[发明专利]一种脑疾病诊断模型的生成方法、系统及设备

说明书

本发明提供了一种脑疾病诊断模型的生成方法、系统及设备，通过预设网络模型根据训练图像集中ROI序列样本，生成所述ROI序列样本对应的预测分类结果，其中，所述预设网络模型中设置有用于提取子空间特征的注意力模块；所述预设网络模型根据所述ROI序列样本对应的预测分类结果，以及所述ROI序列样本对应的疾病信息标签，对模型参数进行修正，重复训练，直至得到所述脑疾病诊断模型。本方法公开的预设网络模型由于加入了注意力模块，使得预设网络模型更加适用于应用到提取长序列信息的特征，因此对预设网络模型进行训练可以生成辅助脑疾病诊治的神经网络模型，为脑疾病诊断提供了依据。

技术领域

本发明涉及医疗诊断技术领域，尤其涉及的是一种脑疾病诊断模型的生成方法、系统及设备。

背景技术

现有的用于脑疾病早期诊断的模型中，多为基于机器学习构建出的诊断模型。例如，Zhou等人提出了一种基于全脑容量测量和扩散张量成像的支持向量机分类模型。Sen等人提出了一种利用皮尔森相关系数进行强迫症脑网络构建的诊断模型。Lenhard等人采用四种不同的机器学习方法构建完成脑疾病的早期诊断模型。

然而，在现有的诊断模型中仍然存在许多问题。首先，现有的诊断框架不考虑将一级亲属作为高危人群进行判别。其次，传统的机器学习很大程度上依赖于先验知识来选择特征。最后，传统的功能网络构建需要复杂的预处理和计算。

因此，现有技术有待于进一步的改进。

发明内容

鉴于上述现有技术中的不足之处，本发明的目的在于提供一种脑疾病诊断模型的生成方法、系统及设备，克服现有技术中的基于机器学习的脑疾病诊断模型依赖先验知识选择特征和用于训练模型的训练集数据预处理过程复杂的缺陷。

本发明实施例公开的方案如下：

第一方面，本实施例提供了一种脑疾病诊断模型的生成方法，其中，包括：

预设网络模型根据训练图像集中ROI序列样本，生成所述ROI序列样本对应的预测分类结果，其中，所述训练图像集包括多组训练样本，每组训练样本包括：ROI序列样本和与所述ROI序列样本对应的疾病信息标签；所述预设网络模型中设置有用于提取子空间特征的注意力模块；

所述预设网络模型根据所述ROI序列样本对应的预测分类结果，以及所述ROI序列样本对应的疾病信息标签，对模型参数进行修正，并继续执行所述预设网络模型根据训练图像集中ROI序列样本，生成所述ROI序列样本对应的预测分类结果的步骤，直至所述预设网络模型的训练情况满足预设条件，以得到所述脑疾病诊断模型。

可选的，所述预设网络模型包括：深度信息提取模块、子空间信息提取模块和分类模块；

所述预设网络模型根据训练图像集中ROI序列样本，生成所述ROI序列样本对应的预测分类结果的步骤包括：

将所述ROI序列样本输入至所述深度信息提取模块，得到所述深度信息提取模块输出的深度特征信息；

将深度特征信息输入至所述子空间信息提取模块，得到所述子空间信息提取模块输出的子空间信息；

将所述子空间信息输入至所述分类模块，得到所述分类模块输出的与所述ROI序列样本对应的预测分类结果。

可选的，所述的深度信息提取模块的网络结构为ON-LSTM网络结构，所述ON-LSTM网络结构为将LSTM网络的单元状态更新函数更新为：

其中，为主输入门调制，为输入调制，为主遗忘门调制，c_t-1为更新前的单元状态，c_t为更新后的单元状态。

可选的，所述子空间信息提取模块为改进后的多头注意力模型；所述多头注意力模型中的各个自注意力模块的激活函数不同。