基于迁移学习的阿尔兹海默病智能决策支持方法及系统技术方案

本发明专利技术提出一种基于迁移学习的阿尔兹海默病智能决策支持方法和系统，包括通过拍照设备设备，采集患者眼底图像数据，同时利用辅助设备采集患者辅助生理数据，并进行补齐、归一化、滤波等预处理；对图片数据提取图像特征，对辅助序列数据，提取特征，并对不同传感器特征数据进行归一化与拼接；在传播方案获取与标签传播阶段，通过广义条件梯度下降算法对针对融合距离的目标函数进行优化，通过IBP算法获取梯度方向，通过线搜索获取步长，依次迭代直至收敛，根据获取的传播方案，将源域中已有的标定通过传播方案扩散至目标域未标定样本。从而获得更准确的目标域数据标定。获得更准确的目标域数据标定。获得更准确的目标域数据标定。

【技术实现步骤摘要】
基于迁移学习的阿尔兹海默病智能决策支持方法及系统


[0001]本专利技术涉及迁移学习和图像分析
，特别涉及一种基于迁移学习的阿尔兹海默病智能决策支持方法及系统。

技术介绍

[0002]阿尔兹海默病(AD)是一种起病隐匿的进行性发展的神经系统退行性疾病。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。它是老年期最为常见的一种痴呆类型，也是老年期最常见的慢性疾病。2016年一份调查显示，全球共有约4000万人患有阿尔兹海默病，而这个数字预计每20年增长一般。阿尔兹海默病患者认知功能减退，严重影响患者的正常工作和生活，多数患者病程约5
‑
10年，少数患者可生存超过10年。年龄越大，患阿尔兹海默病的可能性越大。随着时代的发展，人口老龄化日益严重，阿尔兹海默病严重影响着患者的日常生活。因此，阿尔兹海默病成为基础科学和临床科学的焦点。实时、准确的进行阿尔兹海默病诊断是目前社会发展所面临的重要挑战。
[0003]近年来，随着生物医学的发展，研究人员发现视网膜成像图可能和阿尔兹海默病存在一定的关联。生物医学和制药科学教授Peter Snyder解释说，视网膜神经元中的细胞与受疾病侵袭的大脑中细胞的类型相同，因此视网膜中的细胞变化可能反映出大脑中发生的相同变化。我们可以很轻松地在视网膜上看到这种疾病。杜克大学视网膜相关的研究表明，阿尔兹海默患者的视网膜变化，可以发现统计学意义上的显著差异，这意味着，在阿尔兹海默病患者明显症状出现的极早期，通过简单的眼部检查就可以诊断疾病。明尼苏达大学研究人员采用视网膜高光谱成像技术(retinal hyperspectral imaging，rHSI)发现了一种阿尔兹海默病相关视网膜病变的生物标志物，并可通过非侵入性的、廉价的方法进行检测，有希望应用于阿尔兹海默病早期检测和病情进展的监测。这些研究，无不表明，通过眼底成像图片可能可以较早地检测出阿尔兹海默病情况。此外，随着机器学习和相关硬件设备的发展，医学诊疗与监护有了新的途径，通过摄像机、可穿戴设备、脑电仪等感知设备，获得患者相关身体数据，利用机器学习模型，辅助医生进行疾病诊断与治疗，甚至对患者日常进行监护，成为可能。
[0004]传统的阿尔兹海默疾病诊断通常完全依赖于专业医生进行。而由于相关专业医生的缺乏以及阿尔兹海默病自身发展缓慢等原因，患者进行相关疾病的诊断以及治疗往往需要昂贵的时间成本和经济成本，且通常容易错过早期干预的宝贵时段。因此，如何利用发展机器学习，帮助患者以较低成本，较早的发现患病的可能或者患病的严重程度，是阿尔兹海默病研究中一个亟待解决的问题。
[0005]针对上述问题，很多学者和研究人员进行了相关研究。专利CN201811089058.2公开了一种利用卷积神经网络的医学图像处理装置与方法，使用核磁共振成像的图像数据，利用深度学习的卷积神经网络的监督学习，通过数据增强技术和迁移技术达到正常老年组、遗忘型轻度认知损害和阿尔兹海默病的三分类的区分识别；专利CN201910836855.0公
开了一种基于数据空间变换的阿尔兹海默症检测方法，对采集的fMRI数据进行建模并提取特征，再对特征进行选择、空间变换，利用交叉验证训练机器学习分类模型，调整参数，得到最优的计算机辅助诊断，该专利解决了不同数据集分布不一致的问题，增加了疾病诊断的可用训练样本，缓解了样本量不足而导致辅助诊断模型准确度低以及泛化能力不足的情况，从而提升了基于fMRI数据的AD辅助诊断的准确度；专利CN202010328969.7公开了一种基于步态信息的轻度认知障碍识别方法，采集受试者的单任务步态数据和对偶任务步态数据，并对数据进行预处理，通过预设的算法，得到预处理后数据的差别特征，将差别特征输入预先训练的机器学习模型，得到受试者的轻度认知障碍识别结果。
[0006]虽然多种机器学习方法已经成功应用于阿尔兹海默病辅助诊断领域，但是他们在通用性、针对性以及适用性方面尚存在一些不足：
[0007]1)现有的方法大多数是仅通过单通道数据如传感器数据，对阿尔兹海默病，进行辅助诊断，由于未利用多通道数据对阿尔兹海默病进行诊断，其往往准确度低、泛化能力差。
[0008]2)现有的方法多数未考虑不同患者的差别，未考虑对不同源知识进行精确地迁移，其往往准度低、泛化能力差。
[0009]因此，急需设计一种利用眼底数据为主多传感器数据为辅、针对阿尔兹海默病辅助诊断的、鲁棒的迁移方法，使得阿尔兹海默病辅助诊断模型能够较为准确的判断患者的患病可能以及患病程度，从而推动机器学习与医学这个交叉领域的发展。

