CN111863244B - 基于稀疏池化图卷积的功能连接精神疾病分类方法和系统 - Google Patents
基于稀疏池化图卷积的功能连接精神疾病分类方法和系统 Download PDFInfo
- Publication number
- CN111863244B CN111863244B CN202010738839.0A CN202010738839A CN111863244B CN 111863244 B CN111863244 B CN 111863244B CN 202010738839 A CN202010738839 A CN 202010738839A CN 111863244 B CN111863244 B CN 111863244B
- Authority
- CN
- China
- Prior art keywords
- sparse
- matrix
- pooling
- graph
- functional
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000011176 pooling Methods 0.000 title claims abstract description 87
- 208000020016 psychiatric disease Diseases 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 25
- 239000011159 matrix material Substances 0.000 claims abstract description 107
- 210000004556 brain Anatomy 0.000 claims abstract description 103
- 238000000605 extraction Methods 0.000 claims abstract description 15
- 238000002610 neuroimaging Methods 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 54
- 238000012549 training Methods 0.000 claims description 25
- 230000004913 activation Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 230000003925 brain function Effects 0.000 claims description 7
- 238000005192 partition Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 5
- 230000000284 resting effect Effects 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 125000004432 carbon atom Chemical group C* 0.000 claims 1
- 150000001875 compounds Chemical class 0.000 claims 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 3
- 201000010099 disease Diseases 0.000 abstract description 2
- 238000002599 functional magnetic resonance imaging Methods 0.000 description 21
- 238000004364 calculation method Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 238000013316 zoning Methods 0.000 description 4
- 206010003805 Autism Diseases 0.000 description 3
