本发明专利技术公开了一种基于领域适应的阿尔兹海默症进程识别方法及系统，方法包括如下步骤：对脑部影像数据进行预处理，得到源域图像；对源域图像进行数据增强处理，获得增强后的源域图像作为目标域图像；利用目标域图像与源域图像训练阿尔兹海默症进程识别模型；利用训练好的阿尔兹海默症进程识别模型实现阿尔兹海默症进程识别；所述阿尔兹海默症进程识别模型包括特征编码器和分类器，特征编码器提取待识别图像的特征，分类器基于提取的特征进行分类，识别进程。本发明专利技术通过提出一个领域损失函数约束模型的学习和对齐源域与目标域特征的特征表达，使模型学习到具有领域不变性质的特征，缓解了不同站点的数据的差异对模型诊断性能的影响。
【技术实现步骤摘要】
本专利技术涉及人工智能模型，尤其涉及一种基于领域适应的阿尔兹海默症进程识别方法及系统。
技术介绍
1、目前大多数阿尔兹海默症辅助诊断中使用的结构核磁共振图像数据来自多个站点，多站点的数据增加了数据的样本量，提高了模型的性能；但是这些数据在获取的过程中往往采用了不同的扫描协议、扫描仪等，这导致了不同站点的数据之间存在着差异。而在实际的临床诊断中，不同医院采集病人数据的过程以及标准和训练使用的数据采集过程很难是一致的。阿尔兹海默症识别领域里，不同站点的数据之间的差异将会显著的影响模型的识别性能。
技术实现思路
1、本专利技术的目的在于解决现有技术中由于不同医院或不同站点采集数据之间存在差异导致模型预测受影响的问题，提高模型识别的准确性。
2、本专利技术解决其技术问题所采用的技术方案是：提供一种基于领域适应的阿尔兹海默症进程识别方法，包括如下步骤：
3、对脑部影像数据进行预处理，得到源域图像；
4、对源域图像进行数据增强处理，获得增强后的源域图像作为目标域图像；
5、利用目标域图像与源域图像训练阿尔兹海默症进程识别模型；
6、利用训练好的阿尔兹海默症进程识别模型实现阿尔兹海默症进程识别；
7、所述阿尔兹海默症进程识别模型包括特征编码器和分类器，特征编码器采用结合注意力机制的卷积神经网络提取待识别图像的特征，分类器基于提取的特征进行分类，识别进程。
8、优选的，所述对脑部影像数据进行预处理，包括：
<
p>9、对脑部影像数据进行头动校正、非均匀性强度校正、talairach空间变换、标准化和头骨剥离；10、使用spm12软件将所有数据重新对齐到mni空间。
11、优选的，所述利用目标域图像与源域图像训练阿尔兹海默症进程识别模型，包括：
12、将源域图像输入到特征编码器，获得源域图像特征；
13、将目标域图像输入到特征编码器，获得目标域图像特征；
14、利用源域图像特征与目标域图像特征进行对抗学习，使特征编码器学习到具有领域不变性质的特征；
15、利用来自分类器的权重信息对源域图像特征进行加权以强化源域特征的表达，将强化后的源域特征与目标域特征进行对齐，提高分类器对病理细节的感知能力。
16、优选的，所述特征编码器包括三个改进残差块和一个全局平均池化层，每个改进残差块均对输入的待识别图像进行特征编码，三个改进残差块的输出一起输入全局平均池化层，全局平均池化层的输出作为提取的特征；每个改进残差块包括依次连接的第一3×3×3卷积层、第二3×3×3卷积层、第一坐标注意力层、第三3×3×3卷积层、第四3×3×3卷积层和第二坐标注意力层。
17、优选的，所述特征编码器提取待识别图像的特征，待识别图像在进入特征编码器之前先依次经过一个7×7×7卷积层和一个3×3×3最大池化层。
18、优选的，所述利用源域图像特征与目标域图像特征进行对抗学习，包括以下步骤：
19、使用一个分类器构建领域判别器，将源域图像特征与目标域图像特征作为两个类别输入到领域判别器中；
20、提出一个领域损失函数，表示为：
21、
22、其中，i表示数据序号，n表示数据数量；yid表示数据xi的领域标签，yi＝1表示数据xi来自于源域，yi＝0表示数据xi来自于目标域；f表示特征编码器，cd表示领域判别器；
23、通过最大化领域损失函数使领域判别器无法判断数据来自源域还是目标域，从而缩小源域特征和目标域特征之间的差距，使得特征编码器学习到具有领域不变性质的特征。
24、优选的，所述利用来自分类器的权重信息对源域图像特征进行加权以强化源域特征的表达，包括以下步骤：
25、利用滤波器大小为(h,w,1)、(1,w,d)和(h,1,d)的三种池化层分别对源域特征的每个通道进行池化操作，得到能够感知方向的特征映射，其中，h、w和d分别为源域特征的高度、宽度和深度；
26、得到的特征映射在同一空间维度进行拼接，依次输入一个1×1×1卷积层、bn归一化和relu激活函数之后分割为三个向量，在经过1×1×1卷积层和sigmoid函数后得到注意力权重；
27、利用注意力权重对源域特征进行加权。
28、优选的，所述将强化后的源域特征与目标域特征进行对齐，具体为：利用注意力一致损失约束源域图像的注意力图与目标域图像的注意力图，使得到的注意力图一致；所述注意力图为特征编码器提取特征过程中，坐标注意力层所生成的；
29、所述注意力一致损失表示为：
30、
31、其中，x和x′分别表示源域特征和目标域特征，al和al′分别表示对应x和x′的注意力图，表示从源域图像到目标域图像所经历的空间形变；l表示改进残差块的序号，l表示改进残差块的总数量。
32、优选的，所述利用训练好的阿尔兹海默症进程识别模型实现阿尔兹海默症进程识别，包括以下步骤：
