普通掃描的頭顱的核磁共振的二維的圖像數據進行處理。

附圖說明

圖1是本發明的卷積神經網絡的結構的示意圖。

圖2是本發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是本發明的核磁共振的圖像數據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影像計劃(alzheimer’sdiseaseneuroimaginginitiative，簡稱adni)的數據實現本發明對頭顱的核磁共振成像的影像數據的全腦的圖像數據進行計算機輔助輔助識別的技術方案。從美國的阿爾茲海默病神經影像計劃的官方網站下載經過臨床確診的阿爾茲海默病(ad)，穩定型和轉化型的遺忘型輕度認知損害(mci)和正常老年組(nc)的頭顱的核磁共振的影像數據，

穩定型和轉化型的遺忘型輕度認知損害(mci)的數據中有穩定型和轉化型的遺忘型輕度認知損害(mci)的掃描的時間。

美國的阿爾茲海默病神經影像計劃的數據，3013個掃描結果(scans)，321個受試者(subject)，可以劃分訓練集，驗證集和測試集

訓練集的情況

驗證集的情況

測試集的情況

從美國的阿爾茲海默病神經影像計劃的網站獲取上述的頭顱的核磁共振影像數據的全腦的三維數據。先對上述的三維數據進行圖像數據的預處理，主要是進行漩渦電流的校準(eddycurrentcorrection)，去頭骨(skullstripping)，將3維圖像轉換為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核磁共振成像的圖像的質量任意地設定，然後根據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個互相不重疊的區域。然後進行標準化操作，使上述的二維切片轉換到標準坐標系。對圖像進行數據增強操作，如旋轉，高度位移，縮放，寬度位移等。

美國的阿爾茲海默病神經影像計劃(adni)的核磁共振的圖像的預處理和二維切片的獲取可以通過nibabel或其它各種醫學影像學的開源或商業軟體實現，也可以使用matlab等程式語言根據圖像去噪，圖像分割和圖像配準的原理編程實現。

對上述的訓練集，給每個來源於正常老年組的受試者的所有的上述二維切片標記上正常老年組的標籤，給每個來源於在臨床上確診為穩定型和轉化型的遺忘型輕度認知損害的受試者的所有的上述二維切片標記上在臨床上確診為穩定型和轉化型的遺忘型輕度認知損害(mci)的標籤，給每個來源於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記上在臨床上確診為阿爾茲海默病的標籤，

使用python語言和keras的開源的深度學習的計算框架實現實施方式1的深度學習的軟體部分的編程，使用普通的個人計算機或高性能計算機作為硬體。

scikit是一個機器學習的開源的庫，scikit的onehotencoder函數可以實現獨熱編碼，獨熱編碼也稱為一位有效編碼，利用scikit的機器學習的庫的onehotencoder函數對上述的標籤實現獨熱編碼。獨熱編碼的功能是，經過對受試者的標籤進行獨熱編碼，將受試者的標籤的取值轉換成四維的向量，該四維向量的每一維的取值為0或1。舉例來說，(1，0，0，0)代表正常老年組,(0，1，0，0)代表穩定型的遺忘型輕度認知損害，(0，0，1，0)代表轉化型的遺忘型輕度認知損害，(0，0，0，1)代表阿爾茲海默病。對於受試者的標籤，如果它有4個可能的取值(阿爾茲海默病，穩定型的遺忘型輕度認知損害，轉化型的遺忘型輕度認知損害，正常老年組)，那麼經過獨熱編碼後，標籤的取值就轉換為4個二元特徵。並且，這4個二元特徵互斥，如果是阿爾茲海默病,就不是穩定型的遺忘型輕度認知損害，也不是轉化型的遺忘型輕度認知損害，也不是正常老年組；如果是穩定型的遺忘型輕度認知損害，就不是阿爾茲海默病，也不是轉化型的遺忘型輕度認知損害，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，也不是穩定型的遺忘型輕度認知損害，也不是轉化型的遺忘型輕度認知損害。通過對受試者的標籤實現獨熱編碼，便於在卷積神經網絡的深度學習中實現對神經網絡的訓練。

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個區域，每個區域的圖像的灰度的強度的數值作為96×96的矩陣的每個元素的數值，將上述的96×96的矩陣的元素作為上述的人工智慧的卷積神經網絡的輸入，上述的人工智慧的卷積神經網絡的第一層為具有32個核的卷積層，核的大小為3×3，激活函數為relu，上述的人工智慧的卷積神經網絡的第二層為最大池化層，核的大小為2×2，上述的人工智慧的卷積神經網絡的第三層為有64個核的卷積層，核的大小為3×3，激活函數為relu，上述的人工智慧的卷積神經網絡的第四層為池化層，核的大小為2×2，上述的人工智慧的卷積神經網絡的第五層為具有128個核的卷積層，核的大小為3×3，激活函數為relu，上述的人工智慧的卷積神經網絡的第六層為池化層，核的大小為2×2，將上述第六層的輸出展開成一維數組，連接到上述的人工智慧的卷積神經網絡的第一隱藏層，上述的人工智慧的卷積神經網絡的上述第一隱藏層有200個神經單元，激活函數為dropout，將上述第一隱藏層的輸出連接到上述的人工智慧的卷積神經網絡的第二隱藏層，上述的人工智慧的卷積神經網絡的上述第二隱藏層有200個神經單元，再將上述上述第二隱藏層的輸出連接到上述的人工智慧的卷積神經網絡的輸出層，上述的人工智慧的卷積神經網絡的輸出層的激活函數為softmax。每一層的神經元到下一層的神經元的變換參數是訓練出來的參數，所有的訓練出的參數是訓練出的卷積神經網絡的模型，將代表這個神經網絡的模型的參數存儲在本地的硬碟。

在完成了上述的卷積神經網絡的訓練之後，用訓練出的卷積神經網絡的模型對驗證集進行驗證，並對測試集進行測試。

在驗證的過程中，使用上述的訓練出的卷積神經網絡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果是該二維切片屬於阿爾茲海默病、穩定型和轉化型的遺忘型輕度認知損害和正常老年組的四種情況的概率，將這62個判別結果進行平均，就可以得知該受試者屬於阿爾茲海默病、穩定型和轉化型的遺忘型輕度認知損害和正常老年組的四種情況中的哪一種的概率。

