【技术实现步骤摘要】
本专利技术涉及医疗诊断，具体涉及一种基于图像识别技术的ad症状识别方法与系统。
技术介绍
1、阿尔茨海默症(alzheimer's disease，ad)是一种渐行发展的神经退行性疾病，它会导致记忆、思考能力和日常功能的衰退，目前尚无根治方法，因此早期的识别和诊断尤为重要。现阶段针对阿尔兹海默症的筛查，主要通过血液检测、临床诊断和生物标志物的方式进行该病症的筛查和诊断。但这些传统方法往往只有在症状明显时才能诊断，容易错过最佳干预时机。而在某些过程中，如mri图像分析，又存在耗时较长的问题，且基于小样本或单中心研究的结果可能不具备广泛适用性，标准化测试又难以捕捉病情微妙变化。
2、鉴于此，亟需一种新的识别方法，来改善moca量表的筛查功能，并提高筛查的效率和客观性。在医疗实践中，蒙特利尔认知评估(montreal cognitive assessment,moca)是一种常用的初步筛查工具，然而该方法的诊断准确性受医生经验影响，可能存在主观性影响，筛查能力较差。
技术实现思路
1、针对现有阿尔兹海默症早起筛查的不足之处，本专利技术提出了一种基于图像识别技术的ad症状识别方法，包括步骤：
2、s1：提取sketch4ias数据集中各手绘图像中前预设数量的笔画关键节点，并对关键节点进行升维操作；
3、s2：根据升维后的关键节点进行transformer架构下的几何空间建模；
4、s3：根据构建好的节点空间模型输出的聚合态节点进行对应类别的映
5、s4：通过训练后的网络，根据患者的moca测试结果进行ad症状的诊断识别。
6、进一步地，所述s1步骤中，当关键节点数量多于预设数量时，进行截断，当关键节点少于预设数量时，进行补零。
7、进一步地，所述s1步骤中，所述关键节点为包括画布横纵坐标、画笔状态标志位和位置编码的四维坐标，所述升维操作具体为：
8、通过线性层对横纵坐标进行升维处理，通过嵌入层对画笔状态标志位和位置编码进行升维处理。
9、进一步地，所述s2步骤中，几何空间模型的构建具体包括如下步骤：
10、s21：根据升维后的关键节点构建表示不同类型节点间关系的邻接矩阵；
11、s22：基于构建的邻接矩阵进行关键节点注意力分数的计算，并对注意力分数进行正则化；
12、s23：根据正则化得的注意力系数，将单节点的特征映射至图中各节点特征并加权求和获得各关键节点的最终特征向量。
13、进一步地，所述s23步骤中，在进行加权求和过程中，忽略由补零操作引入的额外节点。
14、本专利技术还提出了一种基于图像识别技术的ad症状识别系统，包括：
15、节点提取模块，用于提取sketch4ias数据集中各手绘图像中前预设数量的笔画关键节点，并对关键节点进行升维操作；
16、几何建模模块，用于根据升维后的关键节点进行transformer架构下的几何空间建模；
17、网络训练模块，用于根据构建好的节点空间模型输出的聚合态节点进行对应类别的映射，并通过交叉熵损失函数进行类别映射的训练控制；
18、ad识别模块，用于通过训练后的网络，根据患者的moca测试结果进行ad症状的诊断识别。
19、进一步地，所述节点提取模块中，当关键节点数量多于预设数量时，进行截断，当关键节点少于预设数量时，进行补零。
20、进一步地，所述节点提取模块中，所述关键节点为包括画布横纵坐标、画笔状态标志位和位置编码的四维坐标，所述升维操作具体为：
21、通过线性层对横纵坐标进行升维处理，通过嵌入层对画笔状态标志位和位置编码进行升维处理。
22、进一步地，所述几何建模模块中，几何空间模型的构建具体包括如下步骤：
23、根据升维后的关键节点构建表示不同类型节点间关系的邻接矩阵；
24、基于构建的邻接矩阵进行关键节点注意力分数的计算，并对注意力分数进行正则化；
