一種應用於阿爾茨海默氏症的患病風險評估方法與流程
2023-10-28 21:54:59 1
1.本發明屬於醫學影像分析技術領域,具體是一種應用於阿爾茨海默氏症的患病風險評估方法。
背景技術:
2.阿爾茲海默症(ad)是一種不可逆的神經退行性疾病,患者大腦隨著病程的發展出現一定的腦萎縮情況,並且隨著年齡的增長而隱藏惡化。臨床表現為一系列精神和認知障礙,包括記憶力下降、行為改變,影響人們的正常生活能。ad的患病原因不明確且病程不可逆,尚沒有藥物可以治癒ad。因此,對疑似患病的人群進行患病風險評估,對於及時採取措施幹預治療、減緩患者病情發展具有重要意義。
3.例如中國專利,公布號為cn114628034a的專利公開了一種阿爾茲海默症評估方法、系統、設備及存儲介質,該方法包括:獲取目標對象的多模態病情描述數據;基於多模態注意力機制,獲取多模態病情描述數據中任意兩個方面的病情觀測數據之間的融合特徵,並將所有融合特徵進行拼接,得到多模態特徵;將多模態特徵輸入到神經網絡評估模型中,評估出目標對象是否處於阿爾茲海默症早期發病高風險階段。
4.該專利通過softmax函數構建神經網絡評估模型以評估目標對象是否處於存在阿爾茲海默症患病風險,但是softmax函數構建的評估模型泛化能力不佳,導致評估的準確率不穩定,因此,我們提出了一種應用於阿爾茲海默氏症的患病風險評估方法。
技術實現要素:
5.為了解決現有技術中softmax函數構建的評估模型泛化能力不佳,導致評估的準確率不穩定的問題,本發明的目的是提供一種應用於阿爾茨海默氏症的患病風險評估方法。
6.為了實現上述目的,本發明的技術方案如下:一種應用於阿爾茨海默氏症的患病風險評估方法,包括如下步驟:
7.s1、獲取過往患者的病情描述數據,病情描述數據包括腦部影像數據、精神心理測評數據、語言數據和電子病歷數據;
8.s2、對腦部影像數據進行預處理,從過往患者的病情描述數據中提取特徵數據;
9.s3、構建患病風險評估模型m,包括如下步驟:
10.s31、根據特徵數據搭建雙線性殘差網絡框架和混合注意力模塊;
11.s32、將混合注意力模塊嵌入雙線性殘差網絡框架得到深度雙線性殘差網絡評估模型m1;
12.s33、基於深度雙線性殘差網絡評估模型m1,添加多核函數得到雙線性-殘差-多核函數模型m2;
13.s34、特徵數據輸入雙線性-殘差-多核函數模型m2,經分類訓練後得到患病風險評估模型m;
14.s4、獲取目標對象的病情描述數據,提取病情描述數據特徵,將特徵輸入患病風險評估模型m2進行評估目標對象是否存在患病風險。
15.進一步,預處理包括格式轉化、圖像分割、配準與空間標準化、平滑處理和圖像數據增強。
16.進一步,圖像分割採用cat12工具箱將腦部圖像數據分割成灰質、白質和腦脊液三個區域,再按區域分割為若干8-12mm*8-12mm*8-12mm的圖像樣本。
17.進一步,圖像數據增強包括利用imromate函數旋轉圖像數據角度和圖像數據加入高斯白噪聲。
18.進一步,提取病情描述數據特徵採取fisher算法從病情描述數據中提取特徵向量w
*
,步驟如下:
19.步驟一、將數據劃分為i個類子集x0、x1...xi,計算各類子集的均值向量ui,其表達式為:
[0020][0021]
步驟二、計算各類子集的類內離散矩陣s
wi
和類內總離散矩陣sw,其表達式為:
[0022][0023]
sw=s
w0
+s
w1
+...+s
wi
;
[0024]
步驟三、根據類內總離散矩陣sw計算逆矩陣s
w-1
和特徵向量w
*
,其表達式為:
[0025][0026]
進一步,雙線性殘差網絡框架以卷積神經網絡為基礎添加殘差學習模塊搭建而成。
[0027]
進一步,混合注意力模塊採用通道注意力模塊與空間注意力模塊拼接所制。
[0028]
進一步,多核函數採用多項式核函數、高斯核函數與sigmoid核函數以線性組合的方式構成,其核函數表達式分別為:
