[發明專利]一種分類模型訓練方法、阿爾茨海默病分類方法及裝置

在審

• 申請號: 202110875805.0
• 申請日: 2021-07-30
• 公開（公告）號: CN113392938A
• 公開（公告）日: 2021-09-14
• 發明（設計）人: 王卓薇;梁雪虎;吳嘉輝
• 申請（專利權）人: 廣東工業大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;G16H30/20
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 沈闖

1.一種分類模型訓練方法，其特征在于，包括：

構建分類網絡，所述分類網絡包括骨干網絡、注意力層和分類器，所述骨干網絡包括若干個特征提取層，各所述特征提取層通過注意力層分別連接一個分類器，最后一層特征提取層連接的分類器為老師分類器，其他層特征提取層連接的分類器為學生分類器；

根據獲取的有阿爾茨海默癥的和健康的頭部圖像構建訓練樣本，通過所述訓練樣本訓練所述分類網絡，得到所述學生分類器和所述老師分類器輸出的所述訓練樣本的預測標簽；

根據所述學生分類器和所述老師分類器輸出的所述訓練樣本的預測標簽、該訓練樣本的真實標簽以及所述學生分類器和所述老師分類器中的特征計算損失值；

通過所述損失值更新所述分類網絡的參數，直至所述分類網絡收斂，去除收斂后的所述分類網絡中的所述學生分類器以及所述學生分類器連接的注意力層，得到分類模型。

2.根據權利要求1所述的分類模型訓練方法，其特征在于，所述骨干網絡為優化后的Resnet18網絡，所述優化后的Resnet18網絡為將原Resnet18網絡中的每個Resnetblock層去掉一個Basicblock層后得到。

3.根據權利要求1所述的分類模型訓練方法，其特征在于，所述分類器包括特征對齊層和Softmax層，所述特征對齊層用于將當前分類器的輸入特征與上一個分類器的輸入特征進行對齊。

4.根據權利要求3所述的分類模型訓練方法，其特征在于，所述分類網絡的損失函數為：

式中，Loss為損失值，n為訓練樣本數量，K為分類器數量，α_i為第i個分類器的模仿參數，L_CE(·)為交叉熵損失函數，L_KL(·)為相對熵函數，為第i個分類器輸出的第j個訓練樣本的預測標簽，為在第i個分類器處理第j個訓練樣本時，老師分類器輸出的第j個訓練樣本的預測標簽，β_i為第i個分類器的權衡參數，λ為懲罰系數，L₂為l₂^-范數損失的平方，F_i^j為第j個訓練樣本在第i個分類器中的特征對齊層的輸出特征，為在第i個分類器處理第j個訓練樣本時，第j個訓練樣本在老師分類器中的特征對齊層的輸出特征。

5.一種阿爾茨海默病分類方法，其特征在于，包括：

獲取待分類頭部圖像；

將所述待分類頭部圖像輸入到分類模型中進行分類，得到所述待分類頭部圖像的分類結果，其中，所述分類模型通過權利要求1-4任一項所述的分類模型訓練方法訓練得到。

6.一種分類模型訓練裝置，其特征在于，包括：

構建單元，用于構建分類網絡，所述分類網絡包括骨干網絡、注意力層和分類器，所述骨干網絡包括若干個特征提取層，各所述特征提取層通過注意力層分別連接一個分類器，最后一層特征提取層連接的分類器為老師分類器，其他層特征提取層連接的分類器為學生分類器；

訓練單元，用于根據獲取的有阿爾茨海默癥的和健康的頭部圖像構建訓練樣本，通過所述訓練樣本訓練所述分類網絡，得到所述學生分類器和所述老師分類器輸出的所述訓練樣本的預測標簽；

計算單元，用于根據所述學生分類器和所述老師分類器輸出的所述訓練樣本的預測標簽、該訓練樣本的真實標簽以及所述學生分類器和所述老師分類器中的特征計算損失值；

更新單元，用于通過所述損失值更新所述分類網絡的參數，直至所述分類網絡收斂，去除收斂后的所述分類網絡中的所述學生分類器以及所述學生分類器連接的注意力層，得到分類模型。

7.根據權利要求6所述的分類模型訓練裝置，其特征在于，所述骨干網絡為優化后的Resnet18網絡，所述優化后的Resnet18網絡為將原Resnet18網絡中的每個Resnetblock層去掉一個Basicblock層后得到。