【技术实现步骤摘要】
本专利技术涉及计算机医学图像分析，尤其涉及一种重参数化与立体编码的脑疾病分类方法及系统。
技术介绍
1、大脑是我们身体的控制中心。随着相关脑部检测技术的不断发展，越来越多的脑疾病被人们所探明。脑疾病可以对个人身体和认知功能产生广泛的危害，例如阿尔兹海默症(ad)作为一种慢性神经退行性疾病，随着时间的进展，病情会逐渐恶化，最终导致患者昏迷，死于感染等并发症；自闭症谱系障碍(asd)导致患者突然变得孤僻、激进或丧失他们已经掌握的语言技能，产生社交互动和沟通技巧问题，出现有限重复的行为、兴趣或活动模式；帕金森症(pd)导致患者产生动作迟缓、肌强直、静止性震颤、姿势平衡障碍等运动症状，以及出现嗅觉减退、便秘、睡眠障碍、抑郁等非运动症状。
2、凭借结构磁共振成像(smri)，本专利技术能够对ad、asd与pd等脑疾病作出疾病发展阶段上的精确分类。smri具有无创、非侵入性与图像信息丰富等特点，已经成为脑疾病前驱阶段分析的关键成像生物标志物。以ad辅助诊断任务为例，利用smri等神经影像数据的特征，来区分正常被试(nc)、轻度认知障碍(mci)和ad已经成为热点话题，其中mci是介于正常对照(nc)与ad之间的一种中间状态，可分为早期mci(emci)与晚期mci(lmci)。
3、卷积神经网络(cnn)是应用最多的深度学习技术，已有许多凭借smri图像、利用cnn进行ad辅助诊断任务的研究。然而，这些模型往往只使用cnn，只关注局部特征，难以处理全局特征。cnn网络往往需要堆叠多层cnn才能学习到一定的全局特征，才
4、因此，提出一种重参数化与立体编码的脑疾病分类方法及系统，来解决现有技术存在的困难，是本领域技术人员亟需解决的问题。
技术实现思路
1、有鉴于此，本专利技术提供了一种重参数化与立体编码的脑疾病分类方法及系统，利用repbotnet网络模型，提取更加丰富有效的特征，在进行全脑结构的分析时，有效提高疾病分类的准确性。
2、为了实现上述目的，本专利技术采用如下技术方案：
3、一种重参数化与立体编码的脑疾病分类方法，包括以下步骤：
4、s1.获取数据步骤：从阿尔兹海默症神经成像计划数据集adni中获取脑疾病的核磁共振数据；
5、s2.数据处理步骤：对核磁共振数据进行预处理，并将预处理后的核磁共振数据划分成训练集数据、验证集数据和测试集数据；
6、s3.建立repbotnet网络模型：构建包含六个模块的botnet-s1网络模型，将botnet-s1网络模型中的3×3cnn部分替换为结构重参数化的rep3×3cnn，得到包含六个模块的repbotnet网络模型；
7、s4.建立repbotnet-cesa网络模型：将建立的repbotnet网络模型的第六个模块中的原始多头自注意力机制替换为立体编码多头自注意力机制，得到repbotnet-cesa网络模型；
8、s5.模型训练步骤：将训练集数据输入repbotnet-cesa网络模型中进行迭代，每次迭代后根据验证集数据计算repbotnet-cesa网络模型分类的准确率，并保留到当前迭代为止验证集数据准确率最高的模型参数，当达到最大迭代次数后输出该模型参数，得到最优repbotnet-cesa网络模型；
9、s6.分类步骤：将待分类的测试集数据输入得到的最优repbotnet-cesa网络模型中，得到对应的分类结果。
10、上述的方法，可选的，s1中阿尔兹海默症神经成像计划数据集adni包括早期emci数据与晚期lmci数据。
11、上述的方法，可选的，s3中建立repbotnet网络模型的具体内容为：将botnet-s1网络模型中的单分支3×3cnn部分替换为多分支rep3×3cnn；
12、通过rep3×3cnn中并行的3×3cnn、1×1cnn与identity分支，将信息流建模为：
13、y＝x+g(x)+f(x)
14、g(x)＝w1×1x+b1×1
15、f(x)＝w3×3x+b3×3
