[发明专利]自闭症患病预测方法、装置、设备及存储介质

权利要求书

1.一种自闭症患病预测方法，其特征在于，包括：

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。

2.根据权利要求1所述的自闭症患病预测方法，其特征在于，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。

3.根据权利要求2所述的自闭症患病预测方法，其特征在于，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。

4.根据权利要求3所述的自闭症患病预测方法，其特征在于，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。

5.根据权利要求2所述的自闭症患病预测方法，其特征在于，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。

6.根据权利要求1所述的自闭症患病预测方法，其特征在于，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。

7.根据权利要求1所述的自闭症患病预测方法，其特征在于，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。

8.一种自闭症患病预测装置，其特征在于，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。