- 208000020706 Autistic disease Diseases 0.000 description 3
- 210000003710 cerebral cortex Anatomy 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000013100 final test Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000000004 hemodynamic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000001727 in vivo Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 210000004885 white matter Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Epidemiology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Algebra (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Pathology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种基于稀疏池化图卷积的功能连接精神疾病分类方法和系统，包含下述特征提取方法包括根据模板对预处理后的功能磁共振脑成像数据提取每个脑区的平均时间序列，计算每两个脑区之间的时间序列的相关性得到功能连接矩阵；根据功能连接矩阵构建脑区之间的邻接关系矩阵；将功能连接矩阵作为节点的特征，邻接关系矩阵作为节点的边，构建功能连接图作为提取得到的样本特征。本发明方法能够表示功能连接的图结构，自动学习不同尺度的图特征嵌入，对功能连接具有更强的表达能力，本发明通过构建功能连接图作为提取得到的样本特征，样本特征可用于实现精神疾病的分类特征且对常见的精神疾病分类精度高，并且模型可在不同中心数据之间可迁移。
Description
技术领域
本发明涉及功能磁共振成像(functional magnetic resonance imaging，fMRI)数据处理技术，具体涉及一种基于稀疏池化图卷积的功能连接精神疾病分类方法和系统。
背景技术
精神疾病是指在各种生物学、心理学以及社会环境因素影响下，大脑功能失调，导致认知、情感、意志和行为等精神活动出现不同程度障碍为临床表现的疾病。在如今社会压力偏大的情况下，精神疾病对人们的困扰变得不可忽视。例如，抑郁症的患病人群逐渐增大。然而，由于精神疾病复杂多样的临床症状，对其精确诊断存在一定困难，并且容易受到主观因素的影响。因此，对精神疾病进行客观诊断具有十分重大的临床价值和社会意义。
功能磁共振成像技术主要是利用磁振造影测量神经元活动引起的血液动力的变化。大脑皮层神经元活动时，神经元附近的血氧浓度相依对比(blood-oxygen-leveldependent，BOLD)会发生改变，功能磁共振成像技术通过检测这种变化，表征出大脑功能和结构图像。fMRI能够检测活体脑功能影像，具有非侵入性，时空分辨率高的优点。
功能连接(functional connectivity,FC)是评估脑区之间功能关联程度的指标，具体为两个脑区时间信号之间的相关性。功能连接是脑影像领域的常用指标，经常被用作特征进行精神疾病的分类任务。一般首先选取一个脑区模板，然后基于模板计算脑区两两之间的功能连接，最后获得功能连接矩阵。以往的研究一般将所有功能连接排列成一个向量作为特征输入到机器学习模型中，而不考虑连接的空间拓扑关系，导致对功能连接网络的表征损失了空间拓扑信息。实际上，功能连接网络并非分布于规则的欧氏空间域中，它是不规则的图结构数据。脑区可以用图节点表示，脑区之间的邻接关系可以用图节点之间的边来表示，而脑区的功能连接则可以表示为图节点的特征。用图结构可以同时保留功能连接网络的连接信息和脑区之间的拓扑信息。