16、其中，y代表该层输出特征，x代表该层输入特征，g(x)代表由1×1cnn分支学习的特征，w1×1、b1×1分别代表cnn正向传播过程中学习到的自适应权重、偏置，f(x)代表由3×3cnn分支学习的特征，w3×3、b3×3分别代表cnn正向传播过程中学习到的自适应权重、偏置。
17、上述的方法，可选的，s4中建立repbotnet-cesa网络模型的具体内容为：将repbotnet的第六个模块中的初始多头自注意力机制替换为立体编码多头自注意力机制，使得自注意力机制的位置编码阶段额外引入通道维度上的位置信息：
18、pe(x)＝rcxc+rhxh+rwxw
19、其中，pe代表特征编码，x代表输入特征，xc、xh、xw分别代表输入特征x在通道channel、高height、宽width维度上的特征，rc、rh、rw分别代表通道、高、宽维度上的自适应位置编码权重。
20、一种重参数化与立体编码的脑疾病分类系统，应用上述任一项的一种重参数化与立体编码的脑疾病分类方法，包括：获取数据模块、数据处理模块、建立repbotnet网络模型模块、建立repbotnet-cesa网络模型模块、模型训练模块、分类模块；
21、获取数据模块，与数据处理模块的输入端连接，用于从阿尔兹海默症神经成像计划数据集adni中获取脑疾病的核磁共振数据；
22、数据处理模块，与建立repbotnet网络模型模块的输入端连接，用于对核磁共振数据进行预处理，并将预处理后的核磁共振数据划分成训练集数据、验证集数据和测试集数据；
23、建立repbotnet网络模型模块，与建立repbotnet-cesa网络模型模块的输入端连接，用于构建包含六个模块的botnet-s1网络模型，将botnet-s1网络模型中的3×3cnn部分替换为结构重参数化的rep3×3cnn，得到包含六个模块的repbotnet网络模型；
24、建立repbotnet-cesa网络模型模块，与模型训练模块的输入端连接，用于将建立的repbotnet网络模型的第六个模块中的原始多头自注意力机制替换为立体编码多头自注意力机制，得到repbotnet-cesa网络模型；
25、模型训练模块，与分类模块的输入端连接，用于将训练集数据输入repbotnet-cesa网络模型中进行迭代，每次迭代后根据验证集数据计算repbotnet-cesa网络模型分类的准确率，并保留到当前迭代为止验证集数据准确率最高的模型参数，当达到最大迭代次数后输出该模型参数，得到最优repbotnet-cesa网络模型；
26、分类模块，与模型训练模块的输出端连接，用于将待分类的测试集数据输入得到的最优repbotn本文档来自技高网...
【技术保护点】
1.一种重参数化与立体编码的脑疾病分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种重参数化与立体编码的脑疾病分类方法，其特征在于，
3.根据权利要求1所述的一种重参数化与立体编码的脑疾病分类方法，其特征在于，
4.根据权利要求1所述的一种重参数化与立体编码的脑疾病分类方法，其特征在于，
5.一种重参数化与立体编码的脑疾病分类系统，其特征在于，应用权利要求1-4任一项所述的一种重参数化与立体编码的脑疾病分类方法，包括：获取数据模块、数据处理模块、建立RepBoTNet网络模型模块、建立RepBoTNet-CESA网络模型模块、模型训练模块、分类模块；
【技术特征摘要】
1.一种重参数化与立体编码的脑疾病分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种重参数化与立体编码的脑疾病分类方法，其特征在于，
3.根据权利要求1所述的一种重参数化与立体编码的脑疾病分类方法，其特征在于，
4.根据权利要求1所述的一种重参数化与立体编码...
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。