[发明专利]一种基于多尺度特征融合和双线性残差网络的AD预测算法

权利要求书

1.一种基于多尺度特征融合和双线性残差网络的AD预测算法，其特征在于，其步骤为：

步骤一、采用生成对抗网络获得高质量样本数据进行数据扩充；

步骤二、将I_ResNet18作为双线性卷积神经网络的特征提取网络，设计基于I_ResNet18的双线性残差网络，用于获取具有判别性的病灶特征；

步骤三、将SK模块嵌入I_ResNet18中，多尺度的捕获病灶特征。

2.根据权利要求1所述的一种基于多尺度特征融合和双线性残差网络的AD预测算法，其特征在于，所述的步骤一中，基于深度卷积生成对抗网络对数据集进行数据扩增；先设计包括生成器和判别器的生成对抗网络，优化目标函数为式(1)

式中，x代表真实样本，z代表随机噪声向量，G(z)代表生成器生成的数据，E代表期望，D(x)代表判别器将x与真实数据区分开的概率，D(G(z))代表判别器将生成数据判别为真的概率；

在生成对抗网络的基础上进行优化，将生成对抗网络优化为深度卷积生成对抗网络，优化目标函数为式(2)

式中，y是输入进生成网络的失真图像。

3.根据权利要求2所述的一种基于多尺度特征融合和双线性残差网络的AD预测算法，其特征在于，将深度卷积生成对抗网络与PET图像识别相结合，步骤为：

S1、设定训练周期，并获取样本；

S2、针对MCI和CN进行数据扩增，为MCI和NC各自训练一个独立的DCGAN进行数据生成；

S3、生成伪图像，筛选1000个得分高的数据作为扩增数据。

4.根据权利要求3所述的一种基于多尺度特征融合和双线性残差网络的AD预测算法，其特征在于，所述的步骤二中，I_ResNet18为双线性残差网络的特征提取网络，包含一个初始卷积层和四个改进Residual Block层，每一个改进Residual Block都添加一个1×1卷积。

5.根据权利要求4所述的一种基于多尺度特征融合和双线性残差网络的AD预测算法，其特征在于，所述的双线性残差网络基于双线性卷积神经网络设计，双线性卷积神经网络由输入层、主干网络、输出层组成，用于特征提取，输出由一个外积函数组成。

6.根据权利要求5所述的一种基于多尺度特征融合和双线性残差网络的AD预测算法，其特征在于，将所述的双线性卷积神经网络形式化为四元组B＝F(f_x,f_y,P,G)，其中f_x和f_y是基于双线性卷积神经网络的特征函数，P是池化函数，C是分类函数，映射关系如式(3)

f:I×L→R^K×T (3)

其中，I表示输入图像，L一般表示位置和尺度，输出得到一个大小为K×T的特征R；

使用矩阵外积，将f_x和f_y在每个位置的输出合并输出，如式(4)

b(l,I,f_x,f_y)＝f_x(l,I)^Tf_y(l,I) (4)

将图像中所有位置的特征双线性组合，进行求和汇聚以获得图像的全局表示如式(5)

将得到的双线性向量做为x，然后对x进行带符号的平方根运算得到向量y，如式(6)

最后对y进行正则化约束得到最终的双线性向量z

7.根据权利要求6所述的一种基于多尺度特征融合和双线性残差网络的AD预测算法，其特征在于，所述的步骤三中，设计SK模块结构，先将特征图X∈R^H×w×C进行分割获得输出和再逐元素添加融合不同分支；之后进行选择，获得概率权重矩阵a和b；最终进行加权求和获得输出向量V。