自闭症患病预测方法、装置、设备及存储介质与流程

本发明涉及信息处理技术领域，尤其涉及一种自闭症患病预测方法、装置、设备及存储介质。

背景技术：

自闭症(autism)，又称孤独症或孤独性障碍(autisticdisorder)等，是广泛性发育障碍(pervasivedevelopmentaldisorder，pdd)的代表性疾病。《dsm-iv-tr》将pdd分为5种：孤独性障碍、retts综合症、童年瓦解性障碍、asperger综合症和未特定的pdd。其中，孤独性障碍与asperger综合症较为常见。约有3/4的患者伴有明显的精神发育迟滞，asperger综合症部分患儿在一般性智力落后的背景下某方面具有较好的能力。目前患病率全球都类似约为1％，我国自闭症患者已超1000万，0到14岁的儿童患病者达200余万。

在对整个孤独症谱系障碍的临床分类体系中，有大量的临床鉴别诊断需要被认知到，这是因为："儿童孤独症是一种广泛性发展障碍，这种发展障碍的症状比较类似(rapin，1999)"。而这种类似性的产生在临床鉴别上尚缺乏特异的生物学诊断标准，罹患自闭症的儿童在两岁前都没有行为异常，在那之前，往往很难找到病理变化的迹象。对自闭症的干预越早越好，若能准确预测婴儿是否会患病，就可以尽早做好准备、接受治疗。且迄今为止对于asd的诊断仍仅限于临床症状作为主要依据。因此，婴幼儿期的行为分化不明显时，从症状特征做判断与界定有诸多局限，且容易与其他类型的发育行为障碍相互混淆，例如语言发育落后、智力低下以及儿童期情绪障碍等。

发明人在实施本发明实施例时，发现目前临床上对于自闭症的诊断还是通过量表(dsm-iv)或凭医生的经验判断，尚缺乏相对客观的诊断工具，没有一种可以进行自闭症患病预测的技术。

技术实现要素：

有鉴于此，本发明实施例提供一种自闭症患病预测方法、装置、设备及存储介质，通过卷积神经网络的技术，可以预测出是否有自闭症，从而为早期筛查与诊断提供影像学依据。

第一方面，本发明实施例提供了一种自闭症患病预测方法，包括如下步骤：

获取训练完成的卷积神经网络；其中，所述训练完成的卷积神经网络通过对带有正负标签的训练样本和初始卷积神经网络进行卷积神经网络训练，在训练过程中，使用预训练与微调结合的方式；

获取待预测的3d-mri影像数据；

根据所述训练完成的卷积神经网络，对所述待预测的3d-mri影像数据进行自闭症预测，得到预测结果。

在第一方面的第一种可能实现方式中，所述获取训练完成的卷积神经网络；其中，所述训练完成的卷积神经网络通过对带有正负标签的训练样本和初始卷积神经网络进行卷积神经网络训练，在训练过程中，使用预训练与微调结合的方式，包括：

通过对带有正负标签的训练样本和初始卷积神经网络进行预训练，获取预训练完成后卷积神经网络的结果文件；其中，所述结果文件为所述卷积神经网络的自编码器的结果文件；

根据所述结果文件对所述预训练完成后的卷积神经网络进行微调，以获取所述训练完成的卷积神经网络。

结合第一方面以及第一方面的第一种可能方式，在第一方面的第二种可能实现方式中，所述通过对带有正负标签的训练样本和初始卷积神经网络进行预训练，获取预训练完成后卷积神经网络的结果文件；其中，所述结果文件为所述卷积神经网络的自编码器的结果文件，包括：

将所述带有正负标签的训练样本输入所述初始卷积神经网络，进行前馈计算，以获取所述计算结果与所述正负标签的均方误差的损失函数；

通过反向传播对所述初始卷积神经网络进行优化，以使得所述损失函数的值收敛，获取所述卷积神经网络的自编码器的结果文件。

结合第一方面的第二种可能实现方式，在第一方面的第三种可能实现方式中，所述将所述带有正负标签的训练样本输入所述初始卷积神经网络，进行前馈计算，以获取所述计算结果与所述正负标签的均方误差的损失函数，包括：