将功能连接网络表示成图结构后，如何处理功能连接图是一个挑战。卷积神经网络(convolution neural network,CNN)利用局部响应和参数共享机制，有效减少了神经网络训练参数量，提高了模型的泛化率。卷积神经网络被广泛应用于图像、语音和视频处理等领域，并取得了巨大成功。但是传统的卷积神经网络只适用于规则欧氏空间中的数据，无法直接用于图结构数据。最近有研究提出了图卷积网络，可以将卷积操作推广到图结构数据，并在图数据处理任务中取得很好的效果。图卷积网络包括频域图卷积和空域图卷积两大类。频域图卷积通过图谱理论将图数据变换到频域，并利用频域滤波实现图卷积操作。空域图卷积通过节点的邻接关系，融合局部节点的特征，从而直接在空域实现图卷积操作。空域图卷积方法实现简单而且性能甚至比频域图卷积方法好，所以本专利方法框架采用空域图卷积模型。
相比于图卷积本身的研究，图池化技术的研究也十分重要，它可以学习层次化的图特征，从而有助于模型的分类性能。池化在传统的卷积神经网络中主要起到了减少参数的作用，并且能够使模型学习到多尺度特征。规则空间中的池化操作十分简单，只要等间隔地对数据进行一些取舍即可。然而对图结构数据而言，实现图池化存在一定的挑战，主要是图节点的邻接关系并不规则，无法直接采用一般的池化技术。
发明内容
本发明要解决的技术问题：针对现有技术的上述问题，提供一种基于稀疏池化图卷积的功能连接精神疾病分类方法和系统，本发明方法能够表示功能连接的图结构，自动学习不同尺度的图特征嵌入，对功能连接具有更强的表达能力，本发明通过构建功能连接图作为提取得到的样本特征，样本特征可用于实现精神疾病的分类特征且对常见的精神疾病分类精度高，并且模型可在不同中心数据之间可迁移。
为了解决上述技术问题，本发明采用的技术方案为：
一种基于稀疏池化图卷积的功能连接精神疾病分类特征提取方法，实施步骤包括：
1)采集被试在静息状态下的功能磁共振脑成像数据；
2)针对所述的功能磁共振脑成像数据进行预处理；
3)选择大脑功能分区模板，根据所选的大脑功能分区模板，对预处理后的功能磁共振脑成像数据提取每个脑区的平均时间序列；
4)计算每两个脑区之间的时间序列的相关性，得到所有脑区之间的功能连接矩阵；
5)根据功能连接矩阵，构建脑区之间的邻接关系矩阵；
6)将所述功能连接矩阵作为节点的特征，邻接关系矩阵作为节点的边，构建功能连接图作为提取得到的样本特征。
可选地，步骤4)的详细步骤包括：
4.1)将全部n个被试的所有脑区的平均时间序列构成的R×M时间序列矩阵作为输入数据，其中R为脑区个数，M为时间序列长度。
4.2)每次取单个被试的时间序列矩阵作为一个输入样本，计算每两个脑区之间的时间序列的Pearson相关系数，得到一个R×R的对称的功能连接矩阵；
4.3)对上述得到的R×R的对称的功能连接矩阵进行Fisher-Z变换，得到标准化后的功能连接矩阵，该标准化后的功能连接矩阵即为得到的所有脑区之间的功能连接矩阵。
可选地，步骤5)的详细步骤包括：
5.1)针对所有脑区之间的功能连接矩阵，以每个脑区为节点，单个脑区与其它脑区之间的功能连接为特征，计算每两个脑区之间的余弦距离得到R×R的对称的余弦距离矩阵；
5.2)针对得到的R×R的对称的余弦距离矩阵，找出与每个脑区距离最小的K个脑区，并用一个R×R的邻接关系矩阵
来描述，对每两个脑区(i,j)，若j是i最邻近的K个脑区之一，则在邻接矩阵中(i,j)位置的元素置为1，否则置为0，邻接矩阵对角线均置为1，得到邻接关系矩阵
即为脑区之间的邻接关系矩阵。
可选地，步骤6)的详细步骤包括：针对所述的功能连接矩阵，以每个脑区为图节点，单个脑区与其它脑区之间的功能连接为节点特征；针对所述的邻接关系矩阵，将其视为图节点的边描述加上所述节点特征，得到一个用K-NN图描述的功能连接图
其中
为图节点的集合，
代表一个图节点并且该节点和所有节点的功能连接作为图节点信号
表示N维实数域空间，N表示节点信号维数；ε为边集合，边ei∈ε为图节点之间的邻接关系。
此外，本发明还提供一种基于稀疏池化图卷积的功能连接精神疾病分类系统，包括计算机设备，其特征在于，该计算机设备被编程或配置以执行所述基于稀疏池化图卷积的功能连接精神疾病分类特征提取方法的步骤，或者该计算机设备的存储器上存储有被编程或配置以执行所述基于稀疏池化图卷积的功能连接精神疾病分类特征提取方法的计算机程序。
此外，本发明还提供一种基于稀疏池化图卷积的功能连接精神疾病分类系统，包括：
特征提取程序单元，用于采用所述基于稀疏池化图卷积的功能连接精神疾病分类特征提取方法提取被试的样本特征；
