【技術實現步驟摘要】
本專利技術涉及醫學影像處理和人工智能，尤其涉及一種基于融合注意力塊的resnet阿爾茨海默癥分類方法。
技術介紹
1、阿爾茨海默癥是一種嚴重的神經退行性疾病，其主要特征是進行性和不可逆的認知功能喪失，主要影響老年人群體。隨著全球老齡化問題的加劇，ad的患病率呈現顯著上升趨勢，給患者及其家庭帶來了巨大的經濟和精神負擔。目前，ad的診斷主要依賴于臨床癥狀、認知測試和神經影像學檢查。然而，由于阿爾茨海默癥的早期癥狀較為隱匿，許多患者在確診時已處于疾病的中晚期階段，因此，早期診斷顯得尤為重要。
2、傳統的ad診斷方法包括結構磁共振成像(mri)、正電子發射斷層掃描(pet)以及腦脊液生物標志物檢測等。這些方法雖然在一定程度上提高了診斷的準確性，但仍存在一些明顯的缺陷：首先，mri和pet影像的診斷高度依賴于臨床醫生的經驗和專業知識，人工閱片耗時且容易受主觀因素影響，可能導致誤診或漏診。其次，pet掃描和腦脊液生物標志物檢測不僅費用高昂，而且具有一定的侵入性和不適感，限制了其在大規模篩查中的應用。最后，傳統影像處理方法在特征提取上存在局限性，難以充分利用影像中的信息，導致診斷準確率不高。
3、針對上述問題，近年來，基于深度學習的計算機輔助診斷方法逐漸成為研究熱點。深度學習，尤其是卷積神經網絡，在醫學影像分析中展現出了巨大的潛力，能夠自動從大量數據中學習特征，并在分類任務中達到甚至超過人類專家的水平。然而，現有的深度學習方法在阿爾茨海默癥的診斷中仍存在以下不足：傳統的卷積神經網絡在提取特征時，容易忽略圖像中的局部重要
技術實現思路
1、本專利技術的一個目的在于提出一種基于融合注意力塊的resnet阿爾茨海默癥分類方法，旨在通過改進深度學習網絡架構提高阿爾茨海默癥的診斷準確性，有效的的解決了現有技術中對診斷結果判斷不準的問題，顯著提高了阿爾茨海默癥的診斷準確性。
2、根據本專利技術實施例的一種基于融合注意力塊的resnet阿爾茨海默癥分類方法，包括如下步驟：
3、s1.獲取阿爾茨海默癥患者的mri影像數據，對mri影像數據進行預處理，包括去頭骨、配準到mri標準空間、圖像平滑和灰度歸一化；
4、s2.對resnet34基礎網絡模型進行改進：
5、(1)在resnet34基礎網絡模型中引入卷積塊注意力模塊，通過結合通道注意力機制和空間注意力機制進行特征提取；
6、(2)采用softpool池化層替代傳統的最大池化或平均池化層，通過加權池化過程獲取特征；
7、(3)將原有的relu激活函數替換為meta-acon激活函數，通過自適應學習處理異常值和噪聲數據；
8、s3.引入卷積塊注意力模塊，通過結合通道注意力機制和空間注意力機制對初步特征進行處理；
9、s4.采用softpool池化層對提取的特征進行加權池化，通過加權池化過程獲取特征；
10、s5.將特征輸入meta-acon激活函數，通過自適應學習處理異常值和噪聲數據；
11、s6.利用改進后的resnet34模型對處理后的特征進行分類，判斷受試者是否患有阿爾茨海默癥及其病程階段；
12、s7.根據分類結果輸出診斷報告，顯示阿爾茨海默癥的分類結果及相應的病程階段。
13、可選的，所述s1包括以下步驟：
14、s11.獲取阿爾茨海默癥患者的mri影像數據；
15、s12.對獲取的mri影像數據進行去頭骨處理，以去除顱骨對影像數據的干擾；
16、s13.將去頭骨處理后的mri影像數據配準到mni標準空間；
17、s14.對配準后的mri影像數據進行圖像平滑處理：
18、
19、其中，g(x,y)表示高斯平滑后的圖像像素值，σ表示高斯核的標準差。
20、s15.對平滑處理后的mri影像數據進行灰度歸一化處理，將像素值歸一化到[0,1]范圍內：