基于所述初始卷积神经网络对所述带有正负标签的训练样本进行编码，通过卷积操作和池化操作提取所述带有正负标签的训练样本各层对应的特征图；

基于所述初始卷积神经网络对所述特征图进行解码，获取解码数据与所述带有正负标签的训练样本的数据。

根据所述解码数据与所述带有正负标签的训练样本的数据，以获取所述计算结果与所述正负标签的均方误差的损失函数。

结合第一方面的第一种可能实现方式中，在第一方面的第四种可能实现方式中，所述根据所述预训练完成后卷积神经网络的结果文件对所述预训练完成后的卷积神经网络进行微调，以获取所述训练完成的卷积神经网络，包括：

获取预设的微调参数；其中，所述预设的微调参数包括：卷积核的个数、卷积核大小、滑动步长、全连接层结点数、全连接层层数以及梯度下降步长；

根据所述预设的微调参数及所述预训练完成后卷积神经网络的结果文件，对所述预训练完成后的卷积神经网络进行训练，以获取所述训练完成的卷积神经网络。

在第一方面的第五种可能实现方式中，在所述根据所述训练完成的卷积神经网络，对所述待预测的3d-mri影像数据进行自闭症预测，得到预测结果包括：

基于所述预测结果，获取所述待预测的3d-mri影像的分类别；其中所述分类别包括自闭症和非自闭症。

在第一方面的第六种可能实现方式中，在所述根据训练完成的卷积神经网络，对所述待预测的3d-mri影像数据进行自闭症预测，得到预测结果之后，还包括：

获取基于acu对所述预测结果的正确评估结果。

第二方面，本发明实施例还提供了一种自闭症患病预测装置，包括：

网络获取模块，用于获取训练完成的卷积神经网络；其中，所述训练完成的卷积神经网络通过对带有正负标签的训练样本和初始卷积神经网络进行卷积神经网络训练，在训练过程中，使用预训练与微调结合的方式；

数据获取模块，用于获取待预测的3d-mri影像数据；

预测模块，用于根据所述训练完成的卷积神经网络，对所述待预测的3d-mri影像数据进行自闭症预测，得到预测结果。

第三方面，本发明实施例还提供了一种自闭症患病预测设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的自闭症患病预测方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上所述的自闭症患病预测方法。

实施本发明实施例具有如下有益效果：

首先获取训练完成的卷积神经网络；其中，所述训练完成的卷积神经网络通过对带有正负标签的训练样本和初始卷积神经网络进行卷积神经网络训练，在训练过程中，使用预训练与微调结合的方式；然后，获取待预测的3d-mri影像数据；最后，根据所述训练完成的卷积神经网络，对所述待预测的3d-mri影像数据进行自闭症预测，得到预测结果。在早期儿童的行为分化不明显时，通过对卷积神经网络自动学习并提取自闭症患者脑结构特征，通过提取的脑结构特征预测罹患自闭症，从而为早期筛查与诊断提供影像学依据。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1是本发明实施例一提供的自闭症患病预测设备的示意图；

图2是本发明实施例二提供的一种自闭症患病预测方法的流程示意图；

图3是本发明实施例二提供的自闭症患病预测模型结构的示意图；

图4是本发明实施例二提供的样本预处理的示意图；

图5是本发明实施例二提供的auc参数的示意图；

图6是本发明第三实施例提供的自闭症患病预测装置的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

所属技术领域的技术人员知道，本发明可以实现为设备、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：可以是完全的硬件、也可以是完全的软件(包括固件、驻留软件、微代码等)，还可以是硬件和软件结合的形式，本文一般称为“电路”、“模块”或“系统”。此外，在一些实施例中，本发明还可以实现为在一个或多个计算机可读介质中的计算机程序产品的形式，该计算机可读介质中包含计算机可读的程序代码。

