[發明專利]一種基于深度神經網絡的AD特征參數篩選方法及系統

在審

• 申請號: 202010847474.5
• 申請日: 2020-08-21
• 公開（公告）號: CN111914952A
• 公開（公告）日: 2020-11-10
• 發明（設計）人: 高飛;王慧泉;孔莉
• 申請（專利權）人: 山東省醫學影像學研究所
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/46;G06N3/08;G06N3/04
• 代理公司: 北京高沃律師事務所 11569
• 代理人: 張夢澤

本發明公開了一種基于深度神經網絡的AD特征參數篩選方法及系統。該方法包括：獲取AD初始特征參數；將所述初始特征參數作為深度神經網絡模型的輸入；對所述深度學習神經網絡模型進行輸入層節點刺激，得到輸入層對應刺激的神經元節點值和刺激前后模型輸出值的相對變化值；將所述輸入層對應刺激的神經元節點值和所述刺激前后模型輸出值的相對變化值進行線性擬合；根據擬合結果對所述初始特征參數進行篩選，確定AD特征參數。本發明通過改變輸入層參數值并于對應預測結果進行線性擬合得出關于輸出的高相關量，相比于現有方法運算量低、無需進行協方差等復雜計算，使得所采用模型對AD特征參數的篩選更加快速、精準。

技術領域

本發明涉及人工智能領域，特別是涉及一種基于深度神經網絡的AD特征參數篩選方法及系統。

背景技術

隨著人工智能在醫學領域的應用發展，深度學習技術在構建非常規模型的復雜問題的分類和特征提取上具有很好的效果。采用深度學習技術進行阿爾茲海默癥(Alzheimerdisease，AD)的分類能夠得到較高的分類準確率，對于多模態信息融合效果以及超參數和核函數選擇提供了一種解決方案。由于導致AD病癥的具體特征參數的研究尚不清晰，因而在進行AD分類時特征參數的設置成為一大難題。

超參數優化一直是限制網絡模型性能提升的難題，目前神經網絡模型越來越復雜，超參數的種類也越來越多，往往造成不能根據超參數之間的關系選擇合適的超參數組合。目前比較常用的超參數優化方法為Bayesian優化方法，該方法可以在盡可能的真實評估次數下從決策空間中找到好的決策組合，主要思路是根據歷史數據構建了整個問題過程的代理模型而不對真實問題進行評估，并通過代理模型預測的不確定性來決定下一步采樣點，通過不斷迭代后尋找一個近似最優解。目前Bayesian優化中主要的代理模型為高斯過程(Gaussian Process，GPs)，但是一般每次只優化單個問題，或者以犧牲硬件為代價并行運行確保在一定時間內充分利用數據信息等問題。單任務學習單獨地從零開始學習，忽略了其他相似任務的相關信息來深入研究數據特征，并且經常會遇到噪聲大、數據維度較高或數據量偏小等對結果影響較大的問題。通常需要大量的觀測數據來訓練得到足夠精確的單任務代理模型，但現實生活中很難達到要求，導致根據數據訓練的模型有一定的局限性，也就造成了模型預測不夠準確。隨著數據量的增多，高斯過程中協方差函數計算復雜度呈指數增長，導致計算成本高、運行時間長等問題。

發明內容

本發明的目的是提供一種基于深度神經網絡的AD特征參數篩選方法及系統，通過節點刺激篩選出使模型輸出值變化較大且敏感的數據，即能夠篩選出更能精確對AD病癥進行分類的AD特征參數。

為實現上述目的，本發明提供了如下方案：

一種基于深度神經網絡的AD特征參數篩選方法，包括：

獲取AD初始特征參數；將所述初始特征參數作為深度神經網絡模型的輸入；

對所述深度學習神經網絡模型進行輸入層節點刺激，得到輸入層對應刺激的神經元節點值和刺激前后模型輸出值的相對變化值；

將所述輸入層對應刺激的神經元節點值和所述刺激前后模型輸出值的相對變化值進行線性擬合；

根據擬合結果對所述初始特征參數進行篩選，確定AD特征參數。

可選地，所述AD初始特征參數包括腦區體素、代謝物濃度以及個體特征。

可選地，所述對所述深度學習神經網絡模型進行輸入層節點刺激，包括：

按照原神經元節點特征值的0.6-1.4倍進行改變。

可選地，所述擬合結果表示輸入層神經元節點的變化對所述深度學習神經網絡模型的輸出值的影響程度。

本發明還提供了一種基于深度神經網絡的AD特征參數篩選系統，包括：