就是說，利用上述的人工智慧的深度學習的卷積神經網絡對所有的上述的受試者的上述的二維切片的形態學特徵進行識別，根據對上述形態學特徵的識別得到針對上述的二維切片的對正常老年組、在臨床上確診為穩定型和轉化型的遺忘型輕度認知損害和在臨床上確診為阿爾茲海默病的四種情況進行四分類的分類方法，使用上述的針對上述的二維切片的對正常老年組、在臨床上確診為穩定型和轉化型的遺忘型輕度認知損害和在臨床上確診為阿爾茲海默病的四種情況進行四分類的分類方法對上述的驗證集進行驗證，在驗證中調整上述卷積神經網絡的結構和有關的參數，直到對上述四分類的分類方法達到上述的四種情況的兩兩之間的判別的準確率達到80％以上，在上述四分類的分類方法達到上述的四種情況的兩兩之間的判別的準確率達到80％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影像計劃(alzheimer’sdiseaseneuroimaginginitiative，簡稱adni)的數據實現本發明對頭顱的核磁共振成像的影像數據的全腦的圖像數據進行計算機輔助輔助識別的技術方案。從美國的阿爾茲海默病神經影像計劃的官方網站下載經過臨床確診的阿爾茲海默病(ad)，穩定型和轉化型的遺忘型輕度認知損害(mci)和正常老年組(nc)的頭顱的核磁共振的影像數據，

美國的阿爾茲海默病神經影像計劃的數據，3013個掃描結果(scans)，321個受試者(subject)，可以劃分訓練集，驗證集和測試集

訓練集的情況

驗證集的情況

測試集的情況

從美國的阿爾茲海默病神經影像計劃的網站獲取上述的頭顱的核磁共振影像數據的全腦的三維數據。先對上述的三維數據進行圖像數據的預處理，主要是進行漩渦電流的校準(eddycurrentcorrection)，去頭骨(skullstripping)，將3維圖像轉換為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核磁共振成像的圖像的質量任意地設定，然後根據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。然後進行標準化操作，使上述的二維切片轉換到標準坐標系。對圖像進行數據增強操作，如旋轉，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核磁共振成像的圖像的質量任意地設定，然後根據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個互相不重疊的區域。然後進行標準化操作，使上述的二維切片轉換到標準坐標系。對圖像進行數據增強操作，如旋轉，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核磁共振成像的圖像的質量任意地設定，然後根據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。然後進行標準化操作，使上述的二維切片轉換到標準坐標系。對圖像進行數據增強操作，如旋轉，高度位移，縮放，寬度位移等。

美國的阿爾茲海默病神經影像計劃(adni)的核磁共振的圖像的預處理和二維切片的獲取可以通過nibabel或其它各種醫學影像學的開源或商業軟體實現，也可以使用matlab等程式語言根據圖像去噪，圖像分割和圖像配準的原理編程實現。

對上述的訓練集，給每個來源於正常老年組的受試者的所有的上述二維切片標記上正常老年組的標籤，給每個來源於在臨床上確診為穩定型和轉化型的遺忘型輕度認知損害的受試者的所有的上述二維切片標記上在臨床上確診為穩定型和轉化型的遺忘型輕度認知損害的標籤，給每個來源於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記上在臨床上確診為阿爾茲海默病的標籤，

使用python語言和keras的開源的深度學習的計算框架實現實施方式1的深度學習的軟體部分的編程，使用普通的個人計算機或高性能計算機作為硬體。

scikit是一個機器學習的開源的庫，scikit的onehotencoder函數可以實現獨熱編碼，獨熱編碼也稱為一位有效編碼，利用scikit的機器學習的庫的onehotencoder函數對上述的標籤實現獨熱編碼。獨熱編碼的功能是，經過對受試者的標籤進行獨熱編碼，將受試者的標籤的取值轉換成四維的向量，該四維向量的每一維的取值為0或1。舉例來說，(1，0，0，0)代表正常老年組,(0，1，0，0)代表穩定型的遺忘型輕度認知損害，(0，0，1，0)代表轉化型的遺忘型輕度認知損害，(0，0，0，1)代表阿爾茲海默病。對於受試者的標籤，如果它有4個可能的取值(阿爾茲海默病，穩定型的遺忘型輕度認知損害，轉化型的遺忘型輕度認知損害，正常老年組)，那麼經過獨熱編碼後，標籤的取值就轉換為4個二元特徵。並且，這4個二元特徵互斥，如果是阿爾茲海默病,就不是穩定型的遺忘型輕度認知損害，也不是轉化型的遺忘型輕度認知損害，也不是正常老年組；如果是穩定型的遺忘型輕度認知損害，就不是阿爾茲海默病，也不是轉化型的遺忘型輕度認知損害，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，也不是穩定型的遺忘型輕度認知損害，也不是轉化型的遺忘型輕度認知損害。通過對受試者的標籤實現獨熱編碼，便於在卷積神經網絡的深度學習中實現對神經網絡的訓練。

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練，得到相應的卷積神經網絡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個區域，每個區域的圖像的灰度的強度的數值作為96×96的矩陣的每個元素的數值，將上述的96×96的矩陣的元素作為上述的人工智慧的卷積神經網絡的輸入，上述的人工智慧的卷積神經網絡的第一層為具有32個核的卷積層，核的大小為3×3，激活函數為relu，上述的人工智慧的卷積神經網絡的第二層為最大池化層，核的大小為2×2，上述的人工智慧的卷積神經網絡的第三層為有64個核的卷積層，核的大小為3×3，激活函數為relu，上述的人工智慧的卷積神經網絡的第四層為池化層，核的大小為2×2，上述的人工智慧的卷積神經網絡的第五層為具有128個核的卷積層，核的大小為3×3，激活函數為relu，上述的人工智慧的卷積神經網絡的第六層為池化層，核的大小為2×2，將上述第六層的輸出展開成一維數組，連接到上述的人工智慧的卷積神經網絡的第一隱藏層，上述的人工智慧的卷積神經網絡的上述第一隱藏層有200個神經單元，激活函數為dropout，將上述第一隱藏層的輸出連接到上述的人工智慧的卷積神經網絡的第二隱藏層，上述的人工智慧的卷積神經網絡的上述第二隱藏層有200個神經單元，再將上述上述第二隱藏層的輸出連接到上述的人工智慧的卷積神經網絡的輸出層，上述的人工智慧的卷積神經網絡的輸出層的激活函數為softmax。每一層的神經元到下一層的神經元的變換參數是訓練出來的參數，所有的訓練出的參數是訓練出的卷積神經網絡的模型，將代表這個神經網絡的模型的參數存儲在本地的硬碟。