技术实现思路

[0010]针对上述现有技术阿尔兹海默病辅助诊断系统中准确度低、泛化能力差的问题，本专利技术提出一种基于迁移学习的阿尔兹海默病智能决策支持方法，其中包括：
[0011]步骤1、集合无标签的该眼底图像数据和辅助生理数据作为目标域数据，对该目标域数据依次进行预处理、特征提取和特征拼接，得到该目标域数据的整体特征；
[0012]步骤2、集合已标记阿尔兹海默病标签的眼底图像数据和辅助生理数据作为源域数据，以广义条件梯度下降算法求解融合距离的目标函数，通过Iterative Bregman Projections算法获取条件梯度下降方向，通过线搜索获取步长依次迭代直至收敛，得到该源域数据到该目标域数据的传播方案；
[0013]步骤3、根据该传播方案进行从该源域数据到该目标域数据的标签传播，得到该整体特征的阿尔兹海默病标签。
[0014]所述的基于迁移学习的阿尔兹海默病智能决策支持方法，其中步骤2中具体包括：
[0015]步骤S1、初始化传播方案其中n
s
表示该源域数据的样本数量，n
T
表示该目标域数据的样本数量，表示长度为n
S
的全1列向量，表示长度为n
T
的全1列向量的转置；
[0016]步骤S2、计算条件梯度算法的梯度下降方向：
[0017]则梯度方向可以通过使用Iterative Bregman Projections算法优化以下目标函数获得：
[0018][0019]T
*
＝argmin
T∈B
<G，T>
F
+γ
·
H(T)
[0020]B表示优化目标限制条件的可行解集合，C1分别C2为第一和第二个限制条件的可行解集合，表示n
S
×
n
T
维度的实数空间；
[0021]μ表示源域的样本权重向量为列向量，v为目标域的样本权重向量为列向量，f(T)是关于T的可微函数，α是超参数用于权衡一阶和二阶匹配，C表示代价函数，η1是超参数，权衡组正则项的重要性，也就是Ω(T)，h1、h2、g都是定义的函数，C1是源域内部点之间的代价函数；
[0022]C2是目标域内部点之间的代价函数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于迁移学习的阿尔兹海默病智能决策支持方法，其特征在于，包括：步骤1、集合无标签的该眼底图像数据和辅助生理数据作为目标域数据，对该目标域数据依次进行预处理、特征提取和特征拼接，得到该目标域数据的整体特征；步骤2、集合已标记阿尔兹海默病标签的眼底图像数据和辅助生理数据作为源域数据，以广义条件梯度下降算法求解融合距离的目标函数，通过IBP算法获取条件梯度下降方向，通过线搜索获取步长依次迭代直至收敛，得到该源域数据到该目标域数据的传播方案；步骤3、根据该传播方案进行从该源域数据到该目标域数据的标签传播，得到该整体特征的阿尔兹海默病标签。2.如权利要求1所述的基于迁移学习的阿尔兹海默病智能决策支持方法，其特征在于，步骤2中具体包括：步骤S1、初始化传播方案k＝0，其中n
s
