1.一種用于阿爾茨海默癥(alzheimer's?disease,ad)診斷和病情嚴(yán)重程度分類的優(yōu)化方法，特征在于，該方法基于深度學(xué)習(xí)，采用改進(jìn)的優(yōu)化算法bge-adam進(jìn)行醫(yī)學(xué)圖像分類，所述改進(jìn)的優(yōu)化算法通過(guò)熵權(quán)重和自適應(yīng)梯度策略提高卷積神經(jīng)網(wǎng)絡(luò)(cnn)在ad醫(yī)學(xué)圖像分類任務(wù)中的學(xué)習(xí)效率和精度。
2.根據(jù)權(quán)利要求1所述的方法，其中所述bge-adam優(yōu)化算法利用熵權(quán)重來(lái)評(píng)估和平衡模型中各參數(shù)的信息量和重要性，以確保在模型訓(xùn)練過(guò)程中，使圖像的重要特征獲得更多的關(guān)注。
3.根據(jù)權(quán)利要求1或2所述的方法，進(jìn)一步包括一自適應(yīng)梯度策略，所述策略對(duì)模型實(shí)時(shí)性能，根據(jù)模型性能調(diào)整各參數(shù)的更新速率，加速模型的收斂，同時(shí)防止過(guò)擬合現(xiàn)象的發(fā)生。
4.根據(jù)權(quán)利要求3所述的方法，其中通過(guò)動(dòng)態(tài)調(diào)整beta值，并結(jié)合當(dāng)前梯度更新一階和二階矩估計(jì)，確保了算法能根據(jù)梯度變化合理調(diào)整參數(shù)更新速率，提高學(xué)習(xí)效率和精度。
5.根據(jù)任一前述權(quán)利要求所述的方法，本發(fā)明公開(kāi)了一種用于阿爾茨海默癥醫(yī)學(xué)圖像分類的深度學(xué)習(xí)優(yōu)化方法，包括以下步驟：
6.根據(jù)權(quán)利要求5所述的方法，其中參數(shù)初始化步驟涉及的參數(shù)包括學(xué)習(xí)率(lr)、衰減因子(alpha)、一階矩和二階矩估計(jì)的指數(shù)衰減率(betas)、平滑項(xiàng)(eps)、權(quán)重衰減率(weight_decay)、熵權(quán)重(entropy_weight)以及amsgrad變量的選項(xiàng)(amsgrad)。
7.根據(jù)權(quán)利要求5和6所述的優(yōu)化方法，其中所述實(shí)現(xiàn)的優(yōu)化方法進(jìn)一步包含：
8.根據(jù)權(quán)利要求7所述方法的一個(gè)特征，在優(yōu)化方法中引入熵權(quán)重調(diào)整策略，通過(guò)參數(shù)更新過(guò)程中的隨機(jī)擾動(dòng)幫助探索更廣泛的參數(shù)空間，這種增加的隨機(jī)性有助于避免早熟收斂于局部最優(yōu)解，增加達(dá)到全局最優(yōu)解的可能性。
9.根據(jù)權(quán)利要求8所述方法的一個(gè)特征，創(chuàng)新性引入基于歷史梯度信息的梯度預(yù)測(cè)模型，以預(yù)測(cè)下一步的梯度變動(dòng)，這有助于優(yōu)化方法更有效地前瞻識(shí)別潛在的最優(yōu)更新方向，提高長(zhǎng)期訓(xùn)練的穩(wěn)定性和性能。
10.根據(jù)權(quán)利要求9所述方法的一個(gè)特征，融合自適應(yīng)梯度和熵權(quán)重調(diào)整兩大策略，這兩種策略的結(jié)合針對(duì)處理高維度和復(fù)雜結(jié)構(gòu)的數(shù)據(jù)集，通過(guò)在訓(xùn)練過(guò)程中自動(dòng)調(diào)整參數(shù)更新的步長(zhǎng)和方向，同時(shí)引入隨機(jī)擾動(dòng)以探索新的可能性，顯著提高了解決復(fù)雜問(wèn)題時(shí)的性能和可靠性。