33、对脑部影像数据进行预处理，获得预处理图像作为待识别图像；
34、将待识别图像输入训练好的阿尔兹海默症进程识别模型，特征编码器提取待识别图像的特征，分类器基于提取的特征进行分类，识别当前病程类别。
35、本专利技术还提供一种基于领域适应的阿尔兹海默症进程识别系统，包括：
36、源域图像获取模块，对脑部影像数据进行预处理，得到源域图像；
37、目标域图像获取模块，对源域图像进行数据增强处理，获得增强后的源域图像作为目标域图像；
38、模型训练模块，利用目标域图像与源域图像训练阿尔兹海默症进程识别模型；
39、模型应用模块，利用训练好的阿尔兹海默症进程识别模型实现阿尔兹海默症进程识别；
40、所述阿尔兹海默症进程识别模型包括特征编码器和分类器，特征编码器采用结合注意力机制的卷积神经网络提取待识别图像的特征，分类器基于提取的特征进行分类，识别进程。
41、本专利技术具有如下有益效果：
42、(1)本专利技术基于领域适应的阿尔兹海默症进程识别方法能作为辅助阿尔兹海默症疾病预测的重要指标，提高医生对病情的把控从而及早地制定诊断方案；与此同时能够保证稳定的性能；
43、(2)本专利技术通过对脑部影像数据进行数据预处理，能有效地标准化脑部影像数据；使用数据增强的方法对图像数据进行处理，这有助于解决数据稀缺或不平衡的问题，模拟了临床诊断中不同医院采集的病人数据；
44、(3)本专利技术通过提出一个领域损失函数约束模型的学习和对齐源域与目标域特征的特征表达，使模型学习到具有领域不变性质的特征，缓解了不同站点的数据的差异对模型识别性能的影响。
45、以下结合附图及实施例对本专利技术作进一步详细说明，但本专利技术不局限于实施例。
本文档来自技高网...
【技术保护点】
1.一种基于领域适应的阿尔兹海默症进程识别方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的所述基于领域适应的阿尔兹海默症进程识别方法，其特征在于，所述对脑部影像数据进行预处理，包括：
3.根据权利要求1所述的所述基于领域适应的阿尔兹海默症进程识别方法，其特征在于，所述利用目标域图像与源域图像训练阿尔兹海默症进程识别模型，包括：
4.根据权利要求3所述的所述基于领域适应的阿尔兹海默症进程识别方法，其特征在于，所述特征编码器包括三个改进残差块和一个全局平均池化层，每个改进残差块均对输入的待识别图像进行特征编码，三个改进残差块的输出一起输入全局平均池化层，全局平均池化层的输出作为提取的特征；每个改进残差块包括依次连接的第一3×3×3卷积层、第二3×3×3卷积层、第一坐标注意力层、第三3×3×3卷积层、第四3×3×3卷积层和第二坐标注意力层。
5.根据权利要求4所述的所述基于领域适应的阿尔兹海默症进程识别方法，其特征在于，所述特征编码器提取待识别图像的特征，待识别图像在进入特征编码器之前先依次经过一个7×7×7卷积层和一个3×3×3最大池化层。
6.根据权利要求1所述的所述基于领域适应的阿尔兹海默症进程识别方法，其特征在于，所述利用源域图像特征与目标域图像特征进行对抗学习，包括以下步骤：
7.根据权利要求3所述的所述基于领域适应的阿尔兹海默症进程识别方法，其特征在于，所述利用来自分类器的权重信息对源域图像特征进行加权以强化源域特征的表达，包括以下步骤：
8.根据权利要求4所述的所述基于领域适应的阿尔兹海默症进程识别方法，其特征在于，所述将强化后的源域特征与目标域特征进行对齐，具体为：利用注意力一致损失约束源域图像的注意力图与目标域图像的注意力图，使得到的注意力图一致；所述注意力图为特征编码器提取特征过程中，坐标注意力层所生成的；
9.根据权利要求1所述的所述基于领域适应的阿尔兹海默症进程识别方法，其特征在于，所述利用训练好的阿尔兹海默症进程识别模型实现阿尔兹海默症进程识别，包括以下步骤：
10.一种基于领域适应的阿尔兹海默症进程识别系统，其特征在于，包括：
...
【技术特征摘要】
1.一种基于领域适应的阿尔兹海默症进程识别方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的所述基于领域适应的阿尔兹海默症进程识别方法，其特征在于，所述对脑部影像数据进行预处理，包括：
3.根据权利要求1所述的所述基于领域适应的阿尔兹海默症进程识别方法，其特征在于，所述利用目标域图像与源域图像训练阿尔兹海默症进程识别模型，包括：
4.根据权利要求3所述的所述基于领域适应的阿尔兹海默症进程识别方法，其特征在于，所述特征编码器包括三个改进残差块和一个全局平均池化层，每个改进残差块均对输入的待识别图像进行特征编码，三个改进残差块的输出一起输入全局平均池化层，全局平均池化层的输出作为提取的特征；每个改进残差块包括依次连接的第一3×3×3卷积层、第二3×3×3卷积层、第一坐标注意力层、第三3×3×3卷积层、第四3×3×3卷积层和第二坐标注意力层。
5.根据权利要求4所述的所述基于领域适应的阿尔兹海默症进程识别方法，其特征在于，所述特征编码器提取待识别图像的特征，待识别图像在进入特征编码器之...
【专利技术属性】
技术研发人员：洪欣，汪闹，罗远森，
申请(专利权)人：华侨大学，
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。