CN119418915A 帕金森病评估模型训练方法、系统及帕金森病评估方法 （南昌大学）

本申请涉及人工智能辅助疾病检测技术领并利用初始模型的注意力融合模块对多尺度特征进行自适应加权融合，形成面部表情融合特金森病评估模型能进一步提升帕金森疾病的评2获取多个样本对象中每一样本对象的多类面部表情图像，每一通过初始帕金森病评估模型中的分支网络模块，分别提取每一所述通过所述初始帕金森病评估模型中的注意力融合模块，对所述多尺度通过所述初始帕金森病评估模型中的分类模块，对所述面部表情融根据多个所述样本对象的预测分类结果和多个所述样本对象对应的真实类别标签的述二元交叉熵损失函数用于计算每个所述样本对象被预测为PD患者的概率和所述真实类测样本类别和所述类别中心向量之间的中心损基于所述联合损失函数，训练所述初始帕金森病评估模型以得到目通过所述初始特征提取单元，对所述面部表情图像进行初始特征提通过所述多尺度特征提取单元，对所述初始面部表情特征进行多尺度特征提络分为初始特征提取单元和多尺度特征提取在所述初始特征提取单元中设置卷积层和多个残差网络块通过所述跳跃连接层，将所述第一特征和所述第二特征相连，得到所述在所述多尺度特征提取单元中设置第二卷积层组、双分支网通过所述左分支网络，对所述多个子特征组按照从前往后的顺序进行特征提3通过所述右分支网络，对所述多个子特征组按照从后往前的顺序进行特征提通过所述第二跳跃连接层，将所述初始面部表情特征和所述第五通过所述第一全连接层组，对所述拼接特征进行平均池化和全连通过所述第二个全连接层组，对所述拼接特征进行最大池化和全连接通过逐元素相乘操作，将所述拼接特征和所述注意力权重进行自适应加权融选取多个所述样本对象作为训练样本，每个所述训练样本含有真实类别选取多个所述样本对象作为训练样本以及确定类别中心向量；通过所述初始样本的预测样本类别和所述类别中心向量之间的中心损失对所述二元交叉熵损失函数值和所述中心损失函数值进行权重调整对象中每一样本对象的多类面部表情图像的确定所述多类面部表情图像为六类不同的面部表情图像，获取数据模块，用于获取多个样本对象中每一样本对象的多类4构建初始模型模块，用于通过初始帕金森病评估模型中类面部表情图像对应的分支网络；通过所述初始帕金森病评估模型中的注意力融合模块，构建损失函数模块，用于根据多个所述样本对象的预测训练样本的预测样本类别和所述类别中心向量之间的中心损失训练初始模型模块，用于基于所述联合损失函数，将所述多类面部表情图像输入目标帕金森病评估模型，所述目标帕金通过如权利要求1至6中任一项所述的帕金森病评估模型训练方法训基于所述目标帕金森病评估模型得到所述待测对象对应的预测其中，所述处理器被配置为执行所述可执行指令，以实现如权述的帕金森病评估模型训练方法或如权利要求8所述的帕金森病评估模型训练方法或如权利要求8所述的帕金5要依赖于专业的影像学设备，如正电子发射断层扫描（PositronEmissionTomography,旨在能够提取主体面部表情图像的多尺度特征和能够缩小类内特征与类中心的距离以提6根据多个所述样本对象的预测分类结果和多个所述样本对象对应的真实类别标的预测样本类别和所述类别中心向量之间的中尺度特征提取单元的步骤中：在所述初始特征提取单元中设置卷积层和多个残差网络块，7算每个训练样本被预测为PD患者的概率和所述真实类别标签之间的二元交叉熵损失函数每个训练样本的预测样本类别和所述类别中心向量之间的中心损型是通过上述的帕金森病评估模型训练方法基于所述目标帕金森病评估模型得到所述待测对象对应的预测8部表情图像到经过训练的目标帕金森病评估模型，模型会自动分析并给出预测分类结果，图2为本申请第一实施例提出的帕金森病评9请参阅图1，为本申请第一实施例提出的一种帕金森病评估模型训练方法的流程共RaFD数据集中52位正常人的面部表情图像以及公共TFED数据集中88位正常人的面部表图像、公共Oulu数据集中16位正常人的面部表情图像、公共RaFD数据集中15位正常人的面[0027]在一些实施方式中，将分支网络分为初始特征提取单元申请第一实施例提出的多尺度特征提取单元的LU(BN(con1(x)))))+p(x))(1)BN(.)表示批归一化操作；Relu(.)表示整流线性单元；BN(convz(Relu(BN(conv(x)))))()表示跳跃连()为()为1x1卷积操作，先通过1x1卷积将输入特征x的通道数调整为与输出特征通道网络，他们分别按从前往后和从后往前的顺序对子特征组进行多尺度特征的提取。在每个子分支中，每个子特征组先与上一个子特征组经过卷积操作得到的输出逐元素相加，再由3x3卷积操作进行处理。双分支网络块的左分支网络和右分支网络的工作原理分别如式第i个子特征组进行处理的卷积层，convfto(.)表示右分支网络中对第i个子特征组进行()到的特征进行融合。请参阅图6，为本申请第一实施例提出的注意力融合模块的结构示意[0038]在一些实施方式中，在所述注意力融合模块中设置拼接层、两个全连接层组和Sigmoid函数层，将所述第一连接特征和所述第二连接特征进行拼接映射，得到注意力权在公式（7）中，feaz表示PD_Net网络的第i个子分支网络提取得到的特征，操作，Maxpool(.)表示最大池化操作，o(.)表示Sigmoid函数，它能够将输入值都映射至[0045]S05：根据多个样本对象的预测分类结果和多个样本对象对应的真实类别标签的叉熵损失函数用于计算每个样本对象被预测为PD患者的概率和真实类别标签之间的二元示PD_Net模型判断第i个样本为PD患者的概率，Lpcg表示计算得到的二元交叉熵损失函数规模较小导致的样本类别分布不平衡问题及其对PD_Net模型的特征学习带来的负面影响，进一步提升PD_Net模型的帕金森病智能评下表1所示，我们选取五种主流的深度学习模型Swin_Transformer、CoAtNet、ResNet、ConvNext和EfficientNetV创的注意力融合模块对提取的特征进行自适应加权融合，促进模型对从6种基本不同表情函数训练构建的帕金森病智能评估模型PD_Net，通过最小化类内样本特征与类中心的距行帕金森病的智能评估。相比于只根据一种特定面部表情的图像来进行帕金森病的诊断，本申请综合6种基本不同表情下的面部表情图像进行评估，有助于避免因部分帕金森病患及其对PD_Net模型的特征学习带来的负面影响，从而进一步提升模型帕金森病评估的精请参阅图9，所示为本申请第二实施例提出的一种帕金森病评估模型训练系统的构建损失函数模块300，用于根据多个所述样本对象的预测分类结果和多个所述计算每个训练样本的预测样本类别和所述类别中心向量之间的中心损是通过上述第一实施例的帕金森病评估模型训练输入到训练好的原创PD_Net模型中，获得模型对该主体是否患有帕金森病的智能评估结果分别表示输入主体法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这