[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

说明书

本发明公开了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，属于阿尔茨海默症预测技术领域。本发明首先，设计基于DCGAN的PET图像数据扩增模块，通过生成的高质量数据，丰富数据多样性，提高模型泛化能力。其次，设计基于I_ResNet18的双线性残差网络作为预测算法的骨干模型，通过双线性的CNN对输入数据进行局部特征交互，提高网络的表征能力。再次，将多尺度特征融合模块嵌入双线性网络中的特征提取网络，能捕捉到原始特征信息中不同病灶区域的特征差异，避免病灶信息丢失。最后，与现有的主流AD预测算法进行了对比实验，本发明提出算法的准确度达到了82.9％，相较于次优算法的结果提高了5.2％。

技术领域

本发明涉及阿尔茨海默症预测技术领域，更具体地，涉及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。

背景技术

阿尔茨海默症会导致患者记忆力、注意力和语言能力呈进行性下降，严重影响患者的正常生活，且具有不可逆性，目前无良好的治愈手段。正电子发射断层扫描(PET)是预测阿尔茨海默症有效的显像技术。因此，利用PET图像预测阿尔茨海默症具有重要的现实意义。

在阿尔茨海默症预测领域中，现有的大多数工作将问题建模成二分类任务，用以区分AD 和NC。他们忽略了AD和NC之间的一种中间状态，即为轻度认知障碍(MCI)，也称为阿尔茨海默症早期。MCI引起的记忆衰退等相关症状较为轻微，对患者的日常生活影响较小，难以引起患者的重视，以至于病情发展到晚期才有机会被发现。据统计，MCI患者中每年大概会有10％～20％发展为AD。若能尽早的筛选MCI，并采取相关治疗手段，从而延缓病情的进一步恶化甚至在不久的将来获得治愈性治疗。可见，阿尔茨海默症的早期筛查是具有重大现实意义。为此，一般将包含早期筛查的AD预测问题建模成三分类任务，通过将三种类别的数据进行准确分类，实现AD的早期筛查，从而更好的进行AD预测。

近年来，机器学习方法在阿尔茨海默症预测中得到了广泛的研究。现有的大多数方法都是从图像中提取手工艺图像特征，然后训练分类器来进行预测，尽管具有很好的性能，但它在本质上存在一些缺点，如太过于依赖图像预处理、容易忽略潜在病灶特征。

现有的关于阿尔茨海默症的三分类算法大多都是通过堆叠神经网络的层数来构建分类网络，虽然可以捕获到感受野中的代表性特征，但由于只是简单的卷积层叠加，容易丢失图像的全局信息。又因为PET图像样本数相对较少，模型容易出现过拟合，导致分类结果较差。此外，由于MCI与AD和NC的差异性较小，且脑部萎缩的空间模式是微妙和分散的，导致无法准确捕捉到MCI的病灶特征，使准确进行三分类变得更加困难，因此，给AD的早期筛查任务带来了挑战性，影响AD的预测。

发明内容

1.发明要解决的技术问题

针对MCI患者与AD患者的脑部PET图像病灶特征不明显的问题，本发明提供了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，选用新型的双线性残差网络作为骨干网络，并将SK模块嵌入到骨干网络中，丰富接受域的多样性，学习到更有鉴别性的信息，提高分类的准确率，更好的完成早筛任务，从而实现更早的AD预测。

2.技术方案

为达到上述目的，本发明提供的技术方案为：

本发明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，首先，设计了基于DCGAN的PET图像数据扩增模块，通过生成的高质量数据，丰富了数据的多样性，提高了模型的泛化能力。其次，设计了基于I_ResNet18的双线性残差网络作为预测算法的骨干模型，通过双线性的CNN对输入数据进行局部特征交互，提高网络的表征能力。再次，将多尺度特征融合模块嵌入双线性网络中的特征提取网络中，能够捕捉到原始特征信息中不同病灶区域的特征差异，避免了病灶信息丢失。最后，与现有的主流AD预测算法进行了对比实验，本发明提出算法的准确度达到了82.9％，相较于次优算法的结果提高了5.2％。

3.有益效果