【技术实现步骤摘要】
本专利技术涉及图像分类相关，尤其是涉及阿尔茨海默症医学图像的分类方法、系统、设备及介质。
技术介绍
1、阿尔茨海默症是一种高度复杂的神经系统疾病，临床上以记忆障碍、失语、失用、失认、视空间技能损害、执行功能障碍以及人格和行为改变等全面性痴呆表现为特征，其表现在不同阶段患者之间可能会有很大的变化。认知障碍指大脑记忆、语言、推理、计算、情感、注意力、定向力、执行能力等方面出现的异常，并且部分认知障碍患者会在后期转变为阿尔茨海默症。
2、通过多模态数据对阿尔茨海默症不同阶段人群进行分类，有利于识别认知障碍患者中阿尔茨海默症早期人群，同时获取有效的基因信息，可以为阿尔茨海默症患者的诊断提供辅助。传统的阿尔茨海默症医学图像数据同基因数据多模态融合对不同阶段的阿尔茨海默症病人分类效果不佳且结果单一，主要体现在：目前对医学图像特征提取的方法对部分认知障碍患者的数据无法提取到有效的特征；目前针对人snp（单核苷酸多态性）数据并没有一种效果很好的特征提取方法。因此，提高阿尔茨海默症患者图像数据以及基因数据的特征质量，进而提高其多模态融合效果，从而能对各阶段阿尔茨海默症患者有较为显著的识别与分类准确率，仍然是本领域技术人员亟待解决的技术问题。
技术实现思路
1、本专利技术旨在至少解决现有技术中存在的技术问题。为此，本专利技术提出一种阿尔茨海默症医学图像的分类方法、系统、设备及介质，能够提高分类结果的准确性和可靠性。
2、本专利技术的第一方面，提供了一种阿尔茨海默症医学图像的分类
3、获取病人的结构向核磁共振图像和基因snp序列数据；
4、根据所述结构向核磁共振图像与第一特征提取模型进行特征提取，得到结构向核磁共振图像特征，其中，所述第一特征提取模型包括多头注意力机制的3dmhsa模型和resnet网络模型；
5、根据所述基因snp序列数据与第二特征提取模型进行特征提取，得到基因snp序列特征，其中，所述第二特征提取模型包括gcn网络模型和cnn网络模型；
6、将所述结构向核磁共振图像特征和所述基因snp序列特征进行融合，得到融合后特征；
7、根据所述融合后特征通过mlp进行分类，得到分类结果。
8、根据本专利技术实施例的控制方法，至少具有如下有益效果：
9、本方法通过获取病人的结构向核磁共振图像和基因snp序列数据；根据结构向核磁共振图像与第一特征提取模型进行特征提取，得到结构向核磁共振图像特征；根据基因snp序列数据与第二特征提取模型进行特征提取，得到基因snp序列特征；将结构向核磁共振图像特征和基因snp序列特征进行融合，得到融合后特征；根据融合后特征通过mlp进行分类，得到分类结果，通过将病人的结构向核磁共振图像和基因snp序列数据进行多模态融合，提高了分类结果的准确性和可靠性。
10、根据本专利技术的一些实施例，所述根据所述结构向核磁共振图像与第一特征提取模型进行特征提取，得到结构向核磁共振图像特征，包括：
11、根据所述结构向核磁共振图像通过所述3dmhsa模型进行训练，得到3dmhsa模型输出值，其中，所述根据所述结构向核磁共振图像与所述3dmhsa模型进行训练，得到3dmhsa模型输出值的计算公式为：
12、)，
13、，
14、，
15、，
16、，
17、，
18、，
19、,
20、其中，为三维数据中的空间坐标，为3dmhsa模型的多头注意力的头数，为位置编码高，为位置编码宽，)为位置编码长，为按元素求和得到的大小为h×w×l×d的位置编码矩阵，为在位置处从输入数据中计算的查询向量，为在位置处从输入数据中计算的键向量，为在位置处从输入数据中计算的值向量，为在位置处的所有数值，conv_q/k/v为卷积操作，为查询和注意力权重的点积，为查询和键的点积，为经过softmax操作的在位置处注意力权重，在位置处的3dmhsa模型输出值；
21、根据所述3dmhsa模型输出值通过所述resnet网络模型进行特征提取，得到所述结构向核磁共振图像特征。
22、根据本专利技术的一些实施例，所述根据所述基因snp序列数据与第二特征提取模型进行特征提取，得到基因snp序列特征，包括：
23、根据所述基因snp序列数据和预设虚拟参数生成虚拟k-mer和k-mer；
24、根据所述虚拟k-mer和所述k-mer生成虚拟缺口模式图；
25、根据所述虚拟缺口模式图通过所述gcn网络模型进行嵌入向量转化，得到转化后嵌入向量，其中，所述根据所述虚拟缺口模式图通过所述gcn网络模型进行嵌入向量转化，得到转化后嵌入特征向量的计算公式为：
26、，
27、其中，为顶点v的特征，为虚拟缺口模式图中所有具有从顶点v出边的顶点集合，为计算输入特征的平均值，为需要学习的矩阵一，为需要学习的矩阵二；
