1.一种基于多视图对比学习的早期阿尔茨海默症分类方法,其特征在于,包括:步骤1:收集三维MRI扫描数据并进行预处理,构建多视图数据集;将所述多视图数据集分为训练集和测试集;所述多视图数据集包括具有相同病理机制的冠状面、横截面和矢状面;
步骤2:对所述训练集进行数据增强,生成增强数据集以构建正样本对数据集;其中所述正样本对数据集包括所述增强数据集和所述训练集;
步骤3:利用所述正样本对数据集对特征提取网络进行预训练;所述特征提取网络包括第一分支和第二分支;每个分支包括图像编码器和ACMF模块;其中,所述图像编码器采用ResNet50网络结构;所述ACFM模块包括第一注意力模块、第二注意力模块和拼接模块;
所述ACMF模块用于利用注意力机制进行特征融合,具体流程包括:将经过所述图像编码器得到的冠状面特征向量、横截面特征向量和矢状面特征向量进行配对分别输入所述第一注意力模块和所述第二注意力模块;
通过所述第一注意力模块计算所述冠状面特征向量和所述横截面特征向量的第一注意力向量并与所述冠状面特征向量进行融合,得到第一特征向量;
(4)
其中,表示softmax函数,表示冠状面特征向量,表示第一注意力向量,表示横截面特征向量,表示第一特征向量;
通过所述第二注意力模块计算所述横截面特征向量和所述矢状面特征向量的第二注意力向量并与所述矢状面特征向量进行融合,得到第二特征向量;
(6)
其中,表示矢状面特征向量,表示第二注意力向量,表示第二特征向量;
通过拼接模块将所述第一特征向量、所述横截面特征向量和所述第二特征向量进行维度上的拼接,得到第三特征向量;
(7)
其中,()表示拼接操作,表示第三特征向量;
所述预训练过程包括:将所述增强数据集和所述训练集分别输入所述第一分支和所述第二分支进行训练,并对两个分支的输出计算对比损失;
所述预训练还包括分别提取所述图像编码器中间层的输出,计算紧凑损失函数;其中所述图像编码器中间层的输出为ResNet50网络中第3个参差块的输出,所述紧凑损失函数通过下式计算:(8)
其中,表示互相关矩阵的对角线元素,表示互相关矩阵的非对角线元素,表示人工设置的参数,表示紧凑损失函数,(9)
其中,表示当前训练批次共有个正样本对数据,表示输入第一分支的第个样本对应的图像编码器中间层的输出,表示输入第二分支的第个样本对应的图像编码器中间层的输出;
步骤4:将预训练后的特征提取网络第二分支中的图像编码器作为逻辑回归模型的特征提取模块,利用所述测试集对所述逻辑回归模型进行下游任务微调,得到早期阿尔茨海默症分类模型;
步骤5:将目标三维MRI扫描数据进行预处理后输入所述早期阿尔茨海默症分类模型中,输出早期阿尔茨海默症的分类结果。
2.根据权利要求1所述的一种基于多视图对比学习的早期阿尔茨海默症分类方法,其特征在于,所述预处理包括对原始三维MRI数据进行配准、头骨剥离、去噪、剪裁及切片操作,得到多视图数据集。
3.根据权利要求1所述的一种基于多视图对比学习的早期阿尔茨海默症分类方法,其特征在于,所述数据增强包括随机长宽比剪裁、随机水平反转和以0.8的概率修改亮度、对比度或饱和度。
4.根据权利要求1所述的一种基于多视图对比学习的早期阿尔茨海默症分类方法,其特征在于,步骤3中,采用对比损失函数对两个分支的输出计算对比损失,所述对比损失函数为:(1)
其中,表示对比损失函数,表示正则化点积,表示温度参数,和分别表示当前两个分支输出的特征;表示正样本对特征;表示负样本对特征,表示负样本特征,所述负样本特征为特征提取网络分支输出的除和的其余特征;表示训练集的样本个数。
5.根据权利要求1所述的一种基于多视图对比学习的早期阿尔茨海默症分类方法,其特征在于,所述特征提取网络的每个分支还包括多层感知器;所述多层感知器用于对所述ACMF模块的输出进一步处理和分析。