可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、电线、光缆、rf等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如”c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

下面将参照本发明实施例的方法、设备(系统)和计算机程序产品的流程图和/或框图描述本发明。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机程序指令实现。这些计算机程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种虚拟机，这些计算机程序指令通过计算机或其它可编程数据处理装置执行，产生了实现流程图和/或框图中的方框中规定的功能/操作的装置。

也可以把这些计算机程序指令存储在能使得计算机或其它可编程数据处理装置以特定方式工作的计算机可读介质中，这样，存储在计算机可读介质中的指令就产生出一个包括实现流程图和/或框图中的方框中规定的功能/操作的指令装置的制造品(manufacture)。

也可以把计算机程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机或其它可编程装置上执行的指令能够提供实现流程图和/或框图中的方框中规定的功能/操作的过程。

实施例一

请参见图1，图1是本发明实施例一提供的自闭症患病预测设备的示意图，用于执行本发明实施例提供的自闭症患病预测方法，如图1所示，该自闭症患病预测设备包括：至少一个处理器11，例如cpu，至少一个网络接口14或者其他用户接口13，存储器15，至少一个通信总线12，通信总线12用于实现这些组件之间的连接通信。其中，用户接口13可选的可以包括usb接口以及其他标准接口、有线接口。网络接口14可选的可以包括wi-fi接口以及其他无线接口。存储器15可能包含高速ram存储器，也可能还包括非不稳定的存储器(non-volatilememory)，例如至少一个磁盘存储器。存储器15可选的可以包含至少一个位于远离前述处理器11的存储装置。

在一些实施方式中，存储器15存储了如下的元素，可执行模块或者数据结构，或者他们的子集，或者他们的扩展集:

操作系统151，包含各种系统程序，用于实现各种基础业务以及处理基于硬件的任务；

程序152。

具体地，处理器11用于调用存储器15中存储的程序152，执行上述实施例所述的自闭症患病预测方法。

所称处理器可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述自闭症患病预测方法的控制中心，利用各种接口和线路连接整个所述自闭症患病预测方法的各个部分。

所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现自闭症患病预测的电子装置的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、文字转换功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、文字消息数据等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(smartmediacard,smc)，安全数字(securedigital,sd)卡，闪存卡(flashcard)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

其中，所述自闭症患病预测集成的模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一个计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

下面将参照附图来描述本发明实施例的自闭症患病预测的方法。

实施例二

图2是本发明实施例二提供的一种自闭症患病预测方法的流程示意图。

一种自闭症患病预测方法，包括以下步骤：

s11、获取训练完成的卷积神经网络；其中，所述训练完成的卷积神经网络通过对带有正负标签的训练样本和初始卷积神经网络进行卷积神经网络训练，在训练过程中，使用预训练与微调结合的方式；

s12、获取待预测的3d-mri影像数据；

s13、根据所述训练完成的卷积神经网络，对所述待预测的3d-mri影像数据进行自闭症预测，得到预测结果。

需要说明的是，以往研究表明自闭症患者和健康对照组在皮层和皮层下的脑形态计量学，即脑体积、皮层厚度和表面积存在显著差异性，比如asd患者大脑皮层随年龄变化，特别是在青春期阶段，苍白球、壳核、杏仁核和伏隔核的皮层体积减小，额叶皮层厚度增加，颞叶皮层厚度减少。据此，用人工智能分析有风险患病婴儿的脑部核磁共振数据，在相关症状出现之前，就能预测是否会患病。

