CN120495292B - 一种基于扩散模型的阿尔兹海默症早期诊断方法及装置 - Google Patents

Abstract

本发明公开了一种基于扩散模型的阿尔兹海默症早期诊断方法及装置，该方法包括：获取诊断对象在不同时期的若干脑部MRI图像并进行预处理；利用训练后的自编码器网络中的编码器得到各脑部MRI图像对应的MRI压缩特征；将其作为条件变量，利用训练后的扩散模型进行预测，得到MRI预测特征；获取诊断对象再次经MRI扫描获取的脑部MRI图像，经训练后的编码器得到MRI真实特征，将MRI真实特征与MRI预测特征的误差作为异常得分，若异常得分超过预定阈值，则判定为阿尔兹海默症阳性。本方法结合扩散模型的生成能力和时序建模优势，具有计算高效、可解释性强等优点，仅需健康人群数据即可实现阿尔兹海默症的早期诊断。

Description

一种基于扩散模型的阿尔兹海默症早期诊断方法及装置

技术领域

本发明涉及计算机图像处理领域，尤其涉及一种基于扩散模型的阿尔兹海默症早期诊断方法及装置。

背景技术

阿尔兹海默症（Alzheimer’s Disease, AD）是一种常见的神经退行性疾病，临床表现为记忆障碍、执行功能下降以及人格改变等，严重影响患者生活质量。研究表明，大脑结构在疾病早期即开始出现微小变化，MRI（Magnetic Resonance Imaging，磁共振成像）作为无创成像手段，能够清晰呈现脑部萎缩、脑室扩大等现象。为此，基于MRI的早期诊断策略成为研究热点，人工智能特别是深度学习方法的兴起为医学图像建模提供了新方向，广泛应用于脑区识别、图像增强、异常检测等任务。近年来，扩散模型也在医学影像分析领域展现出巨大潜力。

在实现本发明的过程中，发明人发现现有技术中至少存在如下问题：

第一，现有方法多针对静态MRI图像进行建模，缺乏对连续MRI扫描所蕴含的时间演化规律建模能力，难以识别结构变化趋势中的潜在异常（Yang, Y., Fu, H., Aviles-Rivero, A.I., et al. 2023. DiffMIC: Dual-guidance diffusion network formedical image classification. In International Conference on Medical ImageComputing and Computer-Assisted Intervention, 95-105.）。

第二，尽管部分研究已尝试采用无监督策略，但在训练阶段仍大量依赖伪标注、结构分割图或专家规则作为先验，限制了模型在真实无标签场景下的通用性（Siddiquee,M.M.R., Shah, J., Wu, T., et al. 2024. Brainomaly: Unsupervised neurologicdisease detection utilizing unannotated t1-weighted brain MR images. InProceedings of the IEEE/CVF Winter Conference on Applications of ComputerVision, 7573-7582.）。

第三，当前大多数扩散模型直接在高维图像空间中建模，计算复杂度高，推理速度慢，难以在临床资源有限的实际场景中部署（Rombach, R., Blattmann, A., Lorenz, D.,et al. 2022. High-resolution image synthesis with latent diffusion models. InProceedings of the IEEE/CVF Conference on Computer Vision and PatternRecognition, 10684-10695.）。

发明内容

本发明的目的在于针对现有技术的不足，提供一种基于扩散模型的阿尔兹海默症早期诊断方法及装置，结合潜在空间压缩、时序动态预测与无监督异常检测，充分发挥扩散模型在图像生成与结构建模方面的优势，实现阿尔兹海默症早期诊断的高效、可解释与低成本落地。

根据本申请实施例的第一方面，提供一种基于扩散模型的阿尔兹海默症早期诊断方法，包括：

获取诊断对象在不同时期的若干脑部MRI图像并进行预处理；

基于预处理后的脑部MRI图像，利用训练后的自编码器网络中的编码器得到各脑部MRI图像对应的MRI压缩特征；

将诊断对象在不同时期的若干脑部MRI图像所提取的MRI压缩特征作为条件变量，利用训练后的扩散模型进行预测，得到MRI预测特征；

获取诊断对象再次经MRI扫描获取的脑部MRI图像，经训练后的所述编码器得到MRI真实特征，将所述MRI真实特征与所述MRI预测特征进行比较并将二者的误差作为异常得分，若所述异常得分超过预定阈值，则判定为阿尔兹海默症阳性。

