申请/专利权人：中国人民解放军总医院第二医学中心

申请日：2023-02-17

公开（公告）日：2024-03-22

公开（公告）号：CN116246112B

主分类号：G06V10/764

分类号：G06V10/764;G06V10/774;G06T7/00

优先权：

专利状态码：有效-授权

法律状态：2024.03.22#授权;2023.06.27#实质审查的生效;2023.06.09#公开

摘要：本发明实施例涉及一种基于神经影像数据库训练分类模型的数据处理方法和系统，所述方法包括：在各个地区创建多模态神经影像数据库；基于多个统一的单模态影像分类预测模型对各个多模态神经影像数据库进行影像标签标注处理；将完成影像标签标注处理的各个多模态神经影像数据库与SL模型学习网络进行SL节点对接处理生成对应的数据库对接节点；基于SL模型学习网络按预设的最大训练次数M对多模态分类模型进行M次全节点模型训练；M次全节点模型训练结束时通过各个数据库对接节点获得多模态分类模型的最新模型参数模板。通过本发明可以降低模型训练难度、提高模型训练充分度，可以对所有地区模型使用机构的模型一致性进行保证。

主权项：1.一种基于神经影像数据库训练分类模型的数据处理方法，其特征在于，所述方法包括：在各个地区创建多模态神经影像数据库；基于多个统一的单模态影像分类预测模型对各个所述多模态神经影像数据库进行影像标签标注处理；将完成影像标签标注处理的各个所述多模态神经影像数据库与SL模型学习网络进行SL节点对接处理生成对应的数据库对接节点；基于所述SL模型学习网络按预设的最大训练次数M对多模态分类模型进行M次全节点模型训练；所述M次全节点模型训练结束时通过各个所述数据库对接节点获得所述多模态分类模型的最新模型参数模板；其中，所述多模态神经影像数据库包括多个第一数据记录；所述第一数据记录包括第一影像模态、第一影像数据和第一影像标签；所述第一影像模态包括MRI模态、EEG模态和PET模态；所述第一影像模态为MRI模态、EEG模态或PET模态时对应的所述第一影像数据为对应的MRI数据、EEG数据和PET数据；所述第一影像标签包括正常分类标签和多类早期阿尔兹海默症分类标签；所有所述第一影像标签均初始化为空；所述多个统一的单模态影像分类预测模型由多个预先训练成熟的单模态影像分类预测模型组成，分别为MRI影像分类预测模型、EEG影像分类预测模型和PET影像分类预测模型；所述SL模型学习网络为基于SL区块链网络构建的去中心化模型学习网络；所述SL模型学习网络包括多个SL节点；各个所述SL节点都与其他所有所述SL节点两两连接；所述SL模型学习网络预置一个模型智能合约，所述模型智能合约用于向签署合约的所述SL节点提供模型数据包；所述模型数据包由所述多模态分类模型、模型损失函数、训练目标函数、损失收敛范围和模型参数模板构成；所述MRI影像分类预测模型包括第一特征提取模块、第一分类模块和第一标签输出模块；所述第一特征提取模块的输入端为模型输入端，输出端与所述第一分类模块的输入端连接；所述第一分类模块的输出端与所述第一标签输出模块的输入端连接；所述第一标签输出模块的输出端为模型输出端；所述第一特征提取模块用于根据预设的全脑结构模板对模型输入的MRI数据进行全脑特征提取处理得到对应的第一特征图；所述第一分类模块用于根据所述第一特征图进行分类预测得到一个带有多个分类概率的第一分类预测向量；所述第一标签输出模块用于将所述第一分类预测向量中最大分类概率对应的预测类型作为对应的类型标签输出；所述第一分类预测向量的预测类型包括一个正常类型和多个早期阿尔兹海默症分类类型；所述EEG影像分类预测模型包括第二特征提取模块、第二分类模块和第二标签输出模块；所述第二特征提取模块的输入端为模型输入端，输出端与所述第二分类模块的输入端连接；所述第二分类模块的输出端与所述第二标签输出模块的输入端连接；所述第二特征提取模块用于对模型输入的EEG数据进行全脑特征提取处理得到对应的第二特征图；所述第二分类模块用于根据所述第二特征图进行分类预测得到一个带有多个分类概率的第二分类预测向量；所述第二标签输出模块用于将所述第二分类预测向量中最大分类概率对应的预测类型作为对应的类型标签输出；所述第二分类预测向量的预测类型包括一个正常类型和多个早期阿尔