1.一种基于融合网络的阿尔兹海默病分类方法,其特征在于,所述方法包括以下步骤:
步骤S1:给定被试的磁共振图像数据集,数据集包含磁共振图像和被试的标签,磁共振图像数据集记为C={(ai,bi)|i∈[1,R]},式中,a表示磁共振图像,b表示被试的对应标签,R表示样本数量,i表示样本下标,将磁共振图像全集C拷贝并划分成磁共振图像训练集E={(ai,bi)|i∈[1,M]}和磁共振图像测试集E={(ai,bi)|i∈[1,N]},其中N+M=R,且M和N分别表示划分后的样本数量;
步骤S2:对磁共振图像训练集依次进行数据预处理、水平翻转扩增操作和数据归一化操作,得到处理后的磁共振图像训练集E'={(ai,bi)|i∈[1,M']},经过扩增后,其数量相应的增多至M';对磁共振图像测试集F依次进行数据预处理、数据归一化操作得到归一化的磁共振图像测试集F'={(ai,bi)|i∈[1,N]};
步骤S3:将磁共振图像训练集E'作为输入,载入到计算机内存中,并将磁共振图像训练集E'={(ai,bi)|i∈[1,M']}随机打乱,为接下来的训练阶段做准备;
步骤S4:分别构建基网络G1和G2,在Pytorch框架中使用SGD优化方法,对基网络G1和G2的网络参数进行初始化,得到基网络G1和G2的初始参数,并设定相关训练超参数,用于网络模型的训练优化,通过基网络G1和G2分别对训练磁共振图像进行特征提取,得到特征H1和H2,并对分别提取的特征进行特征融合得到融合特征H3;
步骤S5:构建融合特征分类决策层P,将基网络G1和G2提取到的特征H1和H2以及融合特征H3分别输入到各网络的决策层,分别得到分类决策层的标签P1、P2和P3,对P1、P2和P3进行融合,得到对应输入样本最终的分类标签b';
步骤S6:通过损失函数计算,计算训练数据通过网络分类得到的标签b'和训练真实标签b之间的误差,得出损失值,利用得出的损失值进行反向传播,对基网络G1和G2,以及融合网络分别进行网络参数调整;
步骤S7:利用测试集F'对融合网络模型进行评估,保留网络模型G,同时在参数更新结束阶段进行判断,判断训练迭代次数是否已达到最大迭代次数,若已经达到最大迭代次数,则训练阶段结束,进入下一步骤,反之,将进入步骤S3进行循环迭代训练;
步骤S8:训练完成的网络模型,输入一个通过数据预处理的被试磁共振图像数据,得到被试的输出标签。
2.根据权利要求书1所述的一种基于融合网络的阿尔兹海默病分类方法,其特征在于,所述步骤S1中,对给定被试的磁共振图像数据集进行样本划分的具体方式为:根据被试的样本标签进行样本的随机划分,将被试对应的样本数据分为训练集和测试集。
3.根据权利要求书1所述的一种基于融合网络的阿尔兹海默病分类方法,其特征在于,所述步骤S2中,对被试的磁共振图像数据预处理、水平翻转扩增操作和数据归一化操作具体为:使用基于体素的形态测量(VBM)对所有数据进行预处理,将图像归一化到一个标准模版空间中,然后提取数据的灰质信息,并对其进行平滑操作,最后通过水平翻转进行数据扩增。
4.根据权利要求书1所述的一种基于融合网络的阿尔兹海默病分类方法,其特征在于,所述步骤S3中,输入模型训练的数据进行随机打乱。
5.根据权利要求书1所述的一种基于融合网络的阿尔兹海默病分类方法,其特征在于,所述步骤S4中,在Pytorch框架中采用SGD优化方法对训练超参数动态调整,优化训练,基网络G1和G2分别对训练磁共振图像进行特征提取,得到的特征H1和H2,通过对特征H1和H2进行通道拼接,得到一个融合的特征H3。
6.根据权利要求书1所述的一种基于融合网络的阿尔兹海默病分类方法,其特征在于,所述步骤S5中,对于基网络提取的特征H1和H2,以及融合的特征H3,在通过对应的决策层后,分别得到分类决策层的标签P1、P2和P3,对P1、P2和P3进行拼接,得到对应输入样本最终的分类标签b'。
7.根据权利要求书1所述的一种基于融合网络的阿尔兹海默病分类方法,其特征在于,所述步骤S6中,对分类得到的标签b'和训练真实标签b进行误差计算,得出损失值,利用网络的反向传播,对模型进行参数调整。
8.根据权利要求书1所述的一种基于融合网络的阿尔兹海默病分类方法,其特征在于,所述步骤S7中,通过输入磁共振图像测试样本计算模型分类的准确率,对训练的分类模型进行评估,保留最优模型参数。