进一步地，所述脑部MRI图像的预处理过程包括：

图像空间标准化：将所有脑部MRI图像对齐至同一空间模板；

图像裁剪：对图像边界进行裁剪，将所有脑部MRI图像统一为相同尺寸；

强度归一化：统计每张图像中脑组织区域的灰度分布，采用均值为0、标准差为1的线性变换函数对整张图像灰度进行重映射。

进一步地，所述自编码器网络包括编码器和解码器，所述编码器用于对MRI脑部图像逐层压缩，得到MRI压缩特征，所述解码器用于根据所述MRI压缩特征重建图像；

所述训练后的自编码器网络经预处理的MRI图像训练集训练得到，训练过程中，损失函数包括重构损失及KL惩罚项，其中重构损失通过比较原图像与解码器重建图像之间的误差计算，KL惩罚项用于约束编码器输出特征的分布形态。

进一步地，将所述编码器输出的特征向量通过空间对齐与量化策略进行格式规范，得到所述MRI压缩特征。

进一步地，所述扩散模型在U-Net网络中引入交叉注意力模块，所述交叉注意力模块对所述U-Net网络中每一个上采样层或下采样层输出的特征进行动态加权。

进一步地，在所述扩散模型的训练过程中，通过多次给原始数据添加高斯噪声，计算模型预测噪声和实际添加的高斯噪声之间的差异，以所述差异为扩散模型的噪声损失函数，进而对扩散模型进行训练优化。

进一步地，还包括：

针对所述诊断对象构建若干个时间序列脑部MRI图像组合，对各组合分别计算异常得分，通过综合各异常得分的趋势评估大脑结构的演化轨迹，以辅助医生进行进一步诊断。

根据本申请实施例的第二方面，提供一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现如第一方面所述的方法。

根据本申请实施例的第三方面，提供一种电子设备，包括：

一个或多个处理器；

存储器，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的方法。

根据本申请实施例的第三方面，提供一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现如第一方面所述方法的步骤。

本发明的技术方案概括为：

提供了一种基于扩散模型的阿尔兹海默症早期诊断技术方案，其核心在于构建了一个完整的时空特征分析与异常检测系统。该方案通过创新的神经网络架构实现了对大脑结构动态变化的精准建模，具体表现为一个端到端的计算框架：首先采用深度卷积自编码器对三维脑部MRI影像进行特征提取与降维，将高维影像数据映射到低维潜在空间；随后设计具有时序建模能力的条件扩散模型，该模型通过特定的网络连接方式将历史扫描数据作为条件输入，利用改进的注意力机制实现时空特征的融合与传递，最终输出对未来时间点脑部状态的预测结果。

在方法实现层面，该方案建立了完整的计算流程：从原始影像数据的标准化预处理开始，经过特征编码、时序扩散建模、异常检测到可视化输出的完整链条。其中，特征编码模块采用三维卷积神经网络构建，通过特定的层间连接方式保留空间结构信息；条件扩散模块则通过精心设计的网络拓扑结构，将时序条件信息与当前状态进行多尺度融合；异常检测模块基于特定的距离度量算法计算预测偏差，并采用自适应阈值策略进行判断。通过各模块间的数据流与控制流的协同配合，实现了对脑部退行性变化的早期识别与量化评估。

本发明的有益效果是，通过采用时序动态建模技术，能够更精准地捕捉大脑结构的渐进性变化特征，大幅提高早期诊断的敏感性和特异性。创新的无监督学习范式仅需健康人群数据即可训练模型，有效解决了医学标注数据稀缺的难题。潜在空间计算和条件扩散预测的结合，在保证诊断精度的同时显著降低了计算资源需求。交叉注意力机制的引入使模型具备时空特征融合能力，生成的预测结果具有更好的可解释性，可为临床医生提供直观的病变发展分析。该方法不仅实现了早期诊断，还能动态监测病情演变，为个性化诊疗方案的制定提供科学依据，具有重要的临床应用价值。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。

图1是根据一示例性实施例示出的一种基于扩散模型的阿尔兹海默症早期诊断方法的流程图。

图2是根据一示例性实施例示出的自编码器网络的结构图。

图3是根据一示例性实施例示出的扩散模型的结构图。

图4是根据一示例性实施例示出的一种基于扩散模型的阿尔兹海默症早期诊断装置的框图。

图5是根据一示例性实施例示出的一种电子设备的示意图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。

在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

本发明的核心技术是基于扩散模型的时序动态建模与无监督异常检测技术，以实现阿尔兹海默症的早期精准诊断。通过构建条件扩散模型捕捉大脑结构的渐进性变化特征，结合潜在空间计算优化技术，显著提升了早期诊断的敏感性和特异性。

