[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

本申請公開了提供了一種分類模型訓練方法、阿爾茨海默病分類方法及裝置，構建的分類網絡包括骨干網絡、注意力層和分類器，骨干網絡包括若干個特征提取層，各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，其他分類器為學生分類器；通過構建的訓練樣本訓練分類網絡，得到學生分類器和老師分類器輸出的訓練樣本的預測標簽；根據訓練樣本的預測標簽、真實標簽以及學生分類器和老師分類器中的特征計算損失值；通過損失值更新分類網絡的參數，直至分類網絡收斂，去除收斂后的分類網絡中的學生分類器以及學生分類器連接的注意力層，得到分類模型，改善了現有技術存在的分類準確率不高的技術問題。

技術領域

本申請涉及圖像處理技術領域，尤其涉及一種分類模型訓練方法、阿爾茨海默病分類方法及裝置。

背景技術

醫學圖像處理是圖像處理和機器學習的一個發展方向。隨著人口老齡化的發展，阿爾茨海默病(Alzheimer’s Disease,AD)作為最常見的老年癡呆癥之一，給人們的生活尤其是患者及其家人的生活帶來了極大的影響。阿爾茨海默病的分類作為醫學圖像分類領域的一個重要分支，對AD的計算機輔助診斷具有重要意義，特別是對于病情的前期診斷及病情惡化的及時控制尤為重要。由于該疾病的特殊性，大多數阿爾茨海默癥的病因仍然未知。目前阿爾茨海默癥通常是根據患者的醫學影像和臨床評估指標進行診斷的。常用來診斷阿爾茨海默癥的醫學影像包括計算機斷層掃描(CT)、磁共振成像(MRI)或正電子發射斷層掃描(PET)，通過觀察腦部區域形態變化，可幫助診斷阿爾茨海默癥和排除其他腦部疾病或癡呆的亞型。磁共振成像可以在同一掃描過程中提供關于大腦結構和功能的多模態信息，基于此原因，深度學習在計算機輔助診斷阿爾茨海默癥和輕度認知障礙中有著突出的效果。其主要是用于區分阿爾茨海默癥患者(AD)和健康個體(CN)。

現有的阿爾茨海默病分類方法的分類準確率不高，若直接加深網絡結構，會增加計算量和存儲量，導致網絡模型難以部署在資源有限的設備和實時應用上。

發明內容

本申請提供了一種分類模型訓練方法、阿爾茨海默病分類方法及裝置，用于改善現有技術存在的分類準確率不高的技術問題。

有鑒于此，本申請第一方面提供了一種分類模型訓練方法，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。

可選的，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Resnet block層去掉一個Basicblock層后得到。

可選的，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。

可選的，所述分類網絡的損失函數為：