需要说明的是，在众多图像识别技术中，有很多线性方法，例如线性回归，对数几率回归。但是，在非线性预测场景下，线性回归则无法使用，必须采取非线性回归，例如支持向量机，还有著名的神经网络。神经网络的主要原理是模仿大脑神经元的工作原理，将一个个神经元连接成网，每个神经元将输入的信号进行一些处理，再将处理后的信号传出去作为目标神经元的输入。处理可能是累加，可能是过滤或者任何方式。通过单个神经元简单规则的大规模重复，形成一个复杂系统，最终达到非线性预测的目的。网络事先对待识别模式的大量样本进行学习训练，并通过神经元之间的互连权值来存储结果，网络训练完毕，标志着它对某一类或几类模式已具有正确分类的能力，这样，一旦有新的待识别模式样本出现，网络便能根据记忆马上对它做出“反映”，及识别。卷积神经网络的基本结构包括两层，其一为卷积操作，每个神经元的输入与前一层的局部接受域相连，通过卷积操作提取该局部的特征。一旦该局部特征被提取后，它与其它特征间的位置关系也随之确定下来；其二是激活函数，网络的每个计算层由多个特征映射组成，每个特征映射是一个平面。特征映射结构采用relu函数作为卷积网络的激活函数。此外，由于一个映射面上的神经元共享权值，因而减少了网络自由参数的个数。在一般的卷积神经网络中的每一个卷积层都紧跟着一个池化操作，通过池化得到压缩后的特征图并减小了特征分辨率。

优选地，所述获取训练完成的卷积神经网络；其中，所述训练完成的卷积神经网络通过对带有正负标签的训练样本和初始卷积神经网络进行卷积神经网络训练，在训练过程中，使用预训练与微调结合的方式，包括：

通过对带有正负标签的训练样本和初始卷积神经网络进行预训练，获取预训练完成后卷积神经网络的结果文件；其中，所述结果文件为所述卷积神经网络的自编码器的结果文件；

根据所述结果文件对所述预训练完成后的卷积神经网络进行微调，以获取所述训练完成的卷积神经网络。

在本实施例中，带有正标签的训练样本，即为标记为有自闭症的3d-mri影像，带有负标签的训练样本，标记为没有自闭症的3d-mri影像。示例性的，卷积网络会先加载所述带有正负标签的训练样本的文件目录，对所述有正负标签的训练样本的长宽高进行筛选，筛选出长宽高最小值，然后据此遍历所述带有负标签的训练样本，并创建空列表，在新创建的空列表中加载所述带有负标签的训练样本，在列表为空时，插入文件，以此扩充维度，在列表不为空时，堆叠文件，在遍历完所有的所述带有负标签的训练样本后，创建一个无自闭症集合，并将预设阈值赋值给所述无自闭症集合。同样的遍历所有的正标签的训练样本，创建一个有自闭症集合，并将预设阈值赋值给所述有自闭症集合。

在本实施例中，所述初始卷积神经网络对所述带有正负标签的训练样本进行遍历，训练所述初始卷积神经网络的自动编码器，以获取损失值，没训练十次，打印一次损失值，完成训练轮次后，保存所述卷积神经网络的自编码器的结果文件。

进一步的，所述通过对带有正负标签的训练样本和初始卷积神经网络进行预训练，获取预训练完成后卷积神经网络的结果文件；其中，所述结果文件为所述卷积神经网络的自编码器的结果文件，包括：