如图1所示，本发明提出了一种基于扩散模型的阿尔兹海默症早期诊断方法，包括以下步骤：

（1）获取诊断对象在不同时期的若干脑部MRI图像并进行预处理；

具体地，可以选取诊断对象两次及以上不同时期的MRI图像，在本实施例中优选选取诊断对象三次MRI扫描影像，符合这一要求的数据集较为广泛，而三次影像预测第四次影像已有足够的依据，可以比更少次数的MRI影像构成的预测网络有更好的表现，预处理过程可以包括以下子步骤：

（1.1）图像空间标准化：脑部MRI图像采集完成后，首先需将所有MRI图像进行空间标准化，即对齐至同一空间模板。为此，采用基于刚性与非线性配准相结合的算法SyN（Avants, B.B., Epstein, C.L., Grossman, M., and Gee, J.C. 2008. Symmetricdiffeomorphic image registration with cross-correlation: Evaluating automatedlabeling of elderly and neurodegenerative brain. Medical Image Analysis 12(1), 26-41.），将原始MRI图像映射到标准解剖模板（如MNI空间）。该过程确保了大脑图像在空间位置上的一致性，尤其是保证了颞叶、海马体等关键区域在三维坐标系中的稳定定位，便于后续特征压缩模型聚焦于生理结构的微小变化而非图像位移。

（1.2）图像裁剪：MRI图像可能存在边缘空白或结构范围差异。为统一输入尺寸，进一步对图像边界进行自动裁剪，并根据扩散模型输入尺寸将所有图像统一调整为160×160×160的三维张量。裁剪区域的确定依赖于图像中灰度信息的分布范围，确保所保留区域完整覆盖左右半球和海马体等关键结构，在具体实施中，通常进行中心裁剪即可保证所需信息在裁剪区域内。此过程不仅提升了模型的输入效率，还显著减少了多余背景对神经网络训练造成的冗余计算。

（1.3）强度归一化：在空间和结构对齐后，图像信号强度的统一性成为影响模型学习稳定性的关键因素。因此，需对图像进行强度归一化处理。通过统计每张图像中脑组织区域的灰度分布，采用均值为0、标准差为1的线性变换函数对整张图像灰度进行重映射，从而消除个体间及时间序列间因设备差异、采集参数不同等带来的信号漂移。标准化后的图像具备统一的对比尺度，更有利于神经网络从中提取跨诊断对象的通用结构特征。

按如上方法，MRI图像获得在空间位置、结构边界、图像分辨率和信号强度等多个维度的高度统一，便于后续输入模型。

（2）基于预处理后的脑部MRI图像，利用训练后的自编码器网络中的编码器得到各脑部MRI图像对应的MRI压缩特征；

如图2所示，所述自编码器网络包括编码器和解码器两个子网络，其中编码器以三维卷积层为核心，结合步长卷积与下采样机制，对输入MRI图像逐层压缩。通过连续的空间压缩操作，原始高维图像最终被映射至16×16×16的低维潜在张量。该张量不仅保留了全脑区域的空间拓扑结构，还聚合了关键神经区域的形态信息，为后续建模提供紧凑且语义丰富的特征表示。解码器与其相反，采用对称的三维反卷积架构，通过上采样层逐步还原潜在特征的空间分辨率。每个上采样模块由转置卷积层、批归一化层与激活函数构成，逐层将16×16×16的潜在张量恢复为原始的160×160×160体素结构。在该过程中，解码器不仅重建图像的整体形状，还恢复皮层细节和边界结构，从而确保压缩过程中的信息损失最小化。最终输出层采用Sigmoid激活函数以归一化重建图像强度范围，确保与原始MRI图像的对比度一致。

编码器(Encoder)表示为，解码器(Decoder)表示为，其作用为作用在原图像与噪声之间，使得：

即，

其中，为编码器输出的特征向量，为解码器输出的重构数据。

在利用编码器对诊断对象的MRI图像进行特征压缩之前，需要对网络进行训练，训练集采取步骤（1）的预处理过程进行处理。为使编码器输出的特征具备良好的分布一致性与重建能力，在训练过程中引入KL散度作为正则项，引导编码空间逼近标准正态分布。具体的训练目标函数由重构损失与KL惩罚项组成，其中重构部分通过比较原图像与解码重建图像之间的均方误差计算，KL惩罚项则用于约束编码器输出特征的分布形态，从而提升模型在压缩过程中的表达能力和泛化性能。总体损失函数表示为：