表示该源域数据的样本数量，n
T
表示该目标域数据的样本数量，表示长度为n
s
的全1列向量，表示长度为n
T
的全1列向量的转置；步骤S2、计算条件梯度算法的梯度下降方向：B＝C1∩C2，，f(T)＝(1
‑
α)<C，T>
F
+η1·
Ω(T)
‑
α*h1(C1)Th2(C2)
T
.g(T)＝γ
·
H(T)，h1(C1)＝C1，h(C2)＝2C2，则梯度方向可以通过使用Iterative Bregman Projections算法优化以下目标函数获得：T
*
＝argmin
T∈B
<G，T>
F
+γ
·
H(T)B表示优化目标限制条件的可行解集合，C1分别C2为第一和第二个限制条件的可行解集合，表示n
S
×
n
T
维度的实数空间；μ表示源域的样本权重向量为列向量，v为目标域的样本权重向量为列向量，f(T)是关于T的可微函数，α是超参数用于权衡一阶和二阶匹配，C表示代价函数，η1是超参数，权衡组正则项的重要性，也就是Ω(T)，h1、h2、g都是定义的函数，C1是源域内部点之间的代价函数；C2是目标域内部点之间的代价函数，γ是超参数用来权衡熵正则项H(T)的重要性，T
k
表示第k次迭代对应的传输方案，表示f在T
k
处微分的集合函数，G是函数，代表的元素，T
*
是本轮迭代中的对应的最优传输方案；从而可以计算得到条件梯度方向为ΔT＝T
*
‑
T
k
步骤S3、获得条件梯度下降方向之后，通过线搜索优化以下目标函数获得最优步长：α
k
＝argmin
0≤α≤1
f(T
k
+αΔT)+g(T
k
+αΔT)步骤S4、更新传播方案对应的参数k和T
k+1
T
k+1
＝T
k
+a
k
·
ΔTk
←
k+1
步骤S5、重复步骤S2
‑
S4直至收敛或者达到最大迭代次数，保存当前T
k+1
作为该目标域数据的传播方案。3.如权利要求1所述的基于迁移学习的阿尔兹海默病智能决策支持方法，其特征在于，该步骤1包括：通过拍照成像设备获得该目标域数据中眼底图像数据；通过智能穿戴设备和脑电仪设备检测获得该目标域数据中辅助生理数据；对该目标域数据中辅助生理数据，利用滑动窗口截取的样本数据，对每一个窗口数据进行预处理，包括数据滤波，得到第一中间数据；对该第一中间数据进行特征提取后进行特征层次的归一化等预处理，得到第二中间数据；对该目标域数据中眼底图像数据进行统一大小预处理后，进行特征提取并对特征进行样本层次的归一化等预处理，得到第三中间数据将该第二中间数据和该第三中间数据拼接作为样本的该整体特征。4.如权利要求3所述的基于迁移学习的阿尔兹海默病智能决策支持方法，其特征在于，该智能穿戴设备包括智能手环、智能鞋采集，该目标域数据中辅助生理数据包括加速度和压力序列数据。5.一种基于迁移学习的阿尔兹海默...

【专利技术属性】
技术研发人员：陈益强，卢旺，于汉超，秦欣，杨晓东，张迎伟，
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：