在完成了上述的卷積神經網絡的訓練之後，用訓練出的卷積神經網絡的模型對驗證集進行驗證，並對測試集進行測試。

在驗證的過程中，使用上述的訓練出的卷積神經網絡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果是該二維切片屬於阿爾茲海默病、穩定型和轉化型的遺忘型輕度認知損害和正常老年組的四種情況的概率，將這186個判別結果進行平均，就可以得知該受試者屬於阿爾茲海默病、穩定型和轉化型的遺忘型輕度認知損害和正常老年組的四種情況中的哪一種的概率。

就是說，利用上述的人工智慧的深度學習的卷積神經網絡對所有的上述的受試者的上述的二維切片的形態學特徵進行識別，根據對上述形態學特徵的識別得到針對上述的二維切片的對正常老年組、在臨床上確診為穩定型和轉化型的遺忘型輕度認知損害和在臨床上確診為阿爾茲海默病的四種情況進行四分類的分類方法，使用上述的針對上述的二維切片的對正常老年組、在臨床上確診為穩定型和轉化型的遺忘型輕度認知損害和在臨床上確診為阿爾茲海默病的四種情況進行四分類的分類方法對上述的驗證集進行驗證，在驗證中調整上述卷積神經網絡的結構和有關的參數，直到對上述四分類的分類方法達到上述的四種情況的兩兩之間的判別的準確率達到80％以上，在上述四分類的分類方法達到上述的四種情況的兩兩之間的判別的準確率達到80％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影像計劃(alzheimer’sdiseaseneuroimaginginitiative，簡稱adni)的數據實現本發明對頭顱的核磁共振成像的影像數據的全腦的圖像數據進行計算機輔助輔助識別的技術方案。從美國的阿爾茲海默病神經影像計劃的官方網站下載經過臨床確診的阿爾茲海默病(ad)，穩定型和轉化型的遺忘型輕度認知損害(mci)和正常老年組(nc)的頭顱的核磁共振的影像數據，

美國的阿爾茲海默病神經影像計劃的數據，3013個掃描結果(scans)，321個受試者(subject)，可以劃分訓練集，驗證集和測試集

訓練集的情況

驗證集的情況

測試集的情況

從美國的阿爾茲海默病神經影像計劃的網站獲取上述的頭顱的核磁共振影像數據的全腦的三維影像數據。先對上述的三維數據進行圖像數據的預處理，主要是進行漩渦電流的校準(eddycurrentcorrection)，去頭骨(skullstripping)，利用現有的開源軟體或已有的研究文獻發表的方法從頭顱的核磁共振影像數據的全腦的三維數據提取海馬體的部分的三維影像數據，將提取出的海馬體的部分的3維圖像轉換為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核磁共振成像的圖像的質量任意地設定，然後根據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個互相不重疊的區域。然後進行標準化操作，使上述的二維切片轉換到標準坐標系。對圖像進行數據增強操作，如旋轉，高度位移，縮放，寬度位移等。

美國的阿爾茲海默病神經影像計劃(adni)的核磁共振的圖像的預處理和二維切片的獲取可以通過nibabel或其它各種醫學影像學的開源或商業軟體實現，也可以使用matlab等程式語言根據圖像去噪，圖像分割和圖像配準的原理編程實現。

對上述的訓練集，給每個來源於正常老年組的受試者的所有的上述二維切片標記上正常老年組的標籤，給每個來源於在臨床上確診為穩定型和轉化型的遺忘型輕度認知損害的受試者的所有的上述二維切片標記上在臨床上確診為穩定型和轉化型的遺忘型輕度認知損害的標籤，給每個來源於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記上在臨床上確診為阿爾茲海默病的標籤，

使用python語言和keras的開源的深度學習的計算框架實現實施方式1的深度學習的軟體部分的編程，使用普通的個人計算機或高性能計算機作為硬體。

scikit是一個機器學習的開源的庫，scikit的onehotencoder函數可以實現獨熱編碼，獨熱編碼也稱為一位有效編碼，利用scikit的機器學習的庫的onehotencoder函數對上述的標籤實現獨熱編碼。獨熱編碼的功能是，經過對受試者的標籤進行獨熱編碼，將受試者的標籤的取值轉換成四維的向量，該四維向量的每一維的取值為0或1。舉例來說，(1，0，0，0)代表正常老年組,(0，1，0，0)代表穩定型的遺忘型輕度認知損害，(0，0，1，0)代表轉化型的遺忘型輕度認知損害，(0，0，0，1)代表阿爾茲海默病。對於受試者的標籤，如果它有4個可能的取值(阿爾茲海默病，穩定型的遺忘型輕度認知損害，轉化型的遺忘型輕度認知損害，正常老年組)，那麼經過獨熱編碼後，標籤的取值就轉換為4個二元特徵。並且，這4個二元特徵互斥，如果是阿爾茲海默病,就不是穩定型的遺忘型輕度認知損害，也不是轉化型的遺忘型輕度認知損害，也不是正常老年組；如果是穩定型的遺忘型輕度認知損害，就不是阿爾茲海默病，也不是轉化型的遺忘型輕度認知損害，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，也不是穩定型的遺忘型輕度認知損害，也不是轉化型的遺忘型輕度認知損害。通過對受試者的標籤實現獨熱編碼，便於在卷積神經網絡的深度學習中實現對神經網絡的訓練。

