1.一种基于深度学习策略的早期阿尔兹海默症发展预测方法,其特征在于,该方法包括以下步骤:获取多名MCI患者在固定时间间隔对应的两张三维脑部核磁共振图像,并将一名MCI患者在固定时间间隔对应的两张三维脑部核磁共振图像作为一个样本;
对各样本中的每张核磁共振图像进行预处理,得到预处理后的核磁共振图像;
对各张预处理后的核磁共振图像进行切片操作,得到各张预处理后的核磁共振图像对应的多张切片,并对所述切片进行尺寸调整,进而得到各张预处理后的核磁共振图像对应的切片序列;
使用卷积神经网络提取各张切片的特征并将其表示为特征向量,得到各个切片序列对应的特征向量序列;
对每个样本中的两个特征向量序列进行位置嵌入,所述位置嵌入包括两个特征向量序列各自内部的横向位置嵌入和两个特征向量序列之间的纵向位置嵌入;
使用特征融合模型对每个样本中经过位置嵌入后的两个特征向量序列执行横向特征融合和纵向特征融合;将融合后的特征全局平均后输入分类器,得到各样本对应的预测结果;其中所述特征融合模型包括多个不同的自注意力模块;
所述自注意力模块包括纵向自注意力模块、右滑动窗口自注意力模块、左滑动窗口自注意力模块以及全窗口自注意力模块;
在特征融合模型中纵向特征融合和横向特征融合交替执行;在纵向特征融合中,自注意力发生在两个特征向量序列之间;在横向特征融合中,除最后一个横向特征融合对应的自注意力模块外,自注意力发生在注意力窗口内,并且注意力窗口在执行完本次操作后,沿着对应特征向量序列中的特征向量滑动,到达新的位置后继续执行注意力操作,直至到达对应特征向量序列的末尾;注意力窗口的大小随着横向特征融合对应的自注意力模块的叠加而增大,注意力窗口的滑动方向随着横向特征融合对应的自注意力模块的交替而发生反转;
横向特征融合对应的自注意力模块包括左滑动窗口自注意力模块、右滑动窗口自注意力模块以及全窗口自注意力模块;即左滑动窗口自注意力模块、右滑动窗口自注意力模块以及全窗口自注意力模块用于对横向特征进行融合,纵向自注意力模块用于对纵向特征进行融合;
将 和 执行过第l‑1个自注意力模块的输出分别记为 和
其中, 为 中的第c个特征向量, 为 中的
第c个特征向量;N为 或 中特征向量的总数量, 为 执行过第l‑1个自注意力模块的输出, 为T1特征向量序列XT1进行横向位置嵌入 再进行纵向位置嵌入, 为执行过第l‑1个自注意力模块的输出, 为T2特征向量序列XT2进行横向位置嵌入再进行纵向位置嵌入;
将 和 执行过第l个自注意力模块的输出分别记为 和
其中, 为 中的第c个特征向量, 为 中的第
c个特征向量;N为 或 中特征向量的总数量, 为 执行过第l个自注意力模块的输出, 为 执行过第l个自注意力模块的输出。
2.根据权利要求1所述的一种基于深度学习策略的早期阿尔兹海默症发展预测方法,其特征在于,所述预处理包括以下步骤:(1)将核磁共振图像的解剖结构进行对齐,得到对齐后的核磁共振图像;
(2)去除对齐后的核磁共振图像中的非脑部组织像素;
(3)对去除非脑部组织像素后的核磁共振图像进行统一的N4偏置场矫正。
3.根据权利要求1所述的一种基于深度学习策略的早期阿尔兹海默症发展预测方法,其特征在于,所述尺寸调整的方法为对切片进行下采样。
4.根据权利要求1所述的一种基于深度学习策略的早期阿尔兹海默症发展预测方法,其特征在于,在使用卷积神经网络提取各张切片的特征并将其表示为特征向量之前,对切片进行维度扩充。