21、
22、其中，i′表示歸一化后的像素值，i表示原始像素值，imin和imax分別表示圖像的最小和最大像素值。
23、可選的，所述s3包括以下步驟：
24、s31.將初步提取的特征輸入卷積塊注意力模塊，該模塊通過通道注意力機制和空間注意力機制對特征進行處理：
25、
26、其中，mc(f)表示通道注意力權重，σ表示sigmoid函數，和分別表示通道卷積操作的權重，avgpool(f)和maxpool(f)分別表示輸入特征f的平均池化和最大池化操作；
27、f′＝mc(f)·f；
28、其中，f′表示通道注意力處理后的特征，mc(f)表示通道注意力權重，f表示輸入特征；
29、ms(f′)＝σ(f7×7([avgpool(f′)；maxpool(f′)]))
30、其中，ms(f′)表示空間注意力權重，σ表示sigmoid函數，f7×7表示7x7的卷積操作，avgpool(f′)和maxpool(f′)分別表示通道注意力處理后特征f′的平均池化和最大池化操作；
31、s32.利用空間注意力機制對通道注意力處理后的特征進行加權處理：
32、f″＝ms(f′)·f′
33、其中，f″表示空間注意力處理后的特征，ms(f′)表示空間注意力權重，f′表示通道注意力處理后的特征。
34、可選的，所述s4包括以下步驟：
35、s41.將通過卷積塊注意力模塊處理后的特征輸入softpool池化層，進行加權池化操作：
36、
37、其中，softpool(x)表示池化后的特征值，xi表示池化窗口內的特征值，e表示自然指數；
38、s42.計算每個池化窗口內特征值的權重：
39、
40、其中，wi表示特征值xi的權重，表示池化窗口內所有特征值的指數和；
41、s43.利用計算出的權重對池化窗口內的特征值進行加權求和，獲得加權池化后的特征值；
42、s44.將加權池化后的特征值作為輸出，進行后續特征處理和分類。
43、可選的，所述s5包括以下步驟：
44、s51.將加權池化后的特征輸入meta-acon激活函數，進行激活處理；
45、β＝σ(w1·globalavgpool(f)+w2；
46、其中，β表示自適應參數，σ表示sigmoid函數，w1和w2為1x1卷積層的權重本文檔來自技高網...
【技術保護點】
1.一種基于融合注意力塊的ResNet阿爾茨海默癥分類方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于融合注意力塊的ResNet阿爾茨海默癥分類方法，其特征在于，所述S1包括以下步驟：
3.根據權利要求2所述的一種基于融合注意力塊的ResNet阿爾茨海默癥分類方法，其特征在于，所述S3包括以下步驟：
4.根據權利要求1所述的一種基于融合注意力塊的ResNet阿爾茨海默癥分類方法，其特征在于，所述S4包括以下步驟：
5.根據權利要求1所述的一種基于融合注意力塊的ResNet阿爾茨海默癥分類方法，其特征在于，所述S5包括以下步驟：
6.根據權利要求1所述的一種基于融合注意力塊的ResNet阿爾茨海默癥分類方法，其特征在于，所述步驟S6包括以下子步驟：
【技術特征摘要】
1.一種基于融合注意力塊的resnet阿爾茨海默癥分類方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于融合注意力塊的resnet阿爾茨海默癥分類方法，其特征在于，所述s1包括以下步驟：
3.根據權利要求2所述的一種基于融合注意力塊的resnet阿爾茨海默癥分類方法，其特征在于，所述s3包括以下步驟：
4.根據權...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。