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個區域，每個區域的圖像的灰度的強度的數值作為96×96的矩陣的每個元素的數值，將上述的96×96的矩陣的元素作為上述的人工智慧的卷積神經網絡的輸入，上述的人工智慧的卷積神經網絡的第一層為具有32個核的卷積層，核的大小為3×3，激活函數為relu，上述的人工智慧的卷積神經網絡的第二層為最大池化層，核的大小為2×2，上述的人工智慧的卷積神經網絡的第三層為有64個核的卷積層，核的大小為3×3，激活函數為relu，上述的人工智慧的卷積神經網絡的第四層為池化層，核的大小為2×2，上述的人工智慧的卷積神經網絡的第五層為具有128個核的卷積層，核的大小為3×3，激活函數為relu，上述的人工智慧的卷積神經網絡的第六層為池化層，核的大小為2×2，將上述第六層的輸出展開成一維數組，連接到上述的人工智慧的卷積神經網絡的第一隱藏層，上述的人工智慧的卷積神經網絡的上述第一隱藏層有200個神經單元，激活函數為dropout，將上述第一隱藏層的輸出連接到上述的人工智慧的卷積神經網絡的第二隱藏層，上述的人工智慧的卷積神經網絡的上述第二隱藏層有200個神經單元，再將上述上述第二隱藏層的輸出連接到上述的人工智慧的卷積神經網絡的輸出層，上述的人工智慧的卷積神經網絡的輸出層的激活函數為softmax。每一層的神經元到下一層的神經元的變換參數是訓練出來的參數，所有的訓練出的參數是訓練出的卷積神經網絡的模型，將代表這個神經網絡的模型的參數存儲在本地的硬碟。

在完成了上述的卷積神經網絡的訓練之後，用訓練出的卷積神經網絡的模型對驗證集進行驗證，並對測試集進行測試。

在驗證的過程中，使用上述的訓練出的卷積神經網絡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果是該切片屬於阿爾茲海默病、穩定型和轉化型的遺忘型輕度認知損害和正常老年組的四種情況的概率，將這62個判別結果進行平均，就可以得知該受試者屬於阿爾茲海默病、穩定型和轉化型的遺忘型輕度認知損害和正常老年組的四種情況中的哪一種的概率。

就是說，利用上述的人工智慧的深度學習的卷積神經網絡對所有的上述的受試者的上述的二維切片的形態學特徵進行識別，根據對上述形態學特徵的識別得到針對上述的二維切片的對正常老年組、在臨床上確診為穩定型和轉化型的遺忘型輕度認知損害和在臨床上確診為阿爾茲海默病的四種情況進行四分類的分類方法，使用上述的針對上述的二維切片的對正常老年組、在臨床上確診為穩定型和轉化型的遺忘型輕度認知損害和在臨床上確診為阿爾茲海默病的四種情況進行四分類的分類方法對上述的驗證集進行驗證，在驗證中調整上述卷積神經網絡的結構和有關的參數，直到對上述四分類的分類方法達到上述的四種情況的兩兩之間的判別的準確率達到80％以上，在上述四分類的分類方法達到上述的四種情況的兩兩之間的判別的準確率達到80％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影像計劃(alzheimer’sdiseaseneuroimaginginitiative，簡稱adni)的數據實現本發明對頭顱的核磁共振成像的影像數據的全腦的圖像數據進行計算機輔助輔助識別的技術方案。從美國的阿爾茲海默病神經影像計劃的官方網站下載經過臨床確診的阿爾茲海默病(ad)，穩定型和轉化型的遺忘型輕度認知損害(mci)和正常老年組(nc)的頭顱的核磁共振的影像數據，

美國的阿爾茲海默病神經影像計劃的數據，3013個掃描結果(scans)，321個受試者(subject)，可以劃分訓練集，驗證集和測試集

訓練集的情況

驗證集的情況

測試集的情況

從美國的阿爾茲海默病神經影像計劃的網站獲取上述的頭顱的核磁共振影像數據的全腦的三維數據。先對上述的三維數據進行圖像數據的預處理，主要是進行漩渦電流的校準(eddycurrentcorrection)，去頭骨(skullstripping)，將3維圖像轉換為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核磁共振成像的圖像的質量任意地設定，然後根據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個互相不重疊的區域。然後進行標準化操作，使上述的二維切片轉換到標準坐標系。對圖像進行數據增強操作，如旋轉，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核磁共振成像的圖像的質量任意地設定，然後根據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。然後進行標準化操作，使上述的二維切片轉換到標準坐標系。對圖像進行數據增強操作，如旋轉，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核磁共振成像的圖像的質量任意地設定，然後根據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。然後進行標準化操作，使上述的二維切片轉換到標準坐標系。對圖像進行數據增強操作，如旋轉，高度位移，縮放，寬度位移等。

美國的阿爾茲海默病神經影像計劃(adni)的核磁共振的圖像的預處理和二維切片的獲取可以通過nibabel或其它各種醫學影像學的開源或商業軟體實現，也可以使用matlab等程式語言根據圖像去噪，圖像分割和圖像配準的原理編程實現。

對上述的訓練集，給每個來源於正常老年組的受試者的所有的上述二維切片標記上正常老年組的標籤，給每個來源於在臨床上確診為穩定型和轉化型的遺忘型輕度認知損害的受試者的所有的上述二維切片標記上在臨床上確診為穩定型和轉化型的遺忘型輕度認知損害的標籤，給每個來源於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記上在臨床上確診為阿爾茲海默病的標籤，

使用python語言和keras的開源的深度學習的計算框架實現實施方式1的深度學習的軟體部分的編程，使用普通的個人計算機或高性能計算機作為硬體。

scikit是一個機器學習的開源的庫，scikit的onehotencoder函數可以實現獨熱編碼，獨熱編碼也稱為一位有效編碼，利用scikit的機器學習的庫的onehotencoder函數對上述的標籤實現獨熱編碼。獨熱編碼的功能是，經過對受試者的標籤進行獨熱編碼，將受試者的標籤的取值轉換成四維的向量，該四維向量的每一維的取值為0或1。舉例來說，(1，0，0，0)代表正常老年組,(0，1，0，0)代表穩定型的遺忘型輕度認知損害，(0，0，1，0)代表轉化型的遺忘型輕度認知損害，(0，0，0，1)代表阿爾茲海默病。對於受試者的標籤，如果它有4個可能的取值(阿爾茲海默病，穩定型的遺忘型輕度認知損害，轉化型的遺忘型輕度認知損害，正常老年組)，那麼經過獨熱編碼後，標籤的取值就轉換為4個二元特徵。並且，這4個二元特徵互斥，如果是阿爾茲海默病,就不是穩定型的遺忘型輕度認知損害，也不是轉化型的遺忘型輕度認知損害，也不是正常老年組；如果是穩定型的遺忘型輕度認知損害，就不是阿爾茲海默病，也不是轉化型的遺忘型輕度認知損害，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，也不是穩定型的遺忘型輕度認知損害，也不是轉化型的遺忘型輕度認知損害。通過對受試者的標籤實現獨熱編碼，便於在卷積神經網絡的深度學習中實現對神經網絡的訓練。

