【技术实现步骤摘要】
一种深度可解释的多模态判别表示方法
[0001]本专利技术给出一种深度可解释的多模态判别表示方法,涉及到计算机辅助诊断领域,主要 应用于确定阿尔茨海默症的患病阶段,对疾病预防、精准治疗方面方面具有重要作用。
技术介绍
[0002]阿尔茨海默病是一种进行性神经退行性疾病,高发于老年群体,其患者表现为运动障碍、 记忆衰退、语言障碍等。由于阿尔茨海默症具有不可逆性,我们只能在疾病的早期进行干预, 通过治疗缓解疾病的进程。轻度认知损害是阿尔茨海默病的前驱期,其患者表现为认知能力 下降。在早期诊断技术中,神经影像学被广泛应用,它可以反映患者中大脑结构的结构或功 能损伤,我们可以通过大脑的病变情况来将患者与正常人区分开来。
[0003]近年来,机器学习方法在阿尔茨海默症的早期诊断中受到越来越多的关注。早期的研究 集中于单一模式的建模,如磁共振成像或正电子发射断层扫描。然而,单一模态不足以揭示 大脑复杂的结构和功能变化,而多模态数据可以从不同角度补充更多潜在的补充信息。由于 神经图像中的高维非线性特性,浅层模型无法很好地利用不同模式之间的层次和结构相关信 息。深度学习表示通过分离输入中的复杂模式,可以比浅层结构更有效地进行分类,并且它 在推断和建模大脑网络的层次结构方面具有优势。然而,现有的基于深度学习的早期诊断方 法中,都忽略了嵌入在多模态数据中的结构信息。结构信息可以作为一种重要的先验知识, 通过合理利用样本之间的差异和共性来选择更具辨别力的特征。此外,诊断模型的可解释性 一直是医学领域关注的问题。在神经网络中,由于激 ...
【技术保护点】
【技术特征摘要】
1.一种深度可解释的多模态判别表示方法,其主要特征包括如下步骤:(1)对多模态数据进行预处理,并初始化深度网络参数。(2)各异构的模态数据X
i
通过对应的多层感知器重构成层次表示f
i
(X
i
)。(3)利用带有对角块约束的判别自表示学习对重构的多模态数据进行模态内和模态间样本对齐,计算判别自表示损失。(4)通过广义典型相关分析,将对齐后的多模态数据施加相关系数最大化约束,将多模态数据映射到公共空间中,计算广义典型相关分析损失。(5)将判别自表示损失和广义典型相关分析损失作为多模态判别表示模块总损失,使用梯度随机下降方法优化模型参数。(6)使用支持向量机来对训练得到的公共子空间进行分类。(7)利用知识蒸馏,使用线性映射模型学习各模态在公共空间中的协同表示,将线性表示和协同表示的均方误差作为多模态可解释模块损失函数。(8)同样使用梯度随机下降方法优化模型参数,压缩多层感知机的复杂权重以用于分析敏感特征。2.根据权利要求1所述的深度可解释的多模态判别表示方法,其特征在于:(1)步骤3中本发明使用自表示学习并实施对角块约束,实现模态内和模态间的样本对齐,其具体方法:由于模态内部的自表示特性以及模态之间样本表示的相似性,我们引入了共享稀疏自表示系数Z∈R
s
×
s
在我们的融合模型中,实现了初步的样本对齐。自表示特性的含义是在同一子空间中数据点可以表示为其他点的线性组合。基于这一性质,提出公式:Zf
i
(X
i
)=f
i
(X
i
) s.t.diag(Z)=0其中Z可以反映样本之间的相似性。此外,为了避免平凡解Z=1,我们设置约束diag(Z)=0。当多模态数据是按类别顺序输入到模型中时,共享的自表示系数中会出现一个对角块结构,其中一个对角块对应一个类别。针对这种现象,我们将监督信息嵌入到共享的自表示系数上,对其施加对角块约束,只有相同类别的样本之间才能相互表示,以进一步加强模态内和模态间样本对齐。我们将类外矩阵定义为:共享稀疏自表示及其对角块约束共同构成自表示层的损失函数:其中表示矩阵Frobenius范数,
⊙
表示点乘,具体来说,第一项保持Z的稀疏性,第二项引导Z具有共享的自表示能力。最后,第三项通过最小化块外自表示系数使...
【专利技术属性】
技术研发人员:朱旗,徐冰靓,张道强,周宇泽,
申请(专利权)人:南京航空航天大学,
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。