[0029][0030]
其中,σ、r均為偏值,τ1、τ2和τ3為權重值,τ1、τ2和τ3的取值範圍均為0-1,且τ1、τ2和τ3之和為1;
[0031]
其線性組合表達式為:
[0032][0033]
本方案的原理:
[0034]
本方案以嵌有混合注意力機制的雙線性殘差網絡評估模型為基礎,添加多核函數得到雙線性-殘差-多核函數模型,利用雙線性-殘差-多核函數模型進行特徵數據的分類訓練得到患病風險評估模型m,通過患病風險評估模型m對目標對象的病情描述數據進行評估
以確定目標對象是否存在患病風險。
[0035]
採用上述方案後實現了以下有益效果:
[0036]
1.相較於現有技術,本方案提出的患病風險評估模型利用雙線性殘差網絡構架和混合注意力模塊提高了評估模型的評估範圍,利用殘差學習減小了因網絡加深導致準確率下降的影響,保證了評估數據的準確性,同時,採用多核函數進一步提高了評估數據的準確性,並且多核函數提高了評估模型的泛化能力,保證了評估準確性的穩定;
[0037]
2.本方案利用imromate函數旋轉圖像數據角度和圖像數據加入高斯白噪聲以增加樣本數量,從而提高了評估模型的魯棒性,進而提升評估模型的泛化能力;
[0038]
3.本方案利用fisher算法提取特徵,將高維的病情描述數據進行降維處理,剔除了冗餘、不相關特徵,減少了評估模型的運算量,提高了評估效率。
附圖說明
[0039]
圖1為本發明實施例的流程示意圖。
[0040]
圖2為本發明實施例的患病風險評估模型的構建流程示意圖。
具體實施方式
[0041]
下面通過具體實施方式進一步詳細說明:
[0042]
實施例基本如附圖1-圖2所示:
[0043]
一種應用於阿爾茨海默氏症的患病風險評估方法,包括如下步驟:
[0044]
s1、獲取過往患者的病情描述數據,病情描述數據包括腦部影像數據、精神心理測評數據、語言數據和電子病歷數據;
[0045]
s2、對腦部影像數據進行預處理,從過往患者的病情描述數據中提取特徵數據;
[0046]
s3、構建患病風險評估模型m,包括如下步驟:
[0047]
s31、根據特徵數據搭建雙線性殘差網絡框架和混合注意力模塊;
[0048]
s32、將混合注意力模塊嵌入雙線性殘差網絡框架得到深度雙線性殘差網絡評估模型m1;
[0049]
s33、基於深度雙線性殘差網絡評估模型m1,添加多核函數得到雙線性-殘差-多核函數模型m2;
[0050]
s34、特徵數據輸入雙線性-殘差-多核函數模型m2,經分類訓練後得到患病風險評估模型m;
[0051]
s4、獲取目標對象的病情描述數據,提取病情描述數據特徵,將特徵輸入患病風險評估模型m2進行評估目標對象是否存在患病風險。
[0052]
預處理包括格式轉化、圖像分割、配準與空間標準化、平滑處理和圖像數據增強。
[0053]
圖像分割採用cat12工具箱將腦部圖像數據分割成灰質、白質和腦脊液三個區域,再按區域分割為若干8-12mm*8-12mm*8-12mm的圖像樣本。
[0054]
圖像數據增強包括利用imromate函數旋轉圖像數據角度和圖像數據加入高斯白噪聲。
[0055]
提取病情描述數據特徵採取fisher算法從病情描述數據中提取特徵向量w
*
,步驟如下:
[0056]
步驟一、將數據劃分為i個類子集x0、x1...xi,計算各類子集的均值向量ui,其表達式為:
[0057][0058]
步驟二、計算各類子集的類內離散矩陣s
wi
和類內總離散矩陣sw,其表達式為:
[0059][0060]
sw=s
w0
+s
w1
+...+s
wi
;
[0061]
步驟三、根據類內總離散矩陣sw計算逆矩陣s
w-1
和特徵向量w
*
,其表達式為:
[0062][0063]
雙線性殘差網絡框架以卷積神經網絡為基礎添加殘差學習模塊搭建而成。
[0064]