将所述带有正负标签的训练样本输入所述初始卷积神经网络，进行前馈计算，以获取所述计算结果与所述正负标签的均方误差的损失函数；

通过反向传播对所述初始卷积神经网络进行优化，以使得所述损失函数的值收敛，获取所述卷积神经网络的自编码器的结果文件。

进一步的，所述将所述带有正负标签的训练样本输入所述初始卷积神经网络，进行前馈计算，以获取所述计算结果与所述正负标签的均方误差的损失函数，包括：

基于所述初始卷积神经网络对所述带有正负标签的训练样本进行编码，通过卷积操作和池化操作提取所述带有正负标签的训练样本各层对应的特征图；

基于所述初始卷积神经网络对所述特征图进行解码，获取解码数据与所述带有正负标签的训练样本的数据。

根据所述解码数据与所述带有正负标签的训练样本的数据，以获取所述计算结果与所述正负标签的均方误差的损失函数。

优选地，所述根据所述预训练完成后卷积神经网络的结果文件对所述预训练完成后的卷积神经网络进行微调，以获取所述训练完成的卷积神经网络，包括：

获取预设的微调参数；其中，所述预设的微调参数包括：卷积核的个数、卷积核大小、滑动步长、全连接层结点数、全连接层层数以及梯度下降步长；

根据所述预设的微调参数及所述预训练完成后卷积神经网络的结果文件，对所述预训练完成后的卷积神经网络进行训练，以获取所述训练完成的卷积神经网络。

在本实施例中，所述预训练完成后的卷积神经网络对所述带有正负标签的训练样本的数据的长宽高进行采样，读取所述自动编码器中的结果文件，获取训练轮次，开始进行遍历训练轮次，获取所述带有正负标签的训练样本中的数据，训练所述预训练完成后的卷积神经网络的分类器，获取损失值，每训练十次打印一次损失值，在完成训练轮次的数量后，保存所述预训练完成后的卷积神经网络的分类器的数据文件。

需要说明的是，微调已预训练好的网络模型，微调预训练模型简单点来说就是用目标任务数据在原先预训练的模型上继续训练的过程。由于网络在原始数据上收敛，因此应该设置较小的学习率在目标数据集上微调，应该在10的负四次方以下。卷积神经网络浅层拥有更泛化的特征(如边缘、纹理等)，深度特征则更抽象对应高层语义。因此，在新数据上微调时泛化特征更新可能或程度较小，高层语义特征更新可能和程度比较大，故可根据层深对不同层设置不用学习率：网络深度的学习率可以稍大于浅层学习率。这样模型整体的训练速度可能更快。根据目标任务数据与原始数据相似程度采用不用的微调策略：当目标数据较少且目标数据与原始数据非常相似时，可仅微调网络靠近目标函数的后几层；当目标数据充足且相似时，可微调更多网络层，也可全部微调；当目标数据充足但是与原始数据差异较大时，此时须多调节一些网络层，直至微调全部；当目标数据较少，同时还要原始数据有较大差异时，这种情况比较麻烦，微调成功与否要具体问题具体看待，不过仍可尝试首先微调网络后几层在微调整个网络。此外，针对上述提到的目标数据极少，同时还与原始数据有较大差异的情况，目前一种有效方式是借助部分原始数据与目标数据协同训练。因预训练模型的浅层网络特征更具有泛化性，故可在浅层特征空间选择目标数据的近邻作为原始数据自己，之后将微调阶段改造为多目标学习任务，一者是将目标任务基于原始数据子集，二者是将目标任务基于全部目标数据。

在本实施例中，通过预训练时的自动编码器的训练，生成的卷积核可以有效提取图像特征，经卷积网络和全连接层的操作，会生成一个预测值，此预测值与标签值得到一个损失，通过反向传播使损失值达到最小，其中会自动调整卷积核与全连接层的权重和偏置，从而达到最优。微调是通过人为改变卷积层和全连接层的参数，包括卷积核个数、卷积核大小、滑动步长、全连接层结点数、全连接层层数以及梯度下降步长等进行反复预处理和训练。通过启发式的微调，使得损失值达到最小，从而获得最优的网络结构。