样本特征分类程序单元，用于将提取得到的样本特征输入已训练好的稀疏池化图卷积网络得到被试是否患精神疾病的检测结果。
可选地，本发明还包括用于训练稀疏池化图卷积网络的训练程序单元，所述训练程序单元被编程或配置以执行下述步骤：
S1)将n被试的样本特征
作为样本附加是否患精神疾病信息作为样本标签；把样本随机打乱，并分成固定的批次batch_size大小；
S2)输入批次batch_size个样本到稀疏池化图卷积网络得到每个样本的预测标签，然后计算样本真实标签和预测标签之间的损失函数；
S3)针对所述损失函数，计算稀疏池化图卷积网络的每个变量的梯度信息，并根据给定的学习率，更新每个变量的权重得到优化后的稀疏池化图卷积网络；
S4)判断是否完成本轮全部样本都已经训练完毕，如果尚未训练完毕则跳转执行步骤S2)；否则，跳转执行步骤S5)；
S5)判断是否已经完成指定数量epouchs轮训练，如果尚未完成则跳转执行步骤S1)；否则，判定稀疏池化图卷积网络训练完毕，结束并退出。
可选地，步骤S2)中损失函数的计算函数表达式为：
L＝-∑(Ytruelog(Ypred)+(1-Ytrue)log(1-Ypred)
上式中，L表示损失函数，Ytrue和Ypred分别为真实标签和预测标签。
可选地，步骤S3)中更新每个变量的权重的计算函数表达式为：
上式中，Wl+1为更新后的变量，Wl为更新后的变量，η为学习率，
为损失对训练变量的梯度。
可选地，所述稀疏池化图卷积网络包括图卷积网络层、稀疏池化层以及全连接层，所述图卷积网络层为样本特征的处理层，其函数表达式为：
上式中，
为第(l+1)th层的输出矩阵，
为第lth层的输出矩阵，σ()为激活函数，
是一个用于标准化邻接关系矩阵
的对角矩阵，对角矩阵
中的对角线元素的函数表达式为
其中Aij为邻接关系矩阵
的第i行j列的元素，
为邻接关系矩阵，
为可训练的权重矩阵，D(l)为第(l)th层的输入特征维数，D(l+1)为第(l+1)th层的输入特征维数，
为N×D(l+1)维的实数域空间；
所述稀疏池化层根据图节点的嵌入特征进一步得到整个图的特征，其函数表达式为：
上式中，
为第ith个稀疏池化层的输出；
为第(i-1)th个稀疏池化层的输出；当i＝0，时
其中Z为图卷积网络层最后一层的输出，
为第ith个稀疏池化层的训练参数矩阵；所有的稀疏池化层的输出合并得到最终输出的图特征
所述全连接层用于分类学习输出不同类别的预测标签，其函数表达式为：
Ypred＝softmax(WfcZG)
上式中，Ypred为预测标签，softmax为激活函数，激活函数softmax的函数表达式为softmax(xi)＝xi/∑ixi，其中xi为激活函数softmax的处理对象，Wfc为全连接层权重矩阵，ZG为每层稀疏池化层的输入合并作为最终输出的图特征。
和现有技术相比，本发明具有下述优点：
1、本发明根据所选的大脑功能分区模板，对预处理后的功能磁共振脑成像数据提取每个脑区的平均时间序列；计算每两个脑区之间的时间序列的相关性，得到所有脑区之间的功能连接矩阵；根据功能连接矩阵，构建脑区之间的邻接关系矩阵；将功能连接矩阵作为节点的特征，邻接关系矩阵作为节点的边，构建功能连接图作为提取得到的样本特征，能够表示功能连接的图结构，自动学习不同尺度的图特征嵌入，对功能连接具有更强的表达能力。
2、本发明通过构建功能连接图作为提取得到的样本特征，样本特征可用于实现精神疾病的分类特征且对常见的精神疾病分类精度高，并且模型可在不同中心数据之间可迁移。
附图说明
图1为本发明实施例方法的基本流程示意图。
图2为本发明实施例中使用功能连接方法后得到的动态功能连接结果示意图。
图3为本发明实施例中局部线性嵌入方法作用于动态功能连接的流程示意图。
图4为本发明实施例中得到的不同人群的动态功能连接局部线性嵌入特征描述的状态结果示意图。
具体实施方式
如图1所示，本实施例基于稀疏池化图卷积的功能连接精神疾病分类特征提取方法的实施步骤包括：
1)采集被试在静息状态下的功能磁共振脑成像(functional magneticresonance imaging，简称fMRI)数据；
2)针对的功能磁共振脑成像数据进行预处理；
3)选择大脑功能分区模板，根据所选的大脑功能分区模板，对预处理后的功能磁共振脑成像数据提取每个脑区的平均时间序列；
4)计算每两个脑区之间的时间序列的相关性，得到所有脑区之间的功能连接矩阵；