兹海默症分类类型；所述PET影像分类预测模型包括第三特征提取模块、第三分类模块和第三标签输出模块；所述第三特征提取模块的输入端为模型输入端，输出端与所述第三分类模块的输入端连接；所述第三分类模块的输出端与所述第三标签输出模块的输入端连接；所述第三标签输出模块的输出端为模型输出端；所述第三特征提取模块用于对模型输入的PET数据进行全脑特征提取处理得到对应的第三特征图；所述第三分类模块用于根据所述第三特征图进行分类预测得到一个带有多个分类概率的第三分类预测向量；所述第三标签输出模块用于将所述第三分类预测向量中最大分类概率对应的预测类型作为对应的类型标签输出；所述第三分类预测向量的预测类型包括一个正常类型和多个早期阿尔兹海默症分类类型；所述多模态分类模型包括多模态特征提取模块、多模态特征融合模块和融合特征分类模块；所述多模态特征提取模块由三个并列的特征提取单元组成分别为第一、第二和第三特征提取单元，所述第一、第二和第三特征提取单元的输入端均为模型输入端，输出端均与所述多模态特征融合模块的输入端连接；所述多模态特征融合模块的输出端与所述融合特征分类模块的输入端连接；所述融合特征分类模块的输出端为模型输出端；所述第一、第二和第三特征提取单元分别用于对输入的MRI数据、EEG数据和PET数据进行全脑特征提取处理得到对应的三个全脑特征图；所述多模态特征融合模块用于对所述三个全脑特征图进行多模态特征融合处理得到对应的第一融合特征图；所述融合特征分类模块用于根据所述第一融合特征图进行分类预测得到一个带有多个分类概率的第四分类预测向量；所述第四分类预测向量的每个分类概率对应一个预测类型，所述第四分类预测向量对应的预测类型包括一个正常类型和多个早期阿尔兹海默症分类类型；所述基于多个统一的单模态影像分类预测模型对各个所述多模态神经影像数据库进行影像标签标注处理，具体包括：对所述多模态神经影像数据库的各个所述第一数据记录进行遍历；并在遍历时，将当前遍历的所述第一数据记录作为对应的当前数据记录，并将所述当前数据记录的所述第一影像模态和所述第一影像数据提取出来作为对应的当前影像模态和当前影像数据；并对所述当前影像模态进行识别；若所述当前影像模态为MRI模态则基于所述MRI影像分类预测模型对所述当前影像数据进行分类预测处理得到对应的第一类型标签，若所述当前影像模态为EEG模态则基于所述EEG影像分类预测模型对所述当前影像数据进行分类预测处理得到对应的所述第一类型标签，若所述当前影像模态为PET模态则基于所述PET影像分类预测模型对所述当前影像数据进行分类预测处理得到对应的所述第一类型标签；并将所述当前数据记录的所述第一影像标签设为对应的所述第一类型标签；所述将完成影像标签标注处理的各个所述多模态神经影像数据库与SL模型学习网络进行SL节点对接处理生成对应的数据库对接节点，具体包括：在所述SL模型学习网络中任选一个尚未与任何所述多模态神经影像数据库对接的所述SL节点作为当前所述多模态神经影像数据库对应的所述数据库对接节点；并由所述数据库对接节点签署所述模型智能合约获得对应的所述模型数据包存于本地；所述基于所述SL模型学习网络按预设的最大训练次数M对多模态分类模型进行M次全节点模型训练，具体包括：在每次全节点模型训练时，由所有所述数据库对接节点根据对应的所述多模态神经影像数据库以及本地保存的所述模型数据包进行一轮模型训练并通过训练更新本地保存的所述模型参数模板；并从所有所述数据库对接节点中选择一个作为对应的当前领袖节点；并使除所述当前领袖节点之外的其余所有所述数据库对接节点向所述当前领袖节点发送各自最新的所述模型参数模板；并由所述当前领袖节点对自身本地保存的所述模型参数模板和其余所有所述数据库对接节点发送的所述模型参数模板进行全节点模型参数合并处理生成对应的全局模型参数模板；并由所述当前领袖节点将所述全局模型参数模板向其余所有所述数据库对接节点回发；并使所述SL模型学习网络的所有所述数据库对接节点根据所述全局模型参数模板对本地保存的所述模型参数模板进行模板更新处理。

全文数据：

权利要求：

百度查询： 中国人民解放军总医院第二医学中心 基于神经影像数据库训练分类模型的数据处理方法和系统

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