混合注意力模塊採用通道注意力模塊與空間注意力模塊拼接所制。
[0065]
多核函數採用多項式核函數、高斯核函數與sigmoid核函數以線性組合的方式構成,其核函數表達式分別為:
[0066][0067]
其中,σ、r均為偏值,τ1、τ2和τ3為權重值,τ1、τ2和τ3的取值範圍均為0-1,且τ1、τ2和τ3之和為1;
[0068]
其線性組合表達式為:
[0069][0070]
具體實施過程如下:
[0071]
階段一:獲取過往患者的病情描述數據,將腦部圖像數據進行格式轉化,格式轉化後的腦部圖像數據採用cat12工具箱將腦部圖像數據分割成灰質、白質和腦脊液三個區域,再按區域分割為若干8-12mm*8-12mm*8-12mm的圖像樣本,將圖像樣本經配準與空間標準化、平滑處理得到樣本原始數據集,再利用imromate函數調整樣本的角度對樣本數量進行擴充,以解決樣本姿態單一的問題,再基於擴充後的樣品數據添加高斯白噪聲進一步擴充樣本數量,進一步擴充後的樣本數據採用fisher算法進行特徵提取,其具體步驟如下:
[0072]
步驟一、將樣本數據劃分為i個類子集x0、x1...xi,計算各類子集的均值向量ui,其表達式為:
[0073][0074]
步驟二、計算各類子集的類內離散矩陣s
wi
和類內總離散矩陣sw,其表達式為:
[0075][0076]
sw=s
w0
+s
w1
+...+s
wi
;
[0077]
步驟三、根據類內總離散矩陣sw計算逆矩陣s
w-1
和特徵向量w
*
,其表達式為:
[0078][0079]
階段二:
[0080]
以卷積神經網絡為基礎添加殘差學習模塊構建雙線性殘差網絡框架;構建通道注意力模塊和空間注意力模塊,將通道注意力模塊與空間注意力模塊拼接製成混合注意力模塊;將混合注意力模塊嵌入雙線性殘差網絡框架得到深度雙線性殘差網絡評估模型m1,基於深度雙線性殘差網絡評估模型m1添加多核函數得到雙線性-殘差-多核函數模型m2,其多核函數採用多項式核函數、高斯核函數與sigmoid核函數以線性組合的方式構成,其核函數表達式分別為:
[0081][0082]
其中,σ、r均為偏值,τ1、τ2和τ3為權重值,τ1、τ2和τ3的取值範圍均為0-1,且τ1、τ2和τ3之和為1;
[0083]
其線性組合表達式為:
[0084][0085]
將特徵向量w
*
輸入雙線性-殘差-多核函數模型m2進行分類訓練得到患病風險評估模型m。
[0086]
階段三:獲取目標對象的病情描述數據,採用fisher算法從病情描述數據提取出特徵向量w1,特徵向量w1輸入患病風險評估模型m進行評估。
[0087]
需要說明的是,在本文中,諸如第一和第二等之類的關係術語僅僅用來將一個實體或者操作與另一個實體或操作區分開來,而不一定要求或者暗示這些實體或操作之間存在任何這種實際的關係或者順序。而且,術語「包括」、「包含」或者其任何其他變體意在涵蓋非排他性的包含,從而使得包括一系列要素的過程、方法、物品或者設備不僅包括那些要素,而且還包括沒有明確列出的其他要素,或者是還包括為這種過程、方法、物品或者設備所固有的要素。
[0088]
以上所述的僅是本發明的實施例,方案中公知的具體結構及特性等常識在此未作過多描述,所屬領域普通技術人員知曉申請日或者優先權日之前發明所屬技術領域所有的普通技術知識,能夠獲知該領域中所有的現有技術,並且具有應用該日期之前常規實驗手段的能力,所屬領域普通技術人員可以在本技術給出的啟示下,結合自身能力完善並實施本方案,一些典型的公知結構或者公知方法不應當成為所屬領域普通技術人員實施本技術的障礙。應當指出,對於本領域的技術人員來說,在不脫離本發明結構的前提下,還可以作出若干變形和改進,這些也應該視為本發明的保護範圍,這些都不會影響本發明實施的效果和專利的實用性。本技術要求的保護範圍應當以其權利要求的內容為準,說明書中的具體實施方式等記載可以用於解釋權利要求的內容。