基于多尺度多注意力实例学习的sMRI图像分类方法技术

本发明专利技术公开了基于多尺度多注意力实例学习的sMRI图像分类方法，首先获取数据集，构建多尺度多注意力实例学习模型，通过空间金字塔池化模块将不同大小脑区转化为相同尺度；通过patch

【技术实现步骤摘要】
基于多尺度多注意力实例学习的sMRI图像分类方法


[0001]本专利技术涉及计算机视觉，深度学习中医学图像区域分割，医学影像预测等领域，具体涉及基于多尺度多注意力实例学习的sMRI图像分类方法。

技术介绍

[0002]阿尔茨海默病(AD)是最普遍的神经系统疾病之一，其发病率显著增长。AD的进展逐渐导致记忆衰退和认知功能损害，最终导致不可逆的神经元损伤。虽然目前还没有有效的治疗方法来预防AD的进展，但AD的早期诊断对后续治疗延迟认知症状的发生仍然很重要。特别是考虑到萎缩过程甚至早于遗忘症状的出现，许多基于机器学习方法的研究被开发出来，以识别阿尔茨海默病(AD)患者与正常对照组(NC)的解剖学差异，并利用结构磁共振成像(sMRI)预测轻度认知障碍(MCI)的进展，而结构磁共振成像对脑萎缩引起的形态学变化较为敏感。
[0003]传统的基于sMRI的AD诊断方法通常将整个MR图像划分为多个不同尺度的区域，以便更好地提取脑局部异常结构改变的特征。基于不同尺度的划分，现有的基于sMRI的研究大致可以分为3类:1)体素级,2)区域级和3)贴块级。在体本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于多尺度多注意力实例学习的sMRI图像分类方法，其特征在于，包括如下步骤：步骤(1)、数据集获取；下载ADNI数据库的sMRI数据，使用现有的分割模型将图像分割成脑区区域图像形成数据集；步骤(2)、构建多尺度多注意力实例学习模型；所述的多尺度多注意力实例学习模型包括空间金字塔池化模块、patch
‑
net处理模块、注意力多实例学习模块和分类器；步骤(3)、通过空间金字塔池化模块将不同大小脑区转化为相同尺度；步骤(4)、通过patch
‑
net处理模块获取相应的局部特征增强；步骤(5)、通过注意力多实例学习模块来增强全局特征；步骤(6)、通过分类器得到分类结果；步骤(7)、训练多尺度多注意力实例学习模型。2.根据权利要求1所述的基于多尺度多注意力实例学习的sMRI图像分类方法，其特征在于，步骤(3)具体方法如下:所述的空间金字塔池化模块包括五个卷积核相同的卷积层和一个3D的空间金字塔池化层；输入的数据首先依次通过五个卷积核相同的卷积层进行特征提取，将提取特征后的图像输入3D的空间金字塔池化层进行特征尺寸的整合，统一为相同尺寸的patch块作为该模块的输出，输出为patch
‑
level级的特征map。3.根据权利要求2所述的基于多尺度多注意力实例学习的sMRI图像分类方法，其特征在于，步骤(4)具体方法如下：所述的patch
‑
net处理模块包括一个全局最大池化模块和一个空间注意力模块；将空间金字塔池化模块输出的相同尺寸的patch块作为patch
‑
net处理模块的输入，patch块通过全局最大池化模块相应的最大池化层与卷积层加强特征信息，输出自注意力所需的初始的特征map；引入注意力机制，通过全局平均池化以及全连接层将每个特征平展开，并通过sigmoid层得到相应的影响分数；在空间注意力模块中，使用最大池化和平均池化获取不同影响程度的加强特征，并与之前通过卷积层输出的特征map进...

【专利技术属性】
技术研发人员：颜成钢，张帅杰，王帅，何敏，高宇涵，孙垚棋，朱尊杰，王鸿奎，王廷宇，殷海兵，张继勇，李宗鹏，赵治栋，
申请(专利权)人：杭州电子科技大学丽水研究院，
类型：发明
国别省市：