28、将所述转化后嵌入向量通过所述cnn网络模型进行特征提取，得到所述基因snp序列特征。
29、根据本专利技术的一些实施例，所述根据所述基因snp序列数据和预设虚拟参数生成虚拟k-mer和k-mer，包括：
30、根据所述基因snp序列数据和所述预设虚拟参数生成图节点的逻辑；
31、在所述基因snp序列数据的相邻但不相同的基因snp序列中插入预设符号，得到插入后基因snp数据；
32、根据所述图节点的逻辑与所述插入后基因snp数据中的预设符号生成虚拟k-mer和k-mer，其中，虚拟k-mer前面的一个k-mer为end-k-mer，虚拟k-mer后面的基因片段一个k-mer为start-k-mer，所述end-k-mer的碱基与所述start-k-mer的碱基在算法中不与所述预设符号连接形成k-mer。
33、根据本专利技术的一些实施例，所述根据所述虚拟k-mer和所述k-mer生成虚拟缺口模式图，还包括：
34、根据所述虚拟k-mer和所述k-mer生成虚拟缺口模式图的边，其中，所述根据所述虚拟k-mer和所述k-mer生成虚拟缺口模式图的边的计算公式为：
35、，
36、，
37、，
38、其中，为基因snp序列中的k-mer及其对应的k-mer在基因snp序列中的出现次数，为k-mer在基因snp序列中的频数，v为由k-mer生成的点集的集合，为从vi到vj的边，为子字符串在基因snp序列中出现的频数，为插入的虚拟节点周围的边；
39、根据所述虚拟k-mer、所述k-mer和所述虚拟缺口模式图的边生成所述虚拟缺口模式图。
40、根据本专利技术的一些实施例，所述获取病人的结构向核磁共振图像，包括：
41、获取所述病人的原始结构向核磁共振图像；
42、对所述原始结构向核磁共振图像本文档来自技高网...
【技术保护点】
1.一种阿尔茨海默症医学图像的分类方法，其特征在于，所述阿尔茨海默症医学图像的分类方法包括：
2.根据权利要求1所述的一种阿尔茨海默症医学图像的分类方法，其特征在于，所述根据所述结构向核磁共振图像与第一特征提取模型进行特征提取，得到结构向核磁共振图像特征，包括：
3.根据权利要求1所述的一种阿尔茨海默症医学图像的分类方法，其特征在于，所述根据所述基因SNP序列数据与第二特征提取模型进行特征提取，得到基因SNP序列特征，包括：
4.根据权利要求3所述的一种阿尔茨海默症医学图像的分类方法，其特征在于，所述根据所述基因SNP序列数据和预设虚拟参数生成虚拟k-mer和k-mer，包括：
5.根据权利要求4所述的一种阿尔茨海默症医学图像的分类方法，其特征在于，所述根据所述虚拟k-mer和所述k-mer生成虚拟缺口模式图，还包括：
6.根据权利要求1所述的一种阿尔茨海默症医学图像的分类方法，其特征在于，所述获取病人的结构向核磁共振图像，包括：
7.根据权利要求1所述的一种阿尔茨海默症医学图像的分类方法，其特征在于，所述获
8.一种阿尔茨海默症医学图像的分类系统，其特征在于，所述阿尔茨海默症医学图像的分类系统包括：
9.一种阿尔茨海默症医学图像的分类设备，其特征在于，包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如权利要求1至7任一项所述的一种阿尔茨海默症医学图像的分类方法。
10.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1至7任一项所述的一种阿尔茨海默症医学图像的分类方法。
...【技术特征摘要】
1.一种阿尔茨海默症医学图像的分类方法，其特征在于，所述阿尔茨海默症医学图像的分类方法包括：
2.根据权利要求1所述的一种阿尔茨海默症医学图像的分类方法，其特征在于，所述根据所述结构向核磁共振图像与第一特征提取模型进行特征提取，得到结构向核磁共振图像特征，包括：
3.根据权利要求1所述的一种阿尔茨海默症医学图像的分类方法，其特征在于，所述根据所述基因snp序列数据与第二特征提取模型进行特征提取，得到基因snp序列特征，包括：
4.根据权利要求3所述的一种阿尔茨海默症医学图像的分类方法，其特征在于，所述根据所述基因snp序列数据和预设虚拟参数生成虚拟k-mer和k-mer，包括：
5.根据权利要求4所述的一种阿尔茨海默症医学图像的分类方法，其特征在于，所述根据所述虚拟k-mer和所述k-mer生成虚拟缺口模式图，还包括：
6.根据权利要求1所述的一种阿尔茨海默症医...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。