[發明專利]一種基于多任務學習的阿爾茨海默癥分類及預測系統

有效

• 申請號: 202010188695.6
• 申請日: 2020-03-17
• 公開（公告）號: CN111488914B
• 公開（公告）日: 2020-12-25
• 發明（設計）人: 李明磊;羅浩;李翔;李款;蔣宇辰;尹珅
• 申請（專利權）人: 哈爾濱工業大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G16H50/20;G06N3/04;G06N3/08
• 代理公司: 哈爾濱市松花江專利商標事務所 23109
• 代理人: 時起磊

1.一種基于多任務學習的阿爾茨海默癥分類及預測系統，其特征在于：所述系統包括圖像處理主模塊、臨床指標處理主模塊、神經網絡主模塊、訓練主模塊和檢測主模塊；

所述圖像處理主模塊用于采集頭部圖像，對采集的頭部圖像進行預處理，獲得預處理后的圖像，并將預處理后圖像輸入訓練主模塊和檢測主模塊；具體過程為：

獲取受試個體在基線時間點的頭部T1加權結構磁共振成像；

采用SPM工具對結構磁共振成像進行頭骨剝離操作；

使用非剛性配準算法將頭骨剝離后的結構磁共振成像配準到標準腦模板空間MNI152，統一所有配準到標準腦模板空間MNI152后的圖像的坐標空間；

對配準到標準腦模板空間MNI152的圖像進行平滑處理；

獲得坐標統一的、偏差矯正、噪聲消除和全局強度矯正后的T1加權結構磁共振成像即獲得預處理后的圖像；

預處理后的圖像作為阿爾茨海默癥分類及預測模型的輸入；

所述臨床指標處理主模塊用于選定臨床指標，獲取臨床指標的特征向量，并將臨床指標的特征向量輸入訓練主模塊和檢測主模塊；具體過程為：

1)、選定臨床指標；

2)、對選定的臨床指標進行預處理；

3)、構造長短期記憶神經網絡自編碼器提取神經心理學測試縱向數據的特征；

臨床指標包括基線數據和縱向數據，歸一化后的基線數據、神經心理學測試縱向數據的特征作為阿爾茨海默癥分類及預測模型的輸入；

所述1)中選定臨床指標；具體過程為：

臨床指標包括人口統計學信息，基因信息和神經心理學測試指標，人口統計學信息、基因信息只選用基線數據，即基線時間點所觀測到的數據；神經心理學測試指標選用縱向數據，即每個時間點的數據都將考慮在內；

所述3)中構造長短期記憶神經網絡自編碼器提取神經心理學測試縱向數據的特征；具體過程為：

自編碼器中的編碼器和解碼器均是由3層LSTM層組成，W_ei為編碼器中第個LSTM層參數，W_di為解碼器中第個LSTM層參數；

共有t個時間點，自編碼器中的編碼器輸入為f_t，自編碼器中的解碼器輸出重建量為利用重建量與輸入量之間的歐氏距離作為目標函數Loss_{LSTMautoencoder}：

式中，N為樣本數量；

優化可訓練參數W_i，將神經心理學測試縱向數據作為編碼器的輸入，使目標函數Loss_{LSTMautoencoder}達到最小，得到訓練好的自編碼器，用自編碼器中的編碼器來提取神經心理學測試縱向數據的特征；

所述神經網絡主模塊用于搭建阿爾茨海默癥分類及預測模型；

所述訓練主模塊利用訓練樣本集對搭建好的阿爾茨海默癥分類及預測模型進行訓練，并獲得訓練好的阿爾茨海默癥分類及預測模型；

所述檢測主模塊用于加載訓練好的阿爾茨海默癥分類及預測模型，利用驗證樣本集對訓練好的阿爾茨海默癥分類及預測模型進行驗證；

若訓練好的阿爾茨海默癥分類及預測模型在驗證樣本集上的分類準確率大于等于80％，則利用訓練好的阿爾茨海默癥分類及預測模型作為最終模型，將最終模型用于阿爾茨海默癥的分類及預測；

否則，調整搭建的阿爾茨海默癥分類及預測模型的學習率，利用訓練樣本集對搭建的阿爾茨海默癥分類及預測模型進行重新訓練，直至獲得的訓練好的模型在驗證樣本集上的分類準確率大于等于80％時，獲得最終模型；再將最終模型用于阿爾茨海默癥的分類及預測。

2.根據權利要求1所述一種基于多任務學習的阿爾茨海默癥分類及預測系統，其特征在于：所述2)中對選定的臨床指標進行預處理；具體過程為：

量化人口統計學信息和基因信息的基線數據中未使用數字代替的指標項；并對基線數據進行線性函數歸一化，歸一化的結果為X_norm：

式中，X為數據中任一數據，X_min為數據中數值最小的數據，X_max為數據中數值最大的數據。