5)根据功能连接矩阵，构建脑区之间的邻接关系矩阵；
6)将功能连接矩阵作为节点的特征，邻接关系矩阵作为节点的边，构建功能连接图作为提取得到的样本特征。
参见图1可知，将已有的功能连接图样本作为训练样本特征，该功能连接图所对应被试是否患精神疾病作为样本标签，输入稀疏池化图卷积网络进行训练，得到训练好的稀疏池化图卷积网络；得到新的被试的样本特征后，将得到的样本特征输入已训练好的稀疏池化图卷积网络得到被试是否患精神疾病的检测结果。
本实施例步骤1)采集被试在静息状态下的功能磁共振脑成像(functionalmagnetic resonance imaging，简称fMRI)数据时，使用的设备为核磁共振扫描仪，且选择快速梯度回波方式，扫描前需要设定扫描周期、层厚、层数、扫描矩阵、扫描视野等扫描参数，扫描过程中要求被试保持静息状态，即：头部不动，闭上眼睛放松，但保持清醒。
预处理是对功能磁共振脑成像数据进行处理前的常见步骤，作为一种可选的实施方式，本实施例，步骤2)对功能磁共振脑成像数据进行预处理的步骤包括：
2.1)去除功能磁共振成像数据的前指定数量帧的图像；本实施例中，步骤2.1)中去除前5帧图像。
2.2)剔除功能磁共振成像数据中在头部位移幅度超过指定阈值的被试；
2.3)针对功能磁共振成像数据进行层间时间校正；
2.4)针对功能磁共振成像数据进行头动校正；
2.5)针对功能磁共振成像数据进行空间标准化处理；
2.6)利用指定大小半高宽的高斯核函数对功能磁共振成像数据进行空间平滑处理；本实施例中，步骤2.6)中指定大小半高宽具体是指6mm的半宽高。
2.7)利用指定频率区间对功能磁共振成像数据进行时域滤波；本实施例中，步骤2.7)中指定频率区间具体是指0.01～0.08Hz。
2.8)针对功能磁共振成像数据进行回归全脑平均信号、白质、脑积液平均信号和头动参数以降低硬件噪声。
通过上述处理，能够提高功能磁共振成像数据的准确度。本实施例中，步骤2.2)～2.8)具体为通过使用Human connectome preprocessing toolkit软件(HCPT)实现
本实施例步骤3)中需要进行选择大脑功能分区模板(简称脑模板)，大脑功能分区模板是前人研究得到以及任务态激活区检测等方法确定的大脑皮层功能分区，本实施例中步骤3)选择包含大脑皮层功能分区的脑模板为Craddock RC等人2012年发表在HumanBrain Mapping期刊上的功能脑区剖分文章所提供的模板，它一共包含808个脑区。此外，也可以根据需要选择其他公认较稳定的脑模板。本实施例步骤3)中根据所选的Craddock RC等人2012年发表在Human Brain Mapping期刊上的功能脑区剖分文章所提供的模板对预处理后的功能磁共振脑成像数据提取每个脑区的平均时间序列。
本实施例中，步骤4)的详细步骤包括：
4.1)将全部n个被试的所有脑区的平均时间序列构成的R×M时间序列矩阵作为输入数据，其中R为脑区个数，M为时间序列长度。
4.2)每次取单个被试的时间序列矩阵作为一个输入样本，计算每两个脑区之间的时间序列的Pearson相关系数，得到一个R×R的对称的功能连接矩阵；
Pearson相关系数的计算函数表达式如下：
上式中，r为Pearson相关系数，s(t)为目标脑区的时间序列，
为目标脑区的时间序列的平均时间序列信号，r(t)为感兴趣区域的时间序列，
为感兴趣区域的时间序列的平均时间序列信号，t＝1，2，…，n，n为时间序列信号的数量。
4.3)对上述得到的R×R的对称的功能连接矩阵进行Fisher-Z变换，得到标准化后的功能连接矩阵，该标准化后的功能连接矩阵即为得到的所有脑区之间的功能连接矩阵。
Fisher-Z变换的计算函数表达式如下：
上式中，r为Pearson相关系数。
本实施例中，步骤5)的详细步骤包括：
5.1)针对所有脑区之间的功能连接矩阵，以每个脑区为节点，单个脑区与其它脑区之间的功能连接为特征，计算每两个脑区之间的余弦距离得到R×R的对称的余弦距离矩阵；
两个脑区之间的余弦距离的计算函数表达式如下：
上式中，di，j为i、j两个脑区之间的余弦距离，θi，j表示两个脑区功能连接特征之间的余弦夹角，fi表示第i个脑区与其它脑区之间的功能连接特征，fj表示第j个脑区与其它脑区之间的功能连接特征。