进一步的，在所述根据所述训练完成的卷积神经网络，对所述待预测的3d-mri影像数据进行自闭症预测，得到预测结果之后，包括：

基于所述预测结果，获取所述待预测的3d-mri影像的分类别；其中所述分类别包括自闭症和非自闭症。

进一步的，在所述根据训练完成的卷积神经网络，对所述待预测的3d-mri影像数据进行自闭症预测，得到预测结果之后，还包括：

获取基于acu对所述预测结果的正确评估结果。

具体的，本实施例中的卷积神经网络主要由自编码器和分类器两部分组成，参见图3，第一部分自编码器功能是提取特征。自编码器分为编码和解码两个阶段，是提取高维数据特征的有效手段。编码阶段通过卷积网络对目标数据进行特征提取，包括两个卷积层和两个池化层。经过编码阶段后，接一层全连接层解码，即由卷积核进行全连接产生一个数据，对比生成的数据与输入的数据的差别，产生一个均方差损失值，以优化此损失值为目的进行训练，得到自编码器的结果。待这部分优化完成后把编码部分的参数移植到第二部分，作为分类器的特征提取部分。第二部分分类器功能是完成分类。由于两个卷积层和两个池化层参数已经由第一部分确定，所以这部分训练只需确定4层的全连接层参数即可。输入部分参数为自闭症3d-mri影像数据和正常对照3d-mri影像数据，输出为二分类(0，1)。

在本实施例中，在训练阶段或是测试阶段，包括对样本的预处理，参见图4，将拍摄的3d-mri影像，大脑结构原始图像进行灰质、白质分割，然后是非线性配准，进而能得到标准化、平滑的影像。

在测试阶段，将待检测的影像数据输入系统，通过卷积核提取特征图，池化层压缩，激活函数转换，再经过全连接层的判断累加和激活函数的转换，最后输出预测值，判断分类，以得到是否有自闭症的预测结果。在测试阶段和训练阶段，判别模型预测效果方式是使用精度和auc两个参数，其中，精度即为正确预测个数占总体测试个数的比例。参见图5，而auc则为roc曲线下的面积,取值在0.5-1之间，roc曲线如图所示，横轴是假正例率，纵轴是真正例率。判断一个二元分类算法的好坏时，auc可以起到很好的参考。auc的值越接近于1，算法分类效果越好，意味着正确的判断比率高。

在本实施例中，损失函数采用的是均方差。训练时使用的是预测值和标签值的均方差，特征提取模块自动编码器使用的是输出图像和输入图像的均方差。

在本实施例中，池化是对特征图的一个压缩，本实施例使用的池化方式是最大值池化。

在本实施例中，激活函数用于激活神经元节点的状态，本系统采用的有“relu”，“tahn”，“liner”三种激活函数，其中relu和than是非线性激活函数。

在本实施例中，卷积核用于对图像进行卷积计算特征单元，一般维度和目标维度相同。本实施例的卷积核大小为可调参项，默认设置为8，8，8，即长宽高都是8像素。

在本实施例中，卷积层由卷积核组成的，针对一层神经网络的特征集。本系统每一层的卷积核个数位可调参项，默认设置为128和64。

在本实施例中，卷积网络中权重近似为卷机核，在全连接网络中，权重是一个向量。

在本实施例的神经网络中，上一层的每一个节点和下一层的每一个节点连接。本系统共四层全连接层，分别是2048个结点，512个结点，256个结点，128个结点。

在本实施例中，进行反向传播时，不断地梯度下降之后，模型的精度才能得到提高，梯度指数学意义上的梯度，将各层网络看作一个函数，损失值可看作一个关于网络参数的函数，这里的网络参数包括全连接层的权重，偏置，和卷积层的卷积核，偏置。若函数得到最值，必先取极值，梯度下降的目的是得到各个极值点计算损失值最小时候的网络参数的取值。从而获得一个精度最高的网络结构。

在本实施例中，自动编码器分为编码和解码两个阶段，是提取高维数据特征的有效手段。编码阶段通过卷积网络对目标数据进行特征提取。经过编码阶段后，接一层全连接解码，即由卷积核进行全连接产生一个数据，对比生成的数据与输入的数据的差别，产生一个均方差损失值，以优化此损失值为目的进行训练，得到自编码器的结果，即分类训练时的卷积核。

实施本实施例具有如下有益效果：

首先获取训练完成的卷积神经网络；其中，所述训练完成的卷积神经网络通过对带有正负标签的训练样本和初始卷积神经网络进行卷积神经网络训练，在训练过程中，使用预训练与微调结合的方式；然后，获取待预测的3d-mri影像数据；最后，根据所述训练完成的卷积神经网络，对所述待预测的3d-mri影像数据进行自闭症预测，得到预测结果。在早期儿童的行为分化不明显时，通过对卷积神经网络自动学习并提取自闭症患者脑结构特征，通过提取的脑结构特征预测罹患自闭症，从而为早期筛查与诊断提供影像学依据。

实施例三

参见图6，本发明第三实施例提供的自闭症患病预测装置的结构示意图；

一种自闭症患病预测装置，包括：

网络获取模块31，用于获取训练完成的卷积神经网络；其中，所述训练完成的卷积神经网络通过对带有正负标签的训练样本和初始卷积神经网络进行卷积神经网络训练，在训练过程中，使用预训练与微调结合的方式；

数据获取模块32，用于获取待预测的3d-mri影像数据；

预测模块33，用于根据所述训练完成的卷积神经网络，对所述待预测的3d-mri影像数据进行自闭症预测，得到预测结果。

优选地，所述网络获取模块31包括：

预训练单元，用于通过对带有正负标签的训练样本和初始卷积神经网络进行预训练，获取预训练完成后卷积神经网络的结果文件；其中，所述结果文件为所述卷积神经网络的自编码器的结果文件；

微调单元，用于根据所述结果文件对所述预训练完成后的卷积神经网络进行微调，以获取所述训练完成的卷积神经网络。

优选地，所述预训练单元包括：

损失函数获取单元，用于将所述带有正负标签的训练样本输入所述初始卷积神经网络，进行前馈计算，以获取所述计算结果与所述正负标签的均方误差的损失函数；

结果文件获取单元，用于通过反向传播对所述初始卷积神经网络进行优化，以使得所述损失函数的值收敛，获取所述卷积神经网络的自编码器的结果文件。

优选地，所述损失函数获取单元包括：

基于所述初始卷积神经网络对所述带有正负标签的训练样本进行编码，通过卷积操作和池化操作提取所述带有正负标签的训练样本各层对应的特征图；

基于所述初始卷积神经网络对所述特征图进行解码，获取解码数据与所述带有正负标签的训练样本的数据。

根据所述解码数据与所述带有正负标签的训练样本的数据，以获取所述计算结果与所述正负标签的均方误差的损失函数。

优选地，所述微调单元包括：

获取预设的微调参数；其中，所述预设的微调参数包括：卷积核的个数、卷积核大小、滑动步长、全连接层结点数、全连接层层数以及梯度下降步长；

根据所述预设的微调参数及所述预训练完成后卷积神经网络的结果文件，对所述预训练完成后的卷积神经网络进行训练，以获取所述训练完成的卷积神经网络。

优选地，在预测模块33之后，包括：

基于所述预测结果，获取所述待预测的3d-mri影像的分类别；其中所述分类别包括自闭症和非自闭症。

优选地，在预测模块33之后，还包括：

获取基于acu对所述预测结果的正确评估结果。

实施本实施例具有如下有益效果：

首先获取训练完成的卷积神经网络；其中，所述训练完成的卷积神经网络通过对带有正负标签的训练样本和初始卷积神经网络进行卷积神经网络训练，在训练过程中，使用预训练与微调结合的方式；然后，获取待预测的3d-mri影像数据；最后，根据所述训练完成的卷积神经网络，对所述待预测的3d-mri影像数据进行自闭症预测，得到预测结果。在早期儿童的行为分化不明显时，通过对卷积神经网络自动学习并提取自闭症患者脑结构特征，通过提取的脑结构特征预测罹患自闭症，从而为早期筛查与诊断提供影像学依据。

需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

需要说明的是，在上述实施例中，对各个实施例的描述都各有侧重，在某个实施例中没有详细描述的部分，可以参见其他实施例的相关描述。其次，本领域技术人员也应知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模拟一定是本发明所必须的。