1.一种基于医学影像的帕金森预测方法,其特征在于,包括:
获取待评估的MRI影像;
对所述MRI影像进行预处理;
将预处理后的MRI影像输入至预先构建好的人工智能分类预测模型中,得到预测结果,其中所述人工智能分类预测模型为改进的ResNet18网络模型;
所述改进的ResNet18网络模型包括依次连接的输入模块、特征提取模块和输出模块,其中所述输入模块包括3×3×3普通卷积和三维深度可分离卷积;
所述输入模块包括依次连接的3×3×3普通卷积、批归一化层、三维深度可分离卷积和最大池化层;
所述特征提取模块中,保留由浅到深N次特征提取获得的N个特征图,并将层次深的N-1个特征图进行上采样使其和上一层的原特征图保持形状一致,然后将该上一层的原特征图进行ECA注意力机制调整后与该上采样后的特征图进行融合,得到N-1个新的特征图,同时将层次最深的特征图进行ECA注意力机制调整后,得到第N个新的特征图,由此共得到N个新的特征图;之后,将该N个新的特征图调整为一致大小并在通道维度上做concat操作;
所述上采样包括1×1×1卷积和3D反卷积;
和/或,所述ECA注意力机制为3D ECA注意力机制,所述3D ECA注意力机制首先将C*H*W*D的特征图通过三维平均池化进行空间特征压缩,得到C*1*1*1的新特征图,然后使用权重共享的三维卷积进行通道特征学习,最后将通道特征图和原始特征图通过逐通道乘方法进行通道融合,输出具有通道注意力的特征图;
和/或,所述将该N个新的特征图调整为一致大小包括:对所述N-1个新的特征图分别进行3×3×3的卷积操作,消除操作中产生的混叠效应,然后经过池化层将所述N-1个新的特征图分别调整为和所述第N个新的特征图一样大小的特征图;
所述输出模块包括依次连接的双通道池化层、第一全连接层、隐藏层和第二全连接层;
所述双通道池化层包括并联连接的最大池化层和平均池化层。
2.根据权利要求1中任一所述的方法,其特征在于,所述对所述MRI影像进行预处理,包括:将所述MRI影像的格式转换为NIfTI格式。
3.根据权利要求2所述的方法,其特征在于,所述对所述MRI影像进行预处理,包括:将NIfTI格式的MRI影像在调整适当的分数强度阈值、阈值梯度和初始大脑中心坐标后进行自动分离,以去除大脑中包括头骨、脂肪和小脑的无关组织。
4.根据权利要求2所述的方法,其特征在于,所述对所述MRI影像进行预处理,包括:将所述MRI影像自动配准到MNI152标准模板中,以将脑部影像进行空间位置上的对齐。