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練，得到相應的卷積神經網絡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個區域，每個區域的圖像的灰度的強度的數值作為96×96的矩陣的每個元素的數值，將上述的96×96的矩陣的元素作為上述的人工智慧的卷積神經網絡的輸入，上述的人工智慧的卷積神經網絡的第一層為具有32個核的卷積層，核的大小為3×3，激活函數為relu，上述的人工智慧的卷積神經網絡的第二層為最大池化層，核的大小為2×2，上述的人工智慧的卷積神經網絡的第三層為有64個核的卷積層，核的大小為3×3，激活函數為relu，上述的人工智慧的卷積神經網絡的第四層為池化層，核的大小為2×2，上述的人工智慧的卷積神經網絡的第五層為具有128個核的卷積層，核的大小為3×3，激活函數為relu，上述的人工智慧的卷積神經網絡的第六層為池化層，核的大小為2×2，將上述第六層的輸出展開成一維數組，連接到上述的人工智慧的卷積神經網絡的第一隱藏層，上述的人工智慧的卷積神經網絡的上述第一隱藏層有200個神經單元，激活函數為dropout，將上述第一隱藏層的輸出連接到上述的人工智慧的卷積神經網絡的第二隱藏層，上述的人工智慧的卷積神經網絡的上述第二隱藏層有200個神經單元，再將上述上述第二隱藏層的輸出連接到上述的人工智慧的卷積神經網絡的輸出層，上述的人工智慧的卷積神經網絡的輸出層的激活函數為softmax。每一層的神經元到下一層的神經元的變換參數是訓練出來的參數，所有的訓練出的參數是訓練出的卷積神經網絡的模型，將代表這個神經網絡的模型的參數存儲在本地的硬碟。

在完成了上述的卷積神經網絡的訓練之後，用訓練出的卷積神經網絡的模型對驗證集進行驗證，並對測試集進行測試。

在驗證的過程中，使用上述的訓練出的卷積神經網絡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果是該二維切片是屬於阿爾茲海默病、穩定型和轉化型的遺忘型輕度認知損害和正常老年組的四種情況的概率，將這186個判別結果進行平均，就可以得知該受試者屬於阿爾茲海默病、穩定型和轉化型的遺忘型輕度認知損害和正常老年組的四種情況中的哪一種的概率。

就是說，利用上述的人工智慧的深度學習的卷積神經網絡對所有的上述的受試者的上述的二維切片的形態學特徵進行識別，根據對上述形態學特徵的識別得到針對上述的二維切片的對正常老年組、在臨床上確診為穩定型和轉化型的遺忘型輕度認知損害和在臨床上確診為阿爾茲海默病的四種情況進行四分類的分類方法，使用上述的針對上述的二維切片的對正常老年組、在臨床上確診為穩定型和轉化型的遺忘型輕度認知損害和在臨床上確診為阿爾茲海默病的四種情況進行四分類的分類方法對上述的驗證集進行驗證，在驗證中調整上述卷積神經網絡的結構和有關的參數，直到對上述四分類的分類方法達到上述的四種情況的兩兩之間的判別的準確率達到80％以上，在上述四分類的分類方法達到上述的四種情況的兩兩之間的判別的準確率達到80％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影像計劃(alzheimer’sdiseaseneuroimaginginitiative，簡稱adni)的數據實現本發明對頭顱的核磁共振成像的影像數據的全腦的圖像數據進行計算機輔助輔助識別的技術方案。從美國的阿爾茲海默病神經影像計劃的官方網站下載經過臨床確診的阿爾茲海默病(ad)，穩定型和轉化型的遺忘型輕度認知損害(mci)和正常老年組(nc)的頭顱的核磁共振的影像數據，

美國的阿爾茲海默病神經影像計劃的數據，3013個掃描結果(scans)，321個受試者(subject)，可以劃分訓練集，驗證集和測試集

訓練集的情況

驗證集的情況

測試集的情況

從美國的阿爾茲海默病神經影像計劃的網站獲取上述的頭顱的核磁共振影像數據的全腦的三維數據。先對上述的三維數據進行圖像數據的預處理，主要是進行漩渦電流的校準(eddycurrentcorrection)，去頭骨(skullstripping)，將3維圖像轉換為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核磁共振成像的圖像的質量任意地設定，然後根據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個區域。然後進行標準化操作，使上述的二維切片轉換到標準坐標系。對圖像進行數據增強操作，如旋轉，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核磁共振成像的圖像的質量任意地設定，然後根據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個區域。然後進行標準化操作，使上述的二維切片轉換到標準坐標系。對圖像進行數據增強操作，如旋轉，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核磁共振成像的圖像的質量任意地設定，然後根據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個區域。然後進行標準化操作，使上述的二維切片轉換到標準坐標系。對圖像進行數據增強操作，如旋轉，高度位移，縮放，寬度位移等。

美國的阿爾茲海默病神經影像計劃(adni)的核磁共振的圖像的預處理和二維切片的獲取可以通過nibabel或其它各種醫學影像學的開源或商業軟體實現，也可以使用matlab等程式語言根據圖像去噪，圖像分割和圖像配準的原理編程實現。

對上述的訓練集，給每個來源於正常老年組的受試者的所有的上述二維切片標記上正常老年組的標籤，給每個來源於在臨床上確診為穩定型和轉化型的遺忘型輕度認知損害的受試者的所有的上述二維切片標記上在臨床上確診為穩定型和轉化型的遺忘型輕度認知損害的標籤，給每個來源於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記上在臨床上確診為阿爾茲海默病的標籤，

