(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211416845.X (22)申请日 2022.11.11 (71)申请人 中加健康工程研究院 （合肥） 有限公 司 地址 230000 安徽省合肥市高新区习友路 与孔雀台路交口国家 健康大数据产业 园B5栋 (72)发明人 张弓　苏进　李学俊　王华彬　 (74)专利代理 机构 安徽知问律师事务所 34134 专利代理师 王泽洋 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 一种基于深度集 成学习的AD预测方法、 系统 及装置 (57)摘要 本发明公开了一种基于深度集成学习的AD 预测方法、 系统及装置， 属于医学影像处理领域。 针对现有技术中存在的通过计算机辅助标记软 件来肉眼观察患者脑PET图像中的大脑代谢 活性 来诊断AD诊断效率低且误诊 率高等问题， 本发明 通过从ADNI数据库中获取PET图像， 并对获取的 PET图像进行切片， 对切片后的PET图像中进行数 据扩增， 将扩增后的PET切片图像分别输入到 ResNet‑34网络和EfficientNet ‑b1网络进行特 征学习， 将学习到的特征通过MLP进行分类， 对分 类结果进行融合， 再将融合后的结果进行预测输 出， 从而实现强化预测模型对PET的表征学习能 力， 提高预测早期阿尔茨海默症的准确性。 权利要求书2页 说明书7页 附图3页 CN 115457339 A 2022.12.09 CN 115457339 A 1.一种基于深度集成学习的AD预测方法， 其 步骤包括， 从ADNI数据库中获取PET图像， 并对获取的PET图像进行切片； 对切片后的PET图像中进行 数据扩增； 将扩增后的PET切片图像分别输入到ResNet ‑34网络和EfficientNet ‑b1网络中进行特 征学习； 将ResNet ‑34网络和Ef ficientNet ‑b1网络中学习到的特 征通过MLP进行分类； 对分类结果进行融合， 再将融合后的结果进行 预测输出。 2.根据权利要求1所述的一种基于深度集成学习的AD预测方法， 其特征在于， 所述 ResNet‑34网络是一个残差结构比例为 （3， 4， 6， 3） 的网络， 所述ResNet ‑34网络结构中的 Highway Network网络与扩增后的PET切片图像中的低阶特 征信息融合。 3.根据权利要求2所述的一种基于深度集成学习的AD预测方法， 其特征在于， 获取所述 EfficientNet ‑b1网络的缩放权重， 通过扩增后的PET切片图像进行迁移学习， 得到所述 EfficientNet ‑b1网络新的权重值； 所述Efficientnet ‑b1网络自动搜索复合系数， 通过网 络的深度、 宽度和分辨 率三个维度优化预测网络 。 4.根据权利要求3所述的一种基于深度集成学习的AD预测方法， 其特征在于， 所述 EfficientNet ‑b1网络结构包括主干网络、 全局平均池化、 全局最大池化、 特征拼接和分类 器。 5.根据权利要求4所述的一种基于深度集成学习的AD预测方法， 其特征在于， 当扩增后 的PET切片图像输入到主干网络之后， 所述E fficientNet ‑b1网络学习 到扩增后的PET切片 图像的特征信息， 生成对应的特征矩阵再经过全局平均池化和全局 最大池化后， 获得两组 一维特征信息进行信息特征拼接， 拼接后的特征信息经分类器分类后， 再进行反向传播， 进 行多次迭代形成最优权 重。 6.根据权利 要求5所述的一种基于深度集成学习的AD预测方法， 其特征在于， 采用10k ‑ fold交叉验证对多张处理后的PET切片图像进 行模型训练， 训练 时以其中一组为验证集， 剩 余图像为训练集， 优化器使用SGD， 学习 率衰减策略为StepLR， 损失函数采用交叉熵损失函 数。 7.根据权利要求6所述的一种基于深度集成学习的AD预测方法， 其特征在于， 所述交叉 熵损失函数LCE的计算公式为： 其中， N为样本数， M为类别数， yi为样本i的类别， 正类为1， 负类为0， Li为每个训练样本 与对应的类别在交叉熵运算中的损失值， pi为样本i预测为正类的概率， yic为符号函数， pic 为样本i预测概 率。 8.根据权利要求7所述的一种基于深度集成学习的AD预测方法， 其特征在于， 在预测训权　利　要　求　书 1/2 页 2 CN 115457339 A 2练过程中选取10k ‑fold交叉验证模 型； 使用随机尺度变换 （1） 、 随机小角度旋转 （2） 、 随机水 平镜像 （3） 和随机垂直镜像 （4） 四种扩增方式。 9.一种基于深度集成学习的AD预测系统， 其特征在于， 其采用如权利要求1 ‑8中任意一 项所述的基于深度集成学习的AD预测方法对PET图像进行 特征学习； 所述AD预测系统包括： 输入模块， 输入PET图像进行切片处 理后， 进行扩增， 用于增 加训练集的样本； 训练模块， 将扩增后的PET切片图像分别输入到ResNet ‑34网络和EfficientNet ‑b1网 络中进行 特征学习， 学习到的特 征再经过MLP进行分类； 输出模块， 对分类结果进行融合， 再将融合后的结果进行 预测输出。 10.一种基于深度集成学习的AD预测装置， 包括存储器、 处理器以及存储在所述存储器 上并可在所述处理器上运行 的计算机程序， 其特征在于， 所述处理器执行所述程序时实现 如权利要求1 ‑8中任意一项所述的基于深度集成学习的AD预测方法的步骤。权　利　要　求　书 2/2 页 3 CN 115457339 A 3