[发明专利]一种基于深度集成学习的AD预测方法、系统及装置

权利要求书

1.一种基于深度集成学习的AD预测方法，其步骤包括，

从ADNI数据库中获取PET图像，并对获取的PET图像进行切片；

对切片后的PET图像中进行数据扩增；

将扩增后的PET切片图像分别输入到ResNet-34网络和EfficientNet-b1网络中进行特征学习；

将ResNet-34网络和EfficientNet-b1网络中学习到的特征通过MLP进行分类；

对分类结果进行融合，再将融合后的结果进行预测输出，所述融合指将经MLP分类后的ResNet-34网络和EfficientNet-b1网络中的特征进行逐元素相加融合得到一个新的特征。

2.根据权利要求1所述的一种基于深度集成学习的AD预测方法，其特征在于，所述ResNet-34网络是一个残差结构比例为（3，4，6，3）的网络。

3.根据权利要求2所述的一种基于深度集成学习的AD预测方法，其特征在于，获取所述EfficientNet-b1网络的缩放权重，通过扩增后的PET切片图像进行迁移学习，得到所述EfficientNet-b1网络新的权重值；所述EfficientNet-b1网络自动搜索复合系数，通过网络的深度、宽度和分辨率三个维度优化预测网络，所述预测网络为ResNet-34网络和EfficientNet-b1网络。

4.根据权利要求3所述的一种基于深度集成学习的AD预测方法，其特征在于，所述EfficientNet-b1网络结构包括主干网络、全局平均池化、全局最大池化、特征拼接和分类器。

5.根据权利要求4所述的一种基于深度集成学习的AD预测方法，其特征在于，当扩增后的PET切片图像输入到主干网络之后，所述EfficientNet-b1网络学习到扩增后的PET切片图像的特征信息，生成对应的特征矩阵再经过全局平均池化和全局最大池化后，获得两组一维特征信息进行信息特征拼接，拼接后的特征信息经分类器分类后，再进行反向传播，进行多次迭代形成最优权重。

6.根据权利要求5所述的一种基于深度集成学习的AD预测方法，其特征在于，采用10k-fold交叉验证对多张处理后的PET切片图像进行模型训练，训练时以其中一组为验证集，剩余图像为训练集，优化器使用SGD，学习率衰减策略为StepLR，损失函数采用交叉熵损失函数。

7.根据权利要求6所述的一种基于深度集成学习的AD预测方法，其特征在于，所述交叉熵损失函数L_CE的计算公式为：

其中，N为样本数，M为类别数，y_i为样本i的类别，正类为1，负类为0，L_i为每个训练样本与对应的类别在交叉熵运算中的损失值，p_i为样本i预测为正类的概率，y_ic为符号函数，p_ic为样本i预测概率。

8.根据权利要求7所述的一种基于深度集成学习的AD预测方法，其特征在于，在预测训练过程中选取10k-fold交叉验证模型；使用随机尺度变换（1）、随机小角度旋转（2）、随机水平镜像（3）和随机垂直镜像（4）四种扩增方式。

9.一种基于深度集成学习的AD预测系统，其特征在于，其采用如权利要求1-8中任意一项所述的基于深度集成学习的AD预测方法对PET图像进行特征学习；所述AD预测系统包括：

输入模块，输入PET图像进行切片处理后，进行扩增，用于增加训练集的样本；

训练模块，将扩增后的PET切片图像分别输入到ResNet-34网络和EfficientNet-b1网络中进行特征学习，学习到的特征再经过MLP进行分类；

输出模块，对分类结果进行融合，再将融合后的结果进行预测输出。

10.一种基于深度集成学习的AD预测装置，包括存储器、处理器以及存储在所述存储器上并可在所述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如权利要求1-8中任意一项所述的基于深度集成学习的AD预测方法的步骤。