其中，为用于平衡重构损失和KL惩罚项的权重，代表求出两个分布KL散度的运算，而代表给定图像x时特征向量z的概率分布，代表均值为0，标准差为的高斯分布。

利用所述总体损失函数对自编码器网络进行训练后，在推理阶段，仅保留编码器部分参与运算，解码器不参与预测，进一步提高计算效率。

在编码器编码完成后，可以进一步通过空间对齐与量化策略对特征进行格式规范，即得到MRI压缩特征，使得不同图像在特征维度和尺度上完全一致，具备良好的对比基础。所述MRI压缩特征可作为独立的表征向量存储，并作为输入传递给后续的条件扩散模型进行时序建模与预测。

（3）将诊断对象在不同时期的若干脑部MRI图像所提取的MRI压缩特征作为条件变量，利用训练后的扩散模型进行预测，得到MRI预测特征；

在获取了同一诊断对象不同时期的多次磁共振图像压缩特征后，本发明通过一种引入交叉注意力机制的条件扩散模型，对时间序列中的结构演变进行建模，并预测该诊断对象在下一个时间点（即第四次扫描）的大脑MRI特征表示。整个预测过程建立在隐空间特征的生成机制上，以确保生成结果在结构上具备生物合理性与时间连续性。

所述扩散模型采用DDPM（Denoising Diffusion Probabilistic Model）结构，为实现对预测过程的条件引导，如图3所示，本发明在扩散模型的核心网络U-Net的各上采样层/下采样层后引入交叉注意力模块。该模块在每一层对特征进行动态加权，通过计算当前预测状态与历史条件之间的注意力权重，融合时间序列的结构信息，有效捕捉大脑随时间变化的特征趋势。注意力机制的计算基于查询-键-值三元组映射，在每个扩散步长中动态调整生成策略，使得预测结果更加贴合历史序列的演变规律。

注意力机制的计算方式为：

其中 Q 表示查询（来自预测状态），K 和 V 分别为键和值（由历史条件输入生成）。

对于所述扩散模型，将同一诊断对象连续n次MRI扫描所提取的MRI压缩特征作为时间序列输入，格式为，其中表示第次扫描压缩后的潜在表示，，为MRI压缩特征数量。该序列构成扩散模型的条件变量c，用于在生成过程中提供演化方向上的指导信号，即提供控制噪声。所有序列输入均通过特定线性映射模块嵌入至扩散模型的上下文编码空间中，以适配后续网络的交叉注意力模块。

所述扩散模型的训练的第一步为在样本中增加噪声，在训练阶段对潜在空间的目标特征施加多步高斯噪声扰动：

其中，为扩散模型噪声损失函数，为样本上增加的高斯噪声，为模型对特征的预测输出，为在原始特征上加噪步后的取值，为扩散的步数。

通过神经网络通过学习每一步噪声的逆变换过程，建模从噪声向原始结构回归的生成路径。训练目标为最小化噪声预测误差，使得在推理阶段可以从随机噪声中逐步还原出目标结构的预测表示。

（4）获取诊断对象再次经MRI扫描获取的脑部MRI图像，经训练后的所述编码器得到MRI真实特征，将所述MRI真实特征与所述MRI预测特征进行比较并将二者的误差作为异常得分，若所述异常得分超过预定阈值，则判定为阿尔兹海默症阳性；

在完成对诊断对象第四次磁共振特征的生成之后，通过比较生成特征与实际MRI压缩特征之间的差异，评估该诊断对象在当前时点是否存在明显的结构异常，并据此判断是否为阿尔兹海默症阳性。该过程采用无监督的异常检测策略，避免对训练阶段依赖明确病理标注，提高了模型在真实临床场景中的适应能力。具体包括以下子步骤：

（4.1）预测与真实特征的误差计算

将通过扩散模型生成的预测特征与实际经编码器压缩得到的特征进行逐元素比较，采用均方误差（MSE）指标作为异常评分函数。MSE指标计算方式如下：

其中，为特征向量总维度数，表示第个特征向量的真实值，而表示第个特征向量的预测值，表示特征向量第个维度上的预测值。

该误差度量函数不仅反映了模型对时间序列结构趋势的拟合能力，同时也是评价当前状态与健康模式偏离程度的量化指标。误差值越大，表示生成模型在健康先验下无法拟合当前结构，提示异常概率越高。