5.2)针对得到的R×R的对称的余弦距离矩阵，找出与每个脑区距离最小的K个脑区，并用一个R×R的邻接关系矩阵
来描述，对每两个脑区(i，j)，若j是i最邻近的K个脑区之一，则在邻接矩阵中(i，j)位置的元素置为1，否则置为0，邻接矩阵对角线均置为1，得到邻接关系矩阵
即为脑区之间的邻接关系矩阵。
本实施例中，步骤6)的详细步骤包括：针对所述的功能连接矩阵，以每个脑区为图节点，单个脑区与其它脑区之间的功能连接为节点特征；针对所述的邻接关系矩阵，将其视为图节点的边描述加上所述节点特征，得到一个用K-NN图描述的功能连接图
其中
为图节点的集合，
代表一个图节点并且该节点和所有节点的功能连接作为图节点信号
表示N维实数域空间，N表示节点信号维数；ε为边集合，边ei∈ε为图节点之间的邻接关系。
此外，本实施例还提供一种基于稀疏池化图卷积的功能连接精神疾病分类系统，包括计算机设备该计算机设备被编程或配置以执行前述基于稀疏池化图卷积的功能连接精神疾病分类特征提取方法的步骤，或者该计算机设备的存储器上存储有被编程或配置以执行前述基于稀疏池化图卷积的功能连接精神疾病分类特征提取方法的计算机程序。
此外，本实施例还提供一种基于稀疏池化图卷积的功能连接精神疾病分类系统，包括：
特征提取程序单元，用于采用前述基于稀疏池化图卷积的功能连接精神疾病分类特征提取方法提取被试的样本特征；
样本特征分类程序单元，用于将提取得到的样本特征输入已训练好的稀疏池化图卷积网络得到被试是否患精神疾病的检测结果。
此外，本实施例基于稀疏池化图卷积的功能连接精神疾病分类系统还包括用于训练稀疏池化图卷积网络的训练程序单元，所述训练程序单元被编程或配置以执行下述步骤：
S1)将n被试的样本特征
作为样本附加是否患精神疾病信息作为样本标签；把样本随机打乱，并分成固定的批次batch_size大小；
S2)输入批次batch_size个样本到稀疏池化图卷积网络得到每个样本的预测标签，然后计算样本真实标签和预测标签之间的损失函数；
S3)针对所述损失函数，计算稀疏池化图卷积网络的每个变量的梯度信息，并根据给定的学习率，更新每个变量的权重得到优化后的稀疏池化图卷积网络；
S4)判断是否完成本轮全部样本都已经训练完毕，如果尚未训练完毕则跳转执行步骤S2)；否则，跳转执行步骤S5)；
S5)判断是否已经完成指定数量epouchs轮训练，如果尚未完成则跳转执行步骤S1)；否则，判定稀疏池化图卷积网络训练完毕，结束并退出。
本实施例中，步骤S2)中损失函数的计算函数表达式为：
L＝-∑(Ytruelog(Ypred)+(1-Ytrue)log(1-Ypred)
上式中，L表示损失函数，Ytrue和Ypred分别为真实标签和预测标签。
本实施例中，步骤S3)中更新每个变量的权重的计算函数表达式为：
上式中，Wl+1为更新后的变量，Wl为更新后的变量，η为学习率，
为损失对训练变量的梯度。
本实施例中，稀疏池化图卷积网络包括图卷积网络层、稀疏池化层以及全连接层，图卷积网络层为样本特征的处理层，其函数表达式为：
上式中，
为第(l+1)th层的输出矩阵，
为第lth层的输出矩阵，σ()为激活函数(一般选择ReLU函数，ReLU(·)＝max(0，·))，
是一个用于标准化邻接关系矩阵
的对角矩阵，对角矩阵
中的对角线元素的函数表达式为
其中Aij为邻接关系矩阵
的第i行j列的元素，
为邻接关系矩阵，
为可训练的权重矩阵，D(l)为第(l)th层的输入特征维数，D(l+1)为第(l+1)th层的输入特征维数，
为N×D(l+1)维的实数域空间；
为D(l)×D(l+1)维的实数域空间；
稀疏池化层根据图节点的嵌入特征进一步得到整个图的特征，其函数表达式为：
上式中，
为第ith个稀疏池化层的输出；
为第(i-1)th个稀疏池化层的输出；当i＝0，时
其中Z为图卷积网络层最后一层的输出，
为第ith个稀疏池化层的训练参数矩阵；为了利用不同尺度的图特征，把每层稀疏池化层的输入合并作为最终输出的图特征用于分类学习，所有的稀疏池化层的输出合并得到最终输出的图特征
全连接层用于分类学习输出不同类别的预测标签，其函数表达式为：
Ypred＝softmax(WfcZG)
上式中，Ypred为预测标签，softmax为激活函数，激活函数softmax的函数表达式为softmax(xi)＝xi/∑ixi，其中xi为激活函数softmax的处理对象，Wfc为全连接层权重矩阵，ZG为每层稀疏池化层的输入合并作为最终输出的图特征。