使用python語言和keras的開源的深度學習的計算框架實現實施方式1的深度學習的軟體部分的編程，使用普通的個人計算機或高性能計算機作為硬體。

scikit是一個機器學習的開源的庫，scikit的onehotencoder函數可以實現獨熱編碼，獨熱編碼也稱為一位有效編碼，利用scikit的機器學習的庫的onehotencoder函數對上述的標籤實現獨熱編碼。獨熱編碼的功能是，經過對受試者的標籤進行獨熱編碼，將受試者的標籤的取值轉換成四維的向量，該四維向量的每一維的取值為0或1。舉例來說，(1，0，0，0)代表正常老年組,(0，1，0，0)代表穩定型的遺忘型輕度認知損害，(0，0，1，0)代表轉化型的遺忘型輕度認知損害，(0，0，0，1)代表阿爾茲海默病。對於受試者的標籤，如果它有4個可能的取值(阿爾茲海默病，穩定型的遺忘型輕度認知損害，轉化型的遺忘型輕度認知損害，正常老年組)，那麼經過獨熱編碼後，標籤的取值就轉換為4個二元特徵。並且，這4個二元特徵互斥，如果是阿爾茲海默病,就不是穩定型的遺忘型輕度認知損害，也不是轉化型的遺忘型輕度認知損害，也不是正常老年組；如果是穩定型的遺忘型輕度認知損害，就不是阿爾茲海默病，也不是轉化型的遺忘型輕度認知損害，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，也不是穩定型的遺忘型輕度認知損害，也不是轉化型的遺忘型輕度認知損害。通過對受試者的標籤實現獨熱編碼，便於在卷積神經網絡的深度學習中實現對神經網絡的訓練。

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練，得到相應的卷積神經網絡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個區域，每個區域的圖像的灰度的強度的數值作為96×96的矩陣的每個元素的數值，將上述的96×96的矩陣的元素作為上述的人工智慧的卷積神經網絡的輸入，上述的人工智慧的卷積神經網絡的第一層為具有32個核的卷積層，核的大小為3×3，激活函數為relu，上述的人工智慧的卷積神經網絡的第二層為最大池化層，核的大小為2×2，上述的人工智慧的卷積神經網絡的第三層為有64個核的卷積層，核的大小為3×3，激活函數為relu，上述的人工智慧的卷積神經網絡的第四層為池化層，核的大小為2×2，上述的人工智慧的卷積神經網絡的第五層為具有128個核的卷積層，核的大小為3×3，激活函數為relu，上述的人工智慧的卷積神經網絡的第六層為池化層，核的大小為2×2，將上述第六層的輸出展開成一維數組，連接到上述的人工智慧的卷積神經網絡的第一隱藏層，上述的人工智慧的卷積神經網絡的上述第一隱藏層有200個神經單元，激活函數為dropout，將上述第一隱藏層的輸出連接到上述的人工智慧的卷積神經網絡的第二隱藏層，上述的人工智慧的卷積神經網絡的上述第二隱藏層有200個神經單元，再將上述上述第二隱藏層的輸出連接到上述的人工智慧的卷積神經網絡的輸出層，上述的人工智慧的卷積神經網絡的輸出層的激活函數為softmax。每一層的神經元到下一層的神經元的變換參數是訓練出來的參數，所有的訓練出的參數是訓練出的卷積神經網絡的模型，將代表這個神經網絡的模型的參數存儲在本地的硬碟。

在完成了上述的卷積神經網絡的訓練之後，用訓練出的卷積神經網絡的模型對驗證集進行驗證，並對測試集進行測試。

在驗證的過程中，使用上述的訓練出的卷積神經網絡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果是該二維切片屬於阿爾茲海默病、穩定型和轉化型的遺忘型輕度認知損害和正常老年組的四種情況的概率，將這186個判別結果進行平均，就可以得知該受試者屬於阿爾茲海默病、穩定型和轉化型的遺忘型輕度認知損害和正常老年組的四種情況中的哪一種的概率。

就是說，利用上述的人工智慧的深度學習的卷積神經網絡對所有的上述的受試者的上述的二維切片的形態學特徵進行識別，根據對上述形態學特徵的識別得到針對上述的二維切片的對正常老年組、在臨床上確診為穩定型和轉化型的遺忘型輕度認知損害和在臨床上確診為阿爾茲海默病的四種情況進行四分類的分類方法，使用上述的針對上述的二維切片的對正常老年組、在臨床上確診為穩定型和轉化型的遺忘型輕度認知損害和在臨床上確診為阿爾茲海默病的四種情況進行四分類的分類方法對上述的驗證集進行驗證，在驗證中調整上述卷積神經網絡的結構和有關的參數，直到對上述四分類的分類方法達到上述的四種情況的兩兩之間的判別的準確率達到80％以上，在上述四分類的分類方法達到上述的四種情況的兩兩之間的判別的準確率達到80％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據的二維切片實現本發明對頭顱的核磁共振成像的影像數據的全腦的圖像數據進行計算機輔助輔助識別的技術方案。使用已經經過臨床確診的阿爾茲海默病(ad)，穩定型和轉化型的遺忘型輕度認知損害(mci)和正常老年組(nc)的頭顱的核磁共振的影像數據的二維切片來完成訓練、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核磁共振成像的圖像的質量任意地設定，分成96×96個區域。然後進行標準化操作，使上述的二維切片轉換到標準坐標系。對圖像進行數據增強操作，如旋轉，高度位移，縮放，寬度位移等。

對上述的訓練集，給每個來源於正常老年組的受試者的所有的上述二維切片標記上正常老年組的標籤，給每個來源於在臨床上確診為穩定型和轉化型的遺忘型輕度認知損害的受試者的所有的上述二維切片標記上在臨床上確診為穩定型和轉化型的遺忘型輕度認知損害的標籤，給每個來源於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記上在臨床上確診為阿爾茲海默病的標籤，

