CN116843667B 一种基于多任务学习的脑影像分类及脑认知评分预测方法 （中南大学）

WO2023087006A1,2023.05.一种基于多任务学习的脑影像分类及脑认种基于多任务学习的脑影像分类及脑认知评分磁共振图像集输入该模型，得到脑影像分类结得到训练后的脑影像分类及脑认知评分预测模2构建脑影像分类及脑认知评分预测模型；所述脑影连接所述第二特征提取模块的第一输出端，所述预测模块的输出端输出脑认知评分预测将所述训练脑磁共振图像集中的脑磁共振图像逐个输入所述脑影像分类及脑认知评根据预先获取的所述N个脑磁共振图像样本中每个脑磁共振图像样本的脑认知评分实根据所述第一损失函数、所述第二损失函数、所述第三损失函数将待分类脑磁共振图像输入训练后的脑影像分类及脑认知评分预测训练脑磁共振图像集中的脑磁共振图像逐个输入所述脑影像分类及脑认知评分预测模型，3xz0,ixzM2,iS表示所述第二损失函数，mi表示预先获取的第i个脑磁共振图像样本的脑认知4测模型中每个模块的总数量，所述脑影像分类及脑认知评分预测模型中各模块的数量相步骤ii，计算所述新脑影像分类及脑认知评分预测5未收敛，将所述新脑影像分类及脑认知评分预测模型作为所述步骤i中的所述脑影像分类6病识别等领域都有重要的应用。由于能够无创而且精细地对大脑进行成像，磁共振影像(MRI，MagneticResonanceImaging)等神经影像技术已经被广泛应用于脑影像分类领域结构比如海马体已经被研究证实与认知功能存在高度的关联，并验证了通过MRI影像预测于传统机器学习的预测方法、基于CNN的预测方法和基于弱监督学习等其他深度学习技术关联关系。决目前脑影像分类准确度较低和脑认知评分7第二特征提取模块的第二输出端，特征交互模块的第一输出端连接识别模块的第一输入二输入端连接第二特征提取模块的第一输出端，预测模块的输出端输出脑认知评分预测[0008]将训练脑磁共振图像集中的脑磁共振图像逐个输入脑影像分类及脑认知评分预[0012]根据预先获取的N个脑磁共振图像样本中每个脑磁共振图像样本的脑认知评分实8)))表示第j个第二特征提取模块的第二输出端输出的特征数据，表示第j个第一特征提9D表示第四损失函数。影像分类及脑认知评分预测模型收敛，得到训练后的脑影像分类及脑认知评分预测模型，分类及脑认知评分预测模型作为步骤i中的脑影像分类及脑认知评分预测模型，返回执行[0060]本申请提供的脑影像分类及脑认知评分预测模型有效的结合了脑认知评分和脑影像分类两个任务之间的相关性，极大的提高了脑影像分类和脑认知评分预测的准确度；本申请通过构建四个不同的损失函数对脑影像分类及脑认知评分预测模型模型进行反向[0063]图1为本申请一实施例提供的基于多任务学习的脑影像分类及脑认知评分预测方[0076]如图1所示，本申请提供的一种基于多任务学习的脑影像分类及脑认知评分预测[0081]采用FSL(英国牛津大学FMRIB图像学研究中心推出的一套用于脑成像数据分析和将N个样本的核磁共振图像(MRI，NMRImaging)从原始空间转换到标准MNI空间，MNI(MontrealNeurologicalInstitute)是由MontrealNeurologicalInstitute根据正常[0083]由于医学影像的稀少和三维(3D，threedimensionaldimensional)图像带来的[0087]如图2所示，脑影像分类及脑认知评分预测模型包括用于提取脑影像分类特征的预测结果的预测模块(如图2中25所示)，第一特输出脑影像分类特征，特征交互模块的第一输入端连接第一特征提取模块的第二输出端，[0088]此处需要说明的是，脑影像分类特征表示通过多层的卷积和池化运算从MRI中提表示通过多层的卷积和池化运算从MRI中提取的对脑影像进行脑认知评分预测的特征，例全连接层包括32个神经元，其输入为脑影像分类特征和交互特征第二个全连接层包括2个包括1个神经元，其输入为上层输出，其输出为输入脑磁共振图像对应的脑认知评分预测[0096]步骤113，将训练脑磁共振图像集中的脑磁共振图像逐个输入脑影像分类及脑认性的，脑认知评分包括简易精神状态量表、临床痴呆以及蒙特利尔认知评估量表(MoCA，MontrealCognitiveAsse影像分类及脑认知评分预测模型预测脑认知评表示第j个第二特征提取模块的第二输出端输出的特征数据，表示第j个第一特征提这些离散点来构造分布函数(描述脑认知评分与属于cD表示第四损失函数。分类及脑认知评分预测模型作为步骤i中的脑影像分类及脑认知评分预测模型，返回执行[0132]步骤120，将待分类脑磁共振图像输入到训练后的脑影像分类及脑认知评分预测[0133]上述待识别脑磁共振图像表示需要进行脑影像分类和脑认知评分预测的脑磁共[0134]下面对步骤步骤113(将训练脑磁共振图像集中的脑磁共振图像逐个输入脑影像[0141]如图4所示，在本申请的实施例中，上述第一特征提取模块包括空间注意力网络)))个不同的空间注意力网络，SSS1，SSS2表示特征交互模块中两个不同的通道注意力网络，[0166]对脑认知评分特征序列进行全连接处理的过程与对脑影像分类特征序列进行全执行所述计算机程序D102时实现上述任意各个方法实像分类及脑认知评分预测模型模型的识别效果更加准确；本申请提供的脑影像分类方法，用集成电路(ASIC，ApplicationSpecificIntegratedCircuit)、现成可编程门阵列[0170]所述存储器D101在一些实施例中可以是所述终端设备D10的内部存储单元，例如的外部存储设备，例如所述终端设备D10上配备的插接式硬盘，智能存储卡(SMC，Smart存储器D101还可以既包括所述终端设备D10的内部存储单元也包括外部存储设备。所述存有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步[0173]所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用[0178]本申请提供的基于多任务学习的脑影像