为了评估基于稀疏池化图卷积的功能连接精神疾病分类方法与系统在提取功能连接图特征和精神疾病分类的应用功能，本实施例中采用了如下方法来验证：
I、本实施例基于网络公开的自闭症数据集ABIDE(被试共2169人，其中自闭症病人1003人，正常对照1166人)，对每个被试计算808*808大小的功能连接矩阵，基于功能连接矩阵构建功能连接图，作为稀疏池化图卷积网络的输入(结构示意图参见图2)。稀疏池化图卷积网络采用3层图卷积层，每层32个隐含节点；接着加上2层稀疏池化层，池化比例设为0.5；接着加上两层全连接层，每层32个隐含节点；最后加上softmax层。损失函数采用交叉熵损失函数。图卷积网络的训练参数设置为批处理大小为32，总训练轮数为100，学习率为0.001。
II、最后采用多中心迁移分类的方式对功能连接精神疾病分类方法和系统的应用功能进行验证。ABIDE数据集一共包含28个数据中心，考虑到有些数据中心数据量太少，本实施例选取数据量最大的前10个数据中心分别作为目标中心，而剩余的所有数据则作为源中心。迁移分类原理参见图3。在源中心数据集上，按照I中所述的步骤预先训练好一个图卷积网络模型；然后将预训练模型作为初始模型迁移到目标中心数据集上进行微调训练和测试。具体地，在目标集上采用10折交叉验证法进行目标训练集和目标测试集的划分。然后，在目标训练集上利用预训练模型根据I中所述的步骤进行微调训练，最后在目标测试集上对微调后的模型进行测试。最终测试精度为10折测试集的平均精度。此外，为了进行比较，本实施例分别采用传统SVM方法和无迁移的稀疏池化图卷积网络对目标集进行相同的训练和测试。不同方法的在10个数据中心上的分类精度参见图4。
由此可见，本实施例基于稀疏池化图卷积的功能连接精神疾病分类特征提取方法使用人脑连接组预处理和分析软件构建大脑脑区之间的功能连接图，并采用基于稀疏池化图卷积网络方法，自动学习不同尺度的功能连接图特征，对功能连接具有更强的表达能力，对常见的精神疾病基于较高的分类精度，并且模型在不同中心数据之间可迁移。
以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。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前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (9)
1.一种基于稀疏池化图卷积的功能连接精神疾病分类特征提取方法，其特征在于实施步骤包括：
1)采集被试在静息状态下的功能磁共振脑成像数据；
2)针对所述的功能磁共振脑成像数据进行预处理；
3)选择大脑功能分区模板，根据所选的大脑功能分区模板，对预处理后的功能磁共振脑成像数据提取每个脑区的平均时间序列；
4)计算每两个脑区之间的时间序列的相关性，得到所有脑区之间的功能连接矩阵；
5)根据功能连接矩阵，构建脑区之间的邻接关系矩阵；
6)将所述功能连接矩阵作为节点的特征，邻接关系矩阵作为节点的边，构建功能连接图作为提取得到的样本特征；
步骤5)的详细步骤包括：
5.1)针对所有脑区之间的功能连接矩阵，以每个脑区为节点，单个脑区与其它脑区之间的功能连接为特征，计算每两个脑区之间的余弦距离得到R×R的对称的余弦距离矩阵；
5.2)针对得到的R×R的对称的余弦距离矩阵，找出与每个脑区距离最小的K个脑区，并用一个R×R的邻接关系矩阵
来描述，对每两个脑区(i,j)，若j是i最邻近的K个脑区之一，则在邻接矩阵中(i,j)位置的元素置为1，否则置为0，邻接矩阵对角线均置为1，得到邻接关系矩阵
即为脑区之间的邻接关系矩阵。
2.根据权利要求1所述的基于稀疏池化图卷积的功能连接精神疾病分类特征提取方法，其特征在于，步骤4)的详细步骤包括：
4.1)将全部n个被试的所有脑区的平均时间序列构成的R×M时间序列矩阵作为输入数据，其中R为脑区个数，M为时间序列长度；
4.2)每次取单个被试的时间序列矩阵作为一个输入样本，计算每两个脑区之间的时间序列的Pearson相关系数，得到一个R×R的对称的功能连接矩阵；
4.3)对上述得到的R×R的对称的功能连接矩阵进行Fisher-Z变换，得到标准化后的功能连接矩阵，该标准化后的功能连接矩阵即为得到的所有脑区之间的功能连接矩阵。