使用python語言和keras的開源的深度學習的計算框架實現實施方式1的深度學習的軟體部分的編程，使用普通的個人計算機或高性能計算機作為硬體。

scikit是一個機器學習的開源的庫，scikit的onehotencoder函數可以實現獨熱編碼，獨熱編碼也稱為一位有效編碼，利用scikit的機器學習的庫的onehotencoder函數對上述的標籤實現獨熱編碼。獨熱編碼的功能是，經過對受試者的標籤進行獨熱編碼，將受試者的標籤的取值轉換成四維的向量，該四維向量的每一維的取值為0或1。舉例來說，(1，0，0，0)代表正常老年組,(0，1，0，0)代表穩定型的遺忘型輕度認知損害，(0，0，1，0)代表轉化型的遺忘型輕度認知損害，(0，0，0，1)代表阿爾茲海默病。對於受試者的標籤，如果它有4個可能的取值(阿爾茲海默病，穩定型的遺忘型輕度認知損害，轉化型的遺忘型輕度認知損害，正常老年組)，那麼經過獨熱編碼後，標籤的取值就轉換為4個二元特徵。並且，這4個二元特徵互斥，如果是阿爾茲海默病,就不是穩定型的遺忘型輕度認知損害，也不是轉化型的遺忘型輕度認知損害，也不是正常老年組；如果是穩定型的遺忘型輕度認知損害，就不是阿爾茲海默病，也不是轉化型的遺忘型輕度認知損害，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，也不是穩定型的遺忘型輕度認知損害，也不是轉化型的遺忘型輕度認知損害。通過對受試者的標籤實現獨熱編碼，便於在卷積神經網絡的深度學習中實現對神經網絡的訓練。

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個區域，每個區域的圖像的灰度的強度的數值作為96×96的矩陣的每個元素的數值，將上述的96×96的矩陣的元素作為上述的人工智慧的卷積神經網絡的輸入，上述的人工智慧的卷積神經網絡的第一層為具有32個核的卷積層，核的大小為3×3，激活函數為relu，上述的人工智慧的卷積神經網絡的第二層為最大池化層，核的大小為2×2，上述的人工智慧的卷積神經網絡的第三層為有64個核的卷積層，核的大小為3×3，激活函數為relu，上述的人工智慧的卷積神經網絡的第四層為池化層，核的大小為2×2，上述的人工智慧的卷積神經網絡的第五層為具有128個核的卷積層，核的大小為3×3，激活函數為relu，上述的人工智慧的卷積神經網絡的第六層為池化層，核的大小為2×2，將上述第六層的輸出展開成一維數組，連接到上述的人工智慧的卷積神經網絡的第一隱藏層，上述的人工智慧的卷積神經網絡的上述第一隱藏層有200個神經單元，激活函數為dropout，將上述第一隱藏層的輸出連接到上述的人工智慧的卷積神經網絡的第二隱藏層，上述的人工智慧的卷積神經網絡的上述第二隱藏層有200個神經單元，再將上述上述第二隱藏層的輸出連接到上述的人工智慧的卷積神經網絡的輸出層，上述的人工智慧的卷積神經網絡的輸出層的激活函數為softmax。每一層的神經元到下一層的神經元的變換參數是訓練出來的參數，所有的訓練出的參數是訓練出的卷積神經網絡的模型，將代表這個神經網絡的模型的參數存儲在本地的硬碟。

在完成了上述的卷積神經網絡的訓練之後，用訓練出的卷積神經網絡的模型對驗證集進行驗證，並對測試集進行測試。

在驗證的過程中，使用上述的訓練出的卷積神經網絡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果是該二維切片是屬於阿爾茲海默病、穩定型和轉化型的遺忘型輕度認知損害和正常老年組的四種情況的概率，將這20個判別結果進行平均，就可以得知該受試者屬於阿爾茲海默病、穩定型和轉化型的遺忘型輕度認知損害和正常老年組的四種情況中的哪一種的概率。

就是說，利用上述的人工智慧的深度學習的卷積神經網絡對所有的上述的受試者的上述的二維切片的形態學特徵進行識別，根據對上述形態學特徵的識別得到針對上述的二維切片的對正常老年組、在臨床上確診為穩定型和轉化型的遺忘型輕度認知損害和在臨床上確診為阿爾茲海默病的四種情況進行四分類的分類方法，使用上述的針對上述的二維切片的對正常老年組、在臨床上確診為穩定型和轉化型的遺忘型輕度認知損害和在臨床上確診為阿爾茲海默病的四種情況進行四分類的分類方法對上述的驗證集進行驗證，在驗證中調整上述卷積神經網絡的結構和有關的參數，直到對上述四分類的分類方法達到上述的四種情況的兩兩之間的判別的準確率達到80％以上，在上述四分類的分類方法達到上述的四種情況的兩兩之間的判別的準確率達到80％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影像計劃(alzheimer’sdiseaseneuroimaginginitiative，簡稱adni)的數據實現本發明對頭顱的核磁共振成像的影像數據的全腦的圖像數據進行計算機輔助輔助識別的技術方案。從美國的阿爾茲海默病神經影像計劃的官方網站下載經過臨床確診的阿爾茲海默病(ad)，穩定型和轉化型的遺忘型輕度認知損害(mci)和正常老年組(nc)的頭顱的核磁共振的影像數據，

美國的阿爾茲海默病神經影像計劃的數據，3013個掃描結果(scans)，321個受試者(subject)，可以劃分訓練集，驗證集和測試集

訓練集的情況

驗證集的情況

測試集的情況

從美國的阿爾茲海默病神經影像計劃的網站獲取上述的頭顱的核磁共振影像數據的全腦的三維數據。先對上述的三維數據進行圖像數據的預處理，主要是進行漩渦電流的校準(eddycurrentcorrection)，去頭骨(skullstripping)，將3維圖像轉換為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核磁共振成像的圖像的質量任意地設定，然後根據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個互相不重疊的區域。然後進行標準化操作，使上述的二維切片轉換到標準坐標系。對圖像進行數據增強操作，如旋轉，高度位移，縮放，寬度位移等。

美國的阿爾茲海默病神經影像計劃(adni)的核磁共振的圖像的預處理和二維切片的獲取可以通過nibabel或其它各種醫學影像學的開源或商業軟體實現，也可以使用matlab等程式語言根據圖像去噪，圖像分割和圖像配準的原理編程實現。

對上述的訓練集，給每個來源於正常老年組的受試者的所有的上述二維切片標記上正常老年組的標籤，給每個來源於在臨床上確診為穩定型和轉化型的遺忘型輕度認知損害的受試者的所有的上述二維切片標記上在臨床上確診為穩定型和轉化型的遺忘型輕度認知損害的標籤，給每個來源於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記上在臨床上確診為阿爾茲海默病的標籤，

