申请/专利权人：首都医科大学宣武医院;深圳市铱硙医疗科技有限公司

申请日：2023-01-20

公开（公告）日：2024-04-12

公开（公告）号：CN116310352B

主分类号：G06V10/28

分类号：G06V10/28;G06V10/764;G06V10/82;G06V10/22;G06T7/11;G06T7/62;G16H30/20;G16H50/20

优先权：

专利状态码：有效-授权

法律状态：2024.04.12#授权;2023.07.11#实质审查的生效;2023.06.23#公开

摘要：本发明涉及图像分类技术领域，揭露了一种阿尔兹海默病MRI图像多分类方法及装置，包括：接收病人的脑部MRI图像，将所述脑部MRI图像输入至预先构建的脑部结构识别模型，得到MRI颞叶图、MRI额叶图、MRI顶叶图及MRI枕叶图，其中，脑部结构自动识别模型由卷积层、特征融合层、注意力层及YOLO模型层，计算MRI颞叶图、MRI额叶图、MRI顶叶图及MRI枕叶图分别在脑部MRI图像的面积占比，并根据面积占比确定病人的阿尔兹海默病的病重等级。本发明主要目的在于解决目前多数方法仅依赖于单一模型识别脑部MRI图像的脑叶区域，从而造成阿尔兹海默病误判率较高的问题。

主权项：1.一种阿尔兹海默病MRI图像多分类方法，其特征在于，所述方法包括：接收病人的脑部MRI图像，将脑部MRI图像执行二值化处理，得到脑部二值图像，其中脑部二值图像由包括像素值为0或1的二维图像矩阵组成；利用预先构建的分块标准，依次将所述二维图像矩阵执行切分，得到多组不同维度的二维分块矩阵，其中分块标准为：按照二维分块矩阵的维度依次为2i*2i执行切分，其中，i＝0，1，...，n，n为二维图像矩阵的维度；从多组不同维度的二维分块矩阵中选择包含像素值为1的分块矩阵，得到一组或多组单像素分块矩阵；确定每组单像素分块矩阵在二维分块矩阵中的分块位置及所包括的像素值为1的个数，并以分块位置为自变量，像素值为1的总数为因变量拟合得到函数关系；其中分块位置由单像素分块矩阵的矩阵中心的中心坐标及矩阵边长组成；根据所述函数关系重新对脑部MRI图像执行二值化处理，得到优化二值图像，对所述优化二值图像执行脑部结构拆分，得到二值颞叶图、二值额叶图、二值顶叶图及二值枕叶图；所述根据所述函数关系重新对脑部MRI图像执行二值化处理，得到优化二值图像，包括：获取每个中心坐标xj，yj相邻内的所有像素，得到邻域像素集，对所述邻域像素集内每个邻域像素均执行如下操作：获取中心坐标xj，yj的函数关系zj＝fl，其中，zj表示第j个中心坐标下，像素点等于1的总数的因变量，l表示矩阵边长，为自变量；求解该函数关系内的一阶导数，得到一阶导函数；将所述一阶导函数内的矩阵边长设置为2，求解得到一阶导函数的函数值，其中函数值称为二值化权重值；将所述二值化权重值与每个邻域像素的像素值相乘，并判断相乘后的邻域像素的像素值与128的大小关系；当相乘后的邻域像素的像素值大于或等于128，则将其映射为像素值等于1；当相乘后的邻域像素的像素值小于128，则将其映射为像素值等于0；汇总每个已执行上述二值化操作的邻域像素，得到所述优化二值图像；将所述脑部MRI图像输入至预先构建的脑部结构识别模型，得到MRI颞叶图、MRI额叶图、MRI顶叶图及MRI枕叶图，其中，脑部结构自动识别模型由卷积层、特征融合层、注意力层及YOLO模型层组成；分别计算二值颞叶图、二值额叶图、二值顶叶图及二值枕叶图与对应的MRI颞叶图、MRI额叶图、MRI顶叶图及MRI枕叶图之间的各脑叶区的面积误差，得到颞叶面积误差、额叶面积误差、顶叶面积误差及枕叶面积误差；若存在面积误差大于预设的面积阈值的脑叶区，则将所述脑部MRI图像发送至医生执行阿尔兹海默病的人为判断；若不存在面积误差大于所述面积阈值的脑叶区，计算MRI颞叶图、MRI额叶图、MRI顶叶图及MRI枕叶图分别在脑部MRI图像的面积占比，并根据四组面积占比确定病人的阿尔兹海默病的病重等级。

全文数据：

权利要求：

百度查询： 首都医科大学宣武医院;深圳市铱硙医疗科技有限公司 一种阿尔兹海默病MRI图像多分类方法及装置

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD