本发明涉及医学信息智能诊断，尤其涉及一种基于元学习的罕见脑部病变辨别方法。
背景技术：
1、网络结构作为一种常见的数据关系表示方法被大量运用在各类研究中。人的大脑也可通过定义节点和连接边的方式抽象成一个复杂的网络结构。这个网络通常被简称为脑网络，其结构与人类的认知功能和脑疾病存在密切联系。分析和研究脑网络可以为人类探索大脑工作方式、研究神经性退化疾病的病理机制、改善心理疾病及大脑损伤的诊断治疗提供有力的工具。
2、近年来，随着人工智能技术，特别是深度学习的高速发展，越来越多的研究者关注使用人工智能技术辅助医生进行疾病诊断。目前有多项研究证明在基于影像数据的疾病识别中，人工智能技术已经在部分疾病的识别中可以达到或者超越人类专家的水平。因而在脑网络领域使用人工智能进行分析是有效提高脑部疾病诊断效率的方式，但是传统的人工智能训练需要大量的临床诊断信息。而数据层面上，部分疾病病患的样本数量可能无法满足传统神经网络训练的需求。而王康在《基于小样本学习的图像分类方法研究》一文中提到，小样本学习不依赖大量训练样本，避免了标注数据的高昂成本，从有限标记样本中学习并快速泛化到包含少量标记样本的新任务，克服了深度学习依赖大规模标记数据的局限。
技术实现思路
1、本发明的目的在于提供一种基于元学习的罕见脑部病变辨别方法，因此，本发明提出了一种基于元学习的脑网络分析方法，可以有效利用小样本脑部核磁共振影像进行脑网络分析，从而训练出能准确判断病人的疾病的模型，提高医学诊断效率。
2、为了实现上述发明目的，本发明采用技术方案具体为：一种基于元学习的罕见脑部病变辨别方法，包括以下步骤：
3、步骤一、构建一个传统的cnn卷积神经网络模型，模型包括4个卷积块作为特征提取模块，1个全连接层作为分类器，每个卷积块包括1个卷积层convld、1个batchnormld层、1个最大池化层和1个非线性激活函数relu，再将每个任务中支持集的数据输入到cnn模型中，进行微调参数，再使用查询集进行测试，得到分类结果。
4、步骤二、对于功能脑网络特征的提取，令af∈rn×n为功能脑网络的皮尔逊相关系数分析矩阵，经过卷积神经网络提取特征后得到特征图cc∈rn×n。
5、所述步骤二，包括以下步骤：
6、(1)、首先通过rs-fmri的信号波动反映大脑感兴趣区域(region of interest,roi)的功能活动。对于每个样本，使用xi＝(xi1,xi2,...,xim),i＝1,2,...,n来表示第i个roi的原始rs-fmri信号序列,其中，m代表体素的总数，n表示所有roi的数目。
7、(2)、采用皮尔逊相关系数来表征两个信号序列之间的功能连接强度。假设第i个roi和第j个roi之间的功能连接用ρij表示，那么
8、ρij＝corr(xi，xj) (3)
9、皮尔逊相关性的算法如下：
10、
11、其中，和均表示其对应的样本平均值。
12、(3)、对每个样本分别计算其中的成对roi之间的功能连接。静态脑网络在数据结构上可以用对称矩阵c来表达：
13、c＝ρij,其中1≤i,j≤n且ρij＝ρji ； (5)
14、(4)、对每个矩阵c进行卷积计算并池化，完成后获得的特征图为cc∈rn×n。
15、步骤三、在元训练集上，用episode表示每个任务，按照n-way k-shot少样本学习原则，从数据集中随机选择n类，再从选出的n类中，每个类别选取k个样本作为支持集样本作为目标集，共计ms＝n×k个；然后从n类中每类剩下的样本中选取b个样本作为查询集共计mq＝n×b个，每个episode模拟一次n-way k-shot少样本学习任务；其中，n代表一次少样本分类任务的分类类别数，k表示每类图片所含样本数量。在元验证集和元测试集上，每个任务由支持集和目标集组成，选取方式同上。
16、步骤四、使用maml对本模型进行优化，更新公式如下
17、
18、
19、其中，θ为元学习模型参数，调整方法是梯度下降求偏导。
20、首先，随机初始化参数θ，然后，参数在这批任务t＝{ttrain,ttest}上进行更新迭代。θ′i是ttrain中每个任务中支持集梯度更新后的参数，是任务i中查询集的损失值。最后，根据最后的参数θmeta，在ttest中的支持集上微调，其查询集进行模型评估。此外，a和β分别是每个任务执行时和所有任务完成时的学习率。
21、与现有技术相比，本发明的有益效果为：
22、1、本发明提出的小样本脑部疾病诊断方法，相对于传统模型，该方法更加精准地利用小样本中的信息，在一些场景下，即使在精准度相当的情况下，与传统的卷积神经网络cnn特征提取和分类方法相比，本发明所需的数据量大大减少，这不仅有助于提高诊断效率，还减轻了数据采集和处理的负担。
23、2、本方法巧妙地结合了其他常见脑部疾病的诊断经验作为先验信息，这种综合利用不同疾病之间的关联特性，使得该方法能够捕捉到脑部病变产生的更高维度的特征，通过引入先验信息，本发明有效地减少了神经网络的训练时间，提高了整体的训练效率，这一特点对于加速脑部疾病诊断过程，特别是在资源有限或时间敏感的情况下，具有显著的实际意义。
1.一种基于元学习的罕见脑部病变辨别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于元学习的罕见脑部病变辨别方法，其特征在于，所述步骤s1中，具体为：
3.根据权利要求1所述的基于元学习的罕见脑部病变辨别方法，其特征在于，所述步骤s2中，包括以下步骤：
4.根据权利要求1所述的基于元学习的罕见脑部病变辨别方法，其特征在于，所述步骤s3中，具体为：
5.根据权利要求1所述的基于元学习的罕见脑部病变辨别方法，其特征在于，所述步骤s4中，使用maml对本模型进行优化具体为：