使用python語言和keras的開源的深度學習的計算框架實現實施方式1的深度學習的軟體部分的編程，使用普通的個人計算機或高性能計算機作為硬體。

scikit是一個機器學習的開源的庫，scikit的onehotencoder函數可以實現獨熱編碼，獨熱編碼也稱為一位有效編碼，利用scikit的機器學習的庫的onehotencoder函數對上述的標籤實現獨熱編碼。獨熱編碼的功能是，經過對受試者的標籤進行獨熱編碼，將受試者的標籤的取值轉換成四維的向量，該四維向量的每一維的取值為0或1。舉例來說，(1，0，0，0)代表正常老年組,(0，1，0，0)代表穩定型的遺忘型輕度認知損害，(0，0，1，0)代表轉化型的遺忘型輕度認知損害，(0，0，0，1)代表阿爾茲海默病。對於受試者的標籤，如果它有4個可能的取值(阿爾茲海默病，穩定型的遺忘型輕度認知損害，轉化型的遺忘型輕度認知損害，正常老年組)，那麼經過獨熱編碼後，標籤的取值就轉換為4個二元特徵。並且，這4個二元特徵互斥，如果是阿爾茲海默病,就不是穩定型的遺忘型輕度認知損害，也不是轉化型的遺忘型輕度認知損害，也不是正常老年組；如果是穩定型的遺忘型輕度認知損害，就不是阿爾茲海默病，也不是轉化型的遺忘型輕度認知損害，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，也不是穩定型的遺忘型輕度認知損害，也不是轉化型的遺忘型輕度認知損害。通過對受試者的標籤實現獨熱編碼，便於在卷積神經網絡的深度學習中實現對神經網絡的訓練。

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量的二維切片組，每一個二維切片組具有給定數量的與冠狀面、矢狀面或水平面平行的連續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核磁共振成像的圖像的質量任意地設定，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徵的提取，上述的紋理特徵的提取方法是根據相鄰的體素的灰度的強度值的數值在不同的方向上的變化來實現的，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徵作為卷積神經網絡的輸入，利用人工智慧的深度學習的卷積神經網絡對上述二維切片組的紋理特徵進行識別，根據對上述紋理特徵的識別得到針對上述的二維切片組的對正常老年組、在臨床上確診為穩定型和轉化型的遺忘型輕度認知損害和在臨床上確診為阿爾茲海默病的四種情況進行四分類的分類方法，使用上述的針對上述的二維切片組的對正常老年組、在臨床上確診為穩定型和轉化型的遺忘型輕度認知損害和在臨床上確診為阿爾茲海默病的四種情況進行四分類的分類方法對上述的驗證集進行驗證，在驗證中調整上述卷積神經網絡的結構與有關的參數，直到對上述四分類的分類方法達到上述的四種情況的兩兩之間的判別的準確率達到80％以上，在上述四分類的分類方法達到上述的四種情況的兩兩之間的判別的準確率達到80％以上的情況下，將上述四分類的分類方法用於對臨床的核磁共振的圖像提供參考診斷意見。

上述的人工智慧的卷積神經網絡的第一層為具有32個核的卷積層，核的大小為3×3，激活函數為relu，上述的人工智慧的卷積神經網絡的第二層為最大池化層，核的大小為2×2，上述的人工智慧的卷積神經網絡的第三層為有64個核的卷積層，核的大小為3×3，激活函數為relu，上述的人工智慧的卷積神經網絡的第四層為池化層，核的大小為2×2，上述的人工智慧的卷積神經網絡的第五層為具有128個核的卷積層，核的大小為3×3，激活函數為relu，上述的人工智慧的卷積神經網絡的第六層為池化層，核的大小為2×2，將上述第六層的輸出展開成一維數組，連接到上述的人工智慧的卷積神經網絡的第一隱藏層，上述的人工智慧的卷積神經網絡的上述第一隱藏層有200個神經單元，激活函數為dropout，將上述第一隱藏層的輸出連接到上述的人工智慧的卷積神經網絡的第二隱藏層，上述的人工智慧的卷積神經網絡的上述第二隱藏層有200個神經單元，再將上述上述第二隱藏層的輸出連接到上述的人工智慧的卷積神經網絡的輸出層，上述的人工智慧的卷積神經網絡的輸出層的激活函數為softmax。每一層的神經元到下一層的神經元的變換參數是訓練出來的參數，所有的訓練出的參數是訓練出的卷積神經網絡的模型，將代表這個神經網絡的模型的參數存儲在本地的硬碟。

在完成了上述的卷積神經網絡的訓練之後，用訓練出的卷積神經網絡的模型對驗證集進行驗證，並對測試集進行測試。

在驗證的過程中，使用上述的訓練出的卷積神經網絡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徵進行判別，每一個二維切片組的判別結果是該二維切片組屬於阿爾茲海默病、穩定型和轉化型的遺忘型輕度認知損害和正常老年組的四種情況的概率，將這些判別結果進行平均，就可以得知該受試者屬於阿爾茲海默病、穩定型和轉化型的遺忘型輕度認知損害和正常老年組的四種情況中的哪一種的概率。

就是說，利用上述的人工智慧的深度學習的卷積神經網絡對所有的上述的受試者的上述的二維切片組的紋理特徵進行識別，根據對上述紋理特徵的識別得到針對上述的二維切片組的對正常老年組、在臨床上確診為穩定型和轉化型的遺忘型輕度認知損害和在臨床上確診為阿爾茲海默病的四種情況進行四分類的分類方法，使用上述的針對上述的二維切片組的對正常老年組、在臨床上確診為穩定型和轉化型的遺忘型輕度認知損害和在臨床上確診為阿爾茲海默病的四種情況進行四分類的分類方法對上述的驗證集進行驗證，在驗證中調整上述卷積神經網絡的結構和有關的參數，直到對上述四分類的分類方法達到上述的四種情況的兩兩之間的判別的準確率達到80％以上，在上述四分類的分類方法達到上述的四種情況的兩兩之間的判別的準確率達到80％以上的情況下，可以為臨床診斷提供參考意見。