申请/专利权人：安徽大学

申请日：2022-04-28

公开（公告）日：2024-03-01

公开（公告）号：CN114999629B

主分类号：G16H50/20

分类号：G16H50/20;G16H50/30;G06V10/764;G06T7/00;G06N3/045;G06N3/0464;G06N3/0895;G06V10/774;G06V10/82;G06V10/80;A61B5/00;A61B6/00

优先权：

专利状态码：有效-授权

法律状态：2024.03.01#授权;2022.09.20#实质审查的生效;2022.09.02#公开

摘要：本发明属于医学影像处理领域，具体涉及一种基于多特征融合的AD早期预测方法、系统、装置。本发明针对基于Brain18F‑FDGPET切片图像的预测AD的复杂问题，重新设计了一个新的包含双卷积的骨干网络和分类网络的神经影像预测模型；并在网络模型中引入多注意力模块。在数据集采集过程中，以滤波、裁剪等方式代替传统扩增方法扩增PET切片，提高网络模型的泛化特性。在网络模型的训练阶段，将模糊标签并运用到监督对比学习损失中，在预测阶段还结合分类结果和临床精神心理评估结果进行联合分析，得到最可靠的预测结论。本发明解决了现有图像处理方法在针对Brain18F‑FDGPET影像进行AD预测时，存在的鲁棒性低、差裕度差和识别率低等问题。

主权项：1.一种基于多特征融合的AD早期预测方法，其用于根据检测对象的三维脑部PET影像和临床神经心理学量表评估结果对检测对象是否罹患AD进行预测；其特征在于，所述AD早期预测方法包括如下步骤：S1：构建包括骨干网络和分类网络的神经影像预测模型；所述骨干网络用于对输入的样本图像进行特征识别，进而输出一个512维的表征向量；所述分类网络用于根据输入的所述表征向量对不同检测对象完成分类，进而输出一个相应的分类结果；所述骨干网络包括并联的第一子网络和第二子网络，每个子网络均包括依次首尾连接的卷积层、混合注意力模块、最大池化层和8个残差单元；两个子网络的输出加权融合后作为骨干网络的输出；所述分类网络采用一个非线性多层感知器将所述骨干网络输出的所述表征向量映射为所需的分类结果；其中，所述混合注意力模块的处理过程如下：对输入的原始特征向量F分别进行平均池化和最大池化；将两个池化结果分别送入到一个两层的感知模块中，感知模块处理得到的两个特征输出相加后，再经过一个Sigmoid激活函数得到权重系数MC；接下来，将权重系数MC和特征向量F相乘得到中间特征向量F’；中间特征向量F’经过一个通道维度的平均池化和最大池化后得到两个通道向量，将两个通道向量进行拼接，拼接结果再经过一个7×7的卷积层和一个Sigmoid激活函数后，得到权重系数Ms；最后，将权重系数Ms和中间特征F’相乘得到经过混合注意力模块处理的特征向量；S2：获取若干不同症状的检测对象的三维脑部PET影像，将每个三维脑部PET影像预处理为包含多个二维切片图像的序列图像；根据检测对象的病症类型为序列图像中的每张二维切片图像人工添加标签；进而构成所需的训练集；S3：利用所述训练集对所述神经影像预测模型进行两阶段训练，依次确定骨干网络和分类网络的权重；训练过程包括如下步骤：S31：选取训练集中的部分图像作为样本图像，对样本图像进行模糊标签处理，更新每张样本图像的标签；S32：在分类网络的非线性多层感知器后增加一个归一化处理模块l2；所述归一化处理模块用于学习不同类别间的张量，并以所述张量的乘积作为区分不同类别的特征；S33：采用监督对比损失函数LSC作为损失函数，通过便签更新后的样本图像对神经影像预测模型进行第一阶段训练，并保存训练结束后骨干网络的权重；监督对比损失函数LSC的计算公式如下： 上式中， 其中，表示无监督对比损失；N表示样本数；Zi表示第i个正样本张量；Zk表示第k个正样本张量；zji表示负样本张量；表示扩增样本序列；τ表示调节系数，取值为0.07；S34：以训练集中的剩余图像作为样本图像，设置损失函数为交叉熵损失函数LCE；对神经影像预测模型进行第二阶段训练，并保存训练结束后分类网络的权重；进而得到完成训练的神经影像预测模型；交叉熵损失函数LCE的计算公式如下： 其中，N表示样本数，M为类别数；表示样本序列；yi为样本i的类别，正类为1，负类为0；pi为样本i预测为正类的概率，yic为符号函数；S4：获取待处理的检测对象的三维脑部PET影像和临床神经心理学量表评估结果，并将所述三维脑部PET影像预处理为包含多张二维切片图像的序列图像；其中，所述临床神经心理学量表评估结果包括轻度精神状态评分值MMSEscore和临床痴呆程度评分值CDRscore；S5：将所述序列图像依次输入到完成训练的神经影像预测模型中，得到各个切片图像的分类结果PETcnni；S6：通过相关性分析计算序列图像中各个切片图像的分类结果PETcnni的相关度R，并以相关度R作为比例参数λ，结合临床神经心理学量表评估结果，通过下式计算出检测对象是否罹患AD的预测值CDscore： 上式中，avg表示求平均值函数；i表示各个序列图像的图像编号；k表示检测对象的三维脑部PET影像处理得到的二维切片图像的数量。

全文数据：

权利要求：

百度查询： 安徽大学 一种基于多特征融合的AD早期预测方法、系统、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