[发明专利]一种基于深度学习自动预测阿尔茨海默症的方法和系统

权利要求书

1.一种基于深度学习自动预测阿尔茨海默症的方法，包括以下步骤；

获取待检测的目标图像；

将所述目标图像输入到经训练的深度学习框架，获得阿尔茨海默症的预测分类结果，其中深度学习框架依次包括协调注意力模型、深度学习模型、激励与挤压注意力模型，所述协调注意力模型对输入特征图从不同方向上分别提取单独的位置感知，将获取的空间信息在通道上加权后与输入特征图融合，获得第一特征图；所述深度学习模型以第一特征图作为输入，提取第二特征图；所述激励与挤压注意力模型对第二特征图进行挤压操作，得到通道的全局特征，并对全局特征进行激励操作，获取不同通道的权重。

2.根据权利要求1所述的方法，其特征在于，所述深度学习模型是密集卷积网络模型，包含多个密集块。

3.根据权利要求1所述的方法，其特征在于，所述协调注意力模型对输入特征图从垂直和水平方向分别提取两个单独的位置感知，并将具有特定方向的信息特征图分别编码，然后将获取的空间信息在通道上加权。

4.根据权利要求3所述的方法，其特征在于，所述协调注意力模型对输入特征图分别从水平和垂直方向进行平均池化和三维卷积后，进行融合和非线性处理，进而分别激励后获得权重。

5.根据权利要求1所述的方法，其特征在于，所述激励与挤压注意力模型依次包括全局池化层、第一全连接层、非线性处理层、第二全连接层和激活层。

6.根据权利要求6所述的方法，其特征在于，所述激活层采用Sigmoid函数进行处理。

7.根据权利要求1所述的方法，其特征在于，所述目标图像是磁共振成像。

8.一种基于深度学习自动预测阿尔茨海默症的系统，包括：

图像获取单元：用于获取待检测的目标图像；

预测单元：用于将所述目标图像输入到经训练的深度学习框架，获得阿尔茨海默症的预测分类结果，其中深度学习框架依次包括协调注意力模型、深度学习模型、激励与挤压注意力模型，所述协调注意力模型对输入特征图从不同方向上分别提取单独的位置感知，将获取的空间信息在通道上加权后与输入特征图融合，获得第一特征图；所述深度学习模型以第一特征图作为输入，提取第二特征图；所述激励与挤压注意力模型对第二特征图进行挤压操作，得到通道的全局特征，并对全局特征进行激励操作，获取不同通道的权重。

9.一种计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现根据权利要求1至7中任一项所述方法的步骤。

10.一种计算机设备，包括存储器和处理器，在所述存储器上存储有能够在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至7中任一项所述的方法的步骤。