【技术实现步骤摘要】
基于双重迁移的认知障碍辅助决策支持方法和系统
本专利技术涉及迁移学习及眼底图像分类等
，具体涉及一种基于双重迁移的认知障碍辅助决策支持方法和系统。
技术介绍
阿尔兹海默症是一种典型的认知障碍疾病，其主要临床症状为记忆障碍、失语、失用、失认、视空间技能损害、执行功能障碍等认知功能衰退。阿尔兹海默的具体发病原因尚不明确，一旦大脑出现损坏将是不可逆转的损害，因此，及早发现该疾病并进行早期干预是非常重要的。传统的检测方法通常包括脑部扫描、脊椎穿刺等昂贵或具有危险性的方法。近年来，越来越多的医学研究表明，视网膜血管密度的变化有可能反映大脑微小血管的变化，这些变化可能出现在发现认知能力变化之前，因此，通过眼底图片可以以无创的方式进行脑部认知状态判断，减小检测时的代价与危险。通过眼底图片分析眼底血管变化预测脑部认知状态变化，对于阿尔兹海默症进行辅助诊断，提前预警来预防和减缓发病时间，其研究是具有重要意义的。随着机器学习理论与图像识别技术的发展，基于人体的眼底图片，训练机器学习模型可以通过分析眼底状态与脑部认知状态的关联关系并...
【技术保护点】
1.一种基于双重迁移的认知障碍辅助决策支持方法，其特征在于，包括：/n步骤1、获取已标记标签的该脑部血管造影图片作为源域数据，并获取眼底图片作为目标域数据，从该目标域数据中采样有标签且分布均衡的图片数据作为元数据；/n步骤2、初始化分类网络、元权重网络和训练迭代次数；/n步骤3、分类网络对源域数据与目标域数据进行特征提取，并对提取到的源域和目标域的特征进行基于分布度量的适配，得到源域与目标域间的适配损失；/n步骤4、根据分类网络在源域数据上的分类结果，得到源域分类损失，将该源域分类损失输入元权重网络，得到该源域分类损失的损失权重，该损失权重和该源域分类损失相乘得到加权分类损...
【技术特征摘要】 【专利技术属性】
1.一种基于双重迁移的认知障碍辅助决策支持方法，其特征在于，包括：
步骤1、获取已标记标签的该脑部血管造影图片作为源域数据，并获取眼底图片作为目标域数据，从该目标域数据中采样有标签且分布均衡的图片数据作为元数据；
步骤2、初始化分类网络、元权重网络和训练迭代次数；
步骤3、分类网络对源域数据与目标域数据进行特征提取，并对提取到的源域和目标域的特征进行基于分布度量的适配，得到源域与目标域间的适配损失；
步骤4、根据分类网络在源域数据上的分类结果，得到源域分类损失，将该源域分类损失输入元权重网络，得到该源域分类损失的损失权重，该损失权重和该源域分类损失相乘得到加权分类损失，结合该加权分类损失与该适配损失，根据损失梯度下降方向计算分类网络权重；
步骤5、将该元数据输入至该分类网络，得到元损失，根据元损失梯度下降方向更新元权重网络；
步骤6、根据更新后的元权重网络，更新分类网络，训练迭代次数加1；
步骤7、判断该迭代次数是否达到预设值，若是则保存当前分类网络作为认知障碍辅助模型，否则继续执行该步骤3到步骤6；
步骤8、将待决策支持的眼底图片输入该知障碍辅助模型，得到识别结果。
输出识别结果，根据结果进行认知障碍预警。
2.如权利要求1所述的基于双重迁移的认知障碍辅助决策支持方法，其特征在于，对于每一次训练迭代，从源域数据中采样n组样本与标签作为一个小批量，n为正整数。
3.如权利要求1所述的基于双重迁移的认知障碍辅助决策支持方法，其特征在于，该步骤3包括：对提取到的源域和目标域的特征进行基于融合多种分布度量方式的适配。
4.如权利要求3所述的基于双重迁移的认知障碍辅助决策支持方法，其特征在于，该多种分布度量方式包括MMD和CORAL；
对于最大均值差异的损失LMMD通过如下方式计算：
其中，ψ(·)为将数据映射到再生希尔伯特空间的特征映射函数，为再生希尔伯特空间平方范数，Hk为由显著核k定义的再生希尔伯特空间，E[·]表示嵌入样本的均值，xs为源域数据，xt为目标域数据，P和Q分别表示源域与目标域的概率分布；
关联对齐方法的损失LCORAL通过如下方式计算：
其中，Cs和Ct分别为源域与目标域特征的协方差矩阵，为弗罗贝尼乌斯范数的平方，d为特征的维度；
将上述两种分布度量方法相结合，对源域与目标域的特征进行适配，得到的适配损失为：
Ladapt＝LMMD+μLCORAL,
其中，μ为用来调整两种损失的重要程度的权衡参数。
5.如权利要求1所述的基于双重迁移的认知障碍辅助决策支持方法，其特征在于，该元权重网络基于多层感知机，该元权重网络输出源域样本损失权重，用以对样本损失加权，增强与目标域分布相似度大的源域样本知识。
技术研发人员：陈益强，秦欣，谷洋，卢旺，
申请(专利权)人：中国科学院计算技术研究所，
类型：发明
国别省市：北京;11
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。