（4.2）阈值判定与阳性诊断策略：本发明设定异常阈值参数，针对每名诊断对象计算其预测误差，当误差值大于时，系统自动标记为异常，即判定为阿尔兹海默症阳性；当误差低于阈值，则判断其结构变化符合健康模式，判定为阴性。该阈值通过验证集性能优化确定，并可结合不同人群分布进行自适应调整。采用该策略可在不依赖人工标注的前提下，自动识别大脑结构早期变异信号，实现高效、敏感的无监督诊断。

（5）序列回顾与动态趋势分析：为进一步提升诊断的稳定性与解释性，可针对同一诊断对象构建多个时间序列组合，并对其分别执行预测与误差评估操作，通过综合其多组异常评分趋势，辅助医生判断大脑结构的长期演化轨迹。此外，配合MRI重建结果的可视化展示，有助于临床医生精准定位病变区域，提供进一步干预建议。

在一实施例中，在一台具备32GB GPU显存的NVIDIA A100显卡的机器上，针对ADNI数据集实现本发明的实施实例。训练自编码器与条件扩散模型分别使用Adam优化器，初始学习率设置为，总训练轮数设为200轮。自编码器仅以健康对照者的数据作为输入进行无监督训练，压缩后的潜在特征维度为16×16×16，潜在空间KL惩罚权重设置为。扩散模型采用经典DDPM架构，噪声步数T=1000，网络规模参数量为115.1M，嵌入交叉注意力机制以强化时间条件依赖。

在测试阶段，每名受试者的前三次MRI扫描数据被压缩后作为条件输入，预测其下一时刻MRI图像的潜在特征表示。通过与真实扫描图像编码结果比较，计算其均方误差（MSE）作为异常评分。当该MSE值高于预设阈值λ=1.2时，即可判定该样本可能为阿尔兹海默症阳性。

在ADNI数据集上进行5折交叉验证，模型在未使用病理标签的前提下取得了准确度（Accuracy）为0.807，特异度（Sensitivity）为0.855的分类性能，显示出较高的敏感性和一定的泛化能力。可视化结果表明，模型在预测异常时通常集中于脑室扩大、海马体萎缩等典型阿尔兹海默症表现区域，验证了该方法在结构性脑变异检测中的实际应用潜力。

将f-AnoGAN（Schlegl T, Seeböck P, Waldstein S M, et al. f-AnoGAN: Fastunsupervised anomalydetection with generative adversarial networks. Medicalimage analysis, 2019, 54: 30-44.）、ALOOC（M. Sabokrou, M. Khalooei, M. Fathy,and E. Adeli, “Adversarially learned one-class classifier for noveltydetection,” in Proceedings of the IEEE Conference on Computer Vision andPattern Recognition, 2018, pp. 3379–3388.）、ALAD（Zenati H, Romain M, Foo C S,et al. Adversarially learned anomaly detection, 2018 IEEE Internationalconference on data mining (ICDM). IEEE, 2018: 727-736.）、ADDFORMER（R. Kushol,A. Masoumzadeh, D. Huo, S. Kalra and Y. -H. Yang, "Addformer: Alzheimer’sDisease Detection from Structural Mri Using Fusion Transformer," 2022 IEEE19th International Symposium on Biomedical Imaging (ISBI), Kolkata, India,2022, pp. 1-5）及本方法分别应用在ADNI数据集上进行实验，结果如表1所示，表1分别为实验在准确度和灵敏度上与相关方法的指标对比；

表1

与前述的基于扩散模型的阿尔兹海默症早期诊断方法的实施例相对应，本申请还提供了基于扩散模型的阿尔兹海默症早期诊断装置的实施例。

图4是根据一示例性实施例示出的一种基于扩散模型的阿尔兹海默症早期诊断装置框图。参照图4，该装置可以包括：

获取模块21，用于获取诊断对象在不同时期的若干脑部MRI图像并进行预处理；

特征压缩模块22，用于基于预处理后的脑部MRI图像，利用训练后的自编码器网络中的编码器得到各脑部MRI图像对应的MRI压缩特征；

预测模块23，用于将诊断对象在不同时期的若干脑部MRI图像所提取的MRI压缩特征作为条件变量，利用训练后的扩散模型进行预测，得到MRI预测特征；

比较模块24，用于获取诊断对象再次经MRI扫描获取的脑部MRI图像，经训练后的所述编码器得到MRI真实特征，将所述MRI真实特征与所述MRI预测特征进行比较并将二者的误差作为异常得分，若所述异常得分超过预定阈值，则判定为阿尔兹海默症阳性。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

