[发明专利]阿尔兹海默疾病进程预测方法

权利要求书

1.一种阿尔兹海默疾病进程预测方法，其特征在于：患者在固定时间间隔内测量得到多视图数据，所述阿尔兹海默疾病进程预测方法包括以下步骤：

S1、对所述多视图数据进行预处理；

S2、使用多视图融合神经网络处理多视图数据，得到各视图共享的隐表示矩阵；

S3、在所述隐表示矩阵中引入最小门控单元，以对缺失的多视图数据进行填充以及预测未来时间点的评分数据；

S4、使用多视图数据对所述多视图融合神经网络和最小门控单元进行协同训练，以实现对疾病发展进程的预测。

2.根据权利要求1所述的阿尔兹海默疾病进程预测方法，其特征在于，S1具体为：所述多视图数据包括核磁共振成像、正电子发射断层显像和人口统计学特征，包括以下步骤：

S11：对核磁共振成像进行预处理；

S12：对正电子发射断层显像进行预处理。

3.根据权利要求2所述的阿尔兹海默疾病进程预测方法，其特征在于，S11具体为：对核磁共振成像进行前后连合线校正、强度不均匀性校正、头骨剥离、基于阿特拉斯配准的小脑摘除术以及空间分割，得到基于Jacob模板并具有手动标记感兴趣区ROI的核磁共振成像的标记图像，并使用该标记图像与颅内体积归一化的灰质体积作为核磁共振成像的特征表示。

4.根据权利要求3所述的阿尔兹海默疾病进程预测方法，其特征在于，S12具体为：先使用仿射配准将正电子发射断层显像与相应的核磁共振成像进行对齐，然后利用相应的磁共振脑掩模得到颅骨剥离图像，再通过所述核磁共振成像的标记图像计算正电子发射断层显像中手动标记感兴趣区ROI的平均强度值，得到正电子发射断层显像的特征表示。

5.根据权利要求4所述的阿尔兹海默疾病进程预测方法，其特征在于：S2具体为：基于S1预处理后得到的多视图数据通过多视图融合神经网络学习一个各视图间共享的隐表示矩阵所述隐表示矩阵可以描述患者的综合特征，通过各视图间的互补关系来学习所述隐表示矩阵并通过网络映射重建出各视图的数据其中，表示第v种视图的特征表示。

6.根据权利要求5所述的阿尔兹海默疾病进程预测方法，其特征在于：使用重建损失函数对所述多视图数据进行学习得到各个时间点的隐表示矩阵H_t，所述重建损失函数的表达式为：

其中，V为所述多视图数据的总个数，T表示各视图数据中已知时间点的个数，隐表示矩阵n_t表示在第t个时间点有视图的样本个数，d_h表示学习得到的隐表示h的特征维度；f_v(·；Θ_v)是针对第v个视图且以Θ_v为参数的退化网络，表示在第t个时间点下第v个视图的可用样本数，d_v表示第v个视图的特征个数，则表示为第t个时间点的个样本的第v个视图的特征向量集合，每条特征向量包含d_v个特征，和分别表示核磁共振成像、正电子发射断层显像和人口统计学特征在第t个时间点的特征矩阵；是一个对角指示矩阵，用于忽略缺失数据的损失，||·||_F表示Frobenius范数，表达式为：