[发明专利]一种基于类脑神经网络模型的自闭症检测装置

说明书

本发明公开了一种基于类脑神经网络模型的自闭症检测装置，属于医学影像图像处理技术领域。本发明的检测装置包括类脑神经网络构建单元、图像预处理单元、特征提取单元和检测单元。本发明避免直接采用神经网络对脑部的医学影像图像进行处理，采用类脑神经网络构建单元，提高识别的准确性。输出决策层需要集成多个子网络的输出，类脑神经网络的准确率没有达到设定的准确率阈值时，可以尝试增加子网络的数量，并对输出结果进行重新整合，来提高准确率。具备更大的灵活性。可以在降低数据集维数的同时提高整个网络的性能。对被检测者的自病症检测结果进行可视化输出，结果的展示方式形象直观。

技术领域

本发明属于医学影像图像处理技术领域，具体涉及一种基于类脑神经网络模型的自闭症检测装置。

背景技术

自闭症是以社会性障碍作为主要症状的发育障碍之一(据称患病率为1％)。对于儿童自闭症如果误诊或未发现可能对儿童的日常生活和学校生活带来严重障碍。然而，尚未发现对自闭症有确定疗效的药物疗法。因此，用以改善自闭症的唯一方式是早期诊断和基于该诊断的早期教育干预。然而，难以利用当前的标准临床技术来实现对自闭症早期确诊。

随着医学影像图像处理技术领域的发展，基于人工智能的方式对所采集的脑部医学影像图像(脑部静息态功能磁共振图)自闭症的智能检测，能为自闭症早期确诊提供辅助诊断。然而传统的反向传播神经网络处理问题准确率不够高，不能够进行分布式训练，因而有必要对直接采用神经网络对脑部的医学影像图像进行特征提取进而实现对自闭症的预测的方案进行改进。

发明内容

本发明提供了一种基于类脑神经网络模型的自闭症检测装置，以提升对自闭症的检测性能。

本发明采用的技术方案如下：

一种基于类脑神经网络模型的自闭症检测装置，包括类脑神经网络构建单元、图像预处理单元、特征提取单元和检测单元；

所述类脑神经网络构建单元，用于构建用于自闭症的二分类的类脑神经网络模型，所述类脑神经网络模型的输入数据为基于采集的脑部静息态功能磁共振图序列所提取的多种特征数据，其中，脑部静息态功能磁共振图序列包括正常对照者和自病症患者的脑部静息态功能磁共振图序列，包括多个BP神经网络，每个BP神经网络对应一个特征子集，用于确定输入该BP神经网络的特征数据，输出为自闭症的二分类预测结果；并将最终得到的子数据集队列中记录的每个子数据集对应的特征子集和对应的BP神经网络进行唯一编号，再将各特征子集信息发送给特征提取单元，以及将各BP神经网络信息发送给检测单元；其中，特征子集信息包括编号和包括的特征项，BP神经网络信息包括编号和各网络层的网络参数；

图像预处理单元，输入为被检测者的脑部静息态功能磁共振图序列，对各脑部静息态功能磁共振图进行图像预处理后，提取每张脑部静息态功能磁共振图的脑结构网络和脑功能网络并发送给特征提取单元；特征提取单元，基于每个特征子集指定的特征项，进行特征提取，得到被检测者的多个特征向量，并将每个特征向量所对应的特征子集的编号作为每个特征向量的编号，再将所有特征向量发送给检测单元；所述检测单元，将收到的特征向量按照编号匹配到对应的BP神经网络，再基于各个BP神经网络的输出进行综合判决，得到被检测者的自病症检测结果。

进一步的，所述BP神经网络为三层结构，包括输入层、隐藏层和输出层，隐藏层的激活函数为ReLU函数，输出层的正规化处理采用softmax函数，训练时采用的损失函数为交叉熵函数。

进一步的，所述类脑神经网络模型的层次结构包括分解层、启动层和输出决策层；

在分解层，从输入数据随机提取部分特征组合成一个新的子数据集，在开始训练之前，选取子数据集的部分特征组成预评估数据集，用单个BP神经网络进行训练，训练后得到预评估结果；为预评估结果设置一个准确率阈值，丢弃准确率未达到该准确率阈值的子数据集，从输入数据中提取新的子数据集再次进行预评估；