相应的，本申请还提供一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现如上述的基于扩散模型的阿尔兹海默症早期诊断方法。

相应的，本申请还提供一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述的基于扩散模型的阿尔兹海默症早期诊断方法。如图5所示，为本发明实施例提供的一种基于扩散模型的阿尔兹海默症早期诊断装置所在任意具备数据处理能力的设备的一种硬件结构图，除了图5所示的处理器、内存以及网络接口之外，实施例中装置所在的任意具备数据处理能力的设备通常根据该任意具备数据处理能力的设备的实际功能，还可以包括其他硬件，对此不再赘述。

相应的，本申请还提供一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现如上述的基于扩散模型的阿尔兹海默症早期诊断方法。所述计算机可读存储介质可以是前述任一实施例所述的任意具备数据处理能力的设备的内部存储单元，例如硬盘或内存。所述计算机可读存储介质也可以是外部存储设备，例如所述设备上配备的插接式硬盘、智能存储卡（Smart Media Card，SMC）、SD卡、闪存卡（Flash Card）等。进一步的，所述计算机可读存储介还可以既包括任意具备数据处理能力的设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述任意具备数据处理能力的设备所需的其他程序和数据，还可以用于暂时地存储已经输出或者将要输出的数据。

本领域技术人员在考虑说明书及实践这里公开的内容后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。

Claims (10)

1.一种基于扩散模型的阿尔兹海默症早期诊断方法，其特征在于，包括：

获取诊断对象在不同时期的若干脑部MRI图像并进行预处理；

基于预处理后的脑部MRI图像，利用训练后的自编码器网络中的编码器得到各脑部MRI图像对应的MRI压缩特征；

将诊断对象在不同时期的若干脑部MRI图像所提取的MRI压缩特征作为条件变量，利用训练后的扩散模型进行预测，得到MRI预测特征，其中，对于所述扩散模型，同一诊断对象n次MRI扫描所提取的MRI压缩特征作为时间序列输入，生成预测特征；

获取诊断对象再次经MRI扫描获取的脑部MRI图像，经训练后的所述编码器得到MRI真实特征，将所述MRI真实特征与所述MRI预测特征进行比较并将二者的误差作为异常得分，若所述异常得分超过预定阈值，则判定为阿尔兹海默症阳性。

2.根据权利要求1所述的方法，其特征在于，所述脑部MRI图像的预处理过程包括：

图像空间标准化：将所有脑部MRI图像对齐至同一空间模板；

图像裁剪：对图像边界进行裁剪，将所有脑部MRI图像统一为相同尺寸；

强度归一化：统计每张图像中脑组织区域的灰度分布，采用均值为0、标准差为1的线性变换函数对整张图像灰度进行重映射。

3.根据权利要求1所述的方法，其特征在于，所述自编码器网络包括编码器和解码器，所述编码器用于对MRI脑部图像逐层压缩，得到MRI压缩特征，所述解码器用于根据所述MRI压缩特征重建图像；

所述训练后的自编码器网络经预处理的MRI图像训练集训练得到，训练过程中，损失函数包括重构损失及KL惩罚项，其中重构损失通过比较原图像与解码器重建图像之间的误差计算，KL惩罚项用于约束编码器输出特征的分布形态。

4.根据权利要求1所述的方法，其特征在于，将所述编码器输出的特征向量通过空间对齐与量化策略进行格式规范，得到所述MRI压缩特征。

5.根据权利要求1所述的方法，其特征在于，所述扩散模型在U-Net网络中引入交叉注意力模块，所述交叉注意力模块对所述U-Net网络中每一个上采样层或下采样层输出的特征进行动态加权。

6.根据权利要求1所述的方法，其特征在于，在所述扩散模型的训练过程中，通过多次给原始数据添加高斯噪声，计算模型预测噪声和实际添加的高斯噪声之间的差异，以所述差异为扩散模型的噪声损失函数，进而对扩散模型进行训练优化。

7.根据权利要求1所述的方法，其特征在于，还包括：

针对所述诊断对象构建若干个时间序列脑部MRI图像组合，对各组合分别计算异常得分，通过综合各异常得分的趋势评估大脑结构的演化轨迹，以辅助医生进行进一步诊断。

8.一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现如权利要求1-7任一项所述的方法。

9.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储器，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7任一项所述的方法。

10.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，该指令被处理器执行时实现如权利要求1-7中任一项所述方法的步骤。