25、根据正则化得的注意力系数，将单节点的特征映射至图中各节点特征并加权求和获得各关键节点的最终特征向量。
26、进一步地，在进行加权求和过程中，忽略由补零操作引入的额外节点。
27、与现有技术相比，本专利技术至少含有以下有益效果：
28、(1)本专利技术所述的一种基于图像识别技术的ad症状识别方法与系统，通过将手绘草图转化为图结构数据，结合空间注意力技术，网络能够更自然地捕捉草图中的笔画顺序和结构关系，为识别任务提供了丰富的结构化信息，提升了对细微变化的敏感度，从而极大地简化了阿尔茨海默症的初步筛查过程，提高了筛查的便捷性和普及性；
29、(2)图结构和注意力机制的结合，使得网络在识别复杂图像时表现更加稳定，降低了外部干扰因素对识别结果的影响，确保了测试分数的高置信度；
30、(3)利用图注意力机制，网络能够同时关注图像中的多个关键区域，增强了对图像全局和局部特征的理解，提高了识别的全面性和准确性。
本文档来自技高网...【技术保护点】
1.一种基于图像识别技术的AD症状识别方法，其特征在于，包括步骤：
2.如权利要求1所述的一种基于图像识别技术的AD症状识别方法，其特征在于，所述S1步骤中，当关键节点数量多于预设数量时，进行截断，当关键节点少于预设数量时，进行补零。
3.如权利要求1所述的一种基于图像识别技术的AD症状识别方法，其特征在于，所述S1步骤中，所述关键节点为包括画布横纵坐标、画笔状态标志位和位置编码的四维坐标，所述升维操作具体为：
4.如权利要求2所述的一种基于图像识别技术的AD症状识别方法，其特征在于，所述S2步骤中，几何空间模型的构建具体包括如下步骤：
5.如权利要求4所述的一种基于图像识别技术的AD症状识别方法，其特征在于，所述S23步骤中，在进行加权求和过程中，忽略由补零操作引入的额外节点。
6.一种基于图像识别技术的AD症状识别系统，其特征在于，包括：
7.如权利要求6所述的一种基于图像识别技术的AD症状识别系统，其特征在于，所述节点提取模块中，当关键节点数量多于预设数量时，进行截断，当关键节点少于预设数量时，进行补零
8.如权利要求6所述的一种基于图像识别技术的AD症状识别系统，其特征在于，所述节点提取模块中，所述关键节点为包括画布横纵坐标、画笔状态标志位和位置编码的四维坐标，所述升维操作具体为：
9.如权利要求7所述的一种基于图像识别技术的AD症状识别系统，其特征在于，所述几何建模模块中，几何空间模型的构建具体包括如下步骤：
10.如权利要求9所述的一种基于图像识别技术的AD症状识别系统，其特征在于，在进行加权求和过程中，忽略由补零操作引入的额外节点。
...【技术特征摘要】
1.一种基于图像识别技术的ad症状识别方法，其特征在于，包括步骤：
2.如权利要求1所述的一种基于图像识别技术的ad症状识别方法，其特征在于，所述s1步骤中，当关键节点数量多于预设数量时，进行截断，当关键节点少于预设数量时，进行补零。
3.如权利要求1所述的一种基于图像识别技术的ad症状识别方法，其特征在于，所述s1步骤中，所述关键节点为包括画布横纵坐标、画笔状态标志位和位置编码的四维坐标，所述升维操作具体为：
4.如权利要求2所述的一种基于图像识别技术的ad症状识别方法，其特征在于，所述s2步骤中，几何空间模型的构建具体包括如下步骤：
5.如权利要求4所述的一种基于图像识别技术的ad症状识别方法，其特征在于，所述s23步骤中，在进行加权求和过程中，忽略由补零操作引入的额外节点。
【专利技术属性】
技术研发人员：王浩宇，魏坤，张也，胡笑蓉，何旭东，周渝林，王朝，王晓峰，
申请(专利权)人：宁波市康复医院，
类型：发明
国别省市：
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。