一种预测精神疾病类别的半监督分类和聚类方法

本发明公开了一种用于预测精神疾病类别的半监督分类和聚类方法，属于医学图像处理技术领域。针对传统精神疾病诊断中存在的主观性问题和脑影像数据维度高样本量小的特点，本发明提出了一种半监督分类和聚类方法，充分结合有限的标记数据和大量未标记数据，旨在提升疾病类别判断的准确性与客观性。该方法通过迭代优化分类与聚类损失函数去训练模型，提出分类‑聚类一致性判别指标，鉴别并利用具有高质量伪标记的样本，增强模型的自学习能力，提高疾病类别预测的准确性。与传统的分类模型相比，本发明在标记样本量较少的情况下可得到更高的准确率。与原始诊断类别相比，本发明确定的生物型在组间差异性上具有更多的显著特征。