3.根据权利要求1所述的基于稀疏池化图卷积的功能连接精神疾病分类特征提取方法，其特征在于，步骤6)的详细步骤包括：针对所述的功能连接矩阵，以每个脑区为图节点，单个脑区与其它脑区之间的功能连接为节点特征；针对所述的邻接关系矩阵，将其视为图节点的边描述加上所述节点特征，得到一个用K-NN图描述的功能连接图
其中
为图节点的集合，
代表一个图节点并且该节点和所有节点的功能连接作为图节点信号
表示N维实数域空间，N表示节点信号维数；ε为边集合，边ei∈ε为图节点之间的邻接关系。
4.一种基于稀疏池化图卷积的功能连接精神疾病分类系统，包括计算机设备，其特征在于，该计算机设备被编程或配置以执行权利要求1～3中任意一项所述基于稀疏池化图卷积的功能连接精神疾病分类特征提取方法的步骤，或者该计算机设备的存储器上存储有被编程或配置以执行权利要求1～3中任意一项所述基于稀疏池化图卷积的功能连接精神疾病分类特征提取方法的计算机程序。
5.一种基于稀疏池化图卷积的功能连接精神疾病分类系统，其特征在于包括：
特征提取程序单元，用于采用权利要求1～3中任意一项所述基于稀疏池化图卷积的功能连接精神疾病分类特征提取方法提取被试的样本特征；
样本特征分类程序单元，用于将提取得到的样本特征输入已训练好的稀疏池化图卷积网络得到被试是否患精神疾病的检测结果。
6.根据权利要求5所述的基于稀疏池化图卷积的功能连接精神疾病分类系统，其特征在于，还包括用于训练稀疏池化图卷积网络的训练程序单元，所述训练程序单元被编程或配置以执行下述步骤：
S1)将n被试的样本特征
作为样本附加是否患精神疾病信息作为样本标签；把样本随机打乱，并分成固定的批次batch_size大小；
S2)输入批次batch_size个样本到稀疏池化图卷积网络得到每个样本的预测标签，然后计算样本真实标签和预测标签之间的损失函数；
S3)针对所述损失函数，计算稀疏池化图卷积网络的每个变量的梯度信息，并根据给定的学习率，更新每个变量的权重得到优化后的稀疏池化图卷积网络；
S4)判断是否完成本轮全部样本都已经训练完毕，如果尚未训练完毕则跳转执行步骤S2)；否则，跳转执行步骤S5)；
S5)判断是否已经完成指定数量epouchs轮训练，如果尚未完成则跳转执行步骤S1)；否则，判定稀疏池化图卷积网络训练完毕，结束并退出。
7.根据权利要求6所述的基于稀疏池化图卷积的功能连接精神疾病分类系统，其特征在于，步骤S2)中损失函数的计算函数表达式为：
L＝-∑(Ytruelog(Ypred)+(1-Ytrue)log(1-Ypred)
上式中，L表示损失函数，Ytrue和Ypred分别为真实标签和预测标签。
8.根据权利要求6所述的基于稀疏池化图卷积的功能连接精神疾病分类系统，其特征在于，步骤S3)中更新每个变量的权重的计算函数表达式为：
上式中，Wl+1为更新后的变量，Wl为更新前的变量，η为学习率，
为损失对训练变量的梯度。
9.根据权利要求5所述的基于稀疏池化图卷积的功能连接精神疾病分类系统，其特征在于，所述稀疏池化图卷积网络包括图卷积网络层、稀疏池化层以及全连接层，所述图卷积网络层为样本特征的处理层，其函数表达式为：
上式中，
为第(l+1)th层的输出矩阵，
为第lth层的输出矩阵，σ()为激活函数，
是一个用于标准化邻接关系矩阵
的对角矩阵，对角矩阵
中的对角线元素的函数表达式为
其中Aij为邻接关系矩阵
的第i行j列的元素，
为邻接关系矩阵，
为可训练的权重矩阵，D(l)为第(l)th层的输入特征维数，D(l+1)为第(l+1)th层的输入特征维数，
为N×D(l+1)维的实数域空间；
所述稀疏池化层根据图节点的嵌入特征进一步得到整个图的特征，其函数表达式为：
上式中，
为第ith个稀疏池化层的输出；
为第(i-1)th个稀疏池化层的输出；当i＝0，时
其中Z为图卷积网络层最后一层的输出，
为第ith个稀疏池化层的训练参数矩阵；所有的稀疏池化层的输出合并得到最终输出的图特征
所述全连接层用于分类学习输出不同类别的预测标签，其函数表达式为：
Ypred＝softmax(WfcZG)
上式中，Ypred为预测标签，softmax为激活函数，激活函数softmax的函数表达式为softmax(xi)＝xi/∑ixi，其中xi为激活函数softmax的处理对象，Wfc为全连接层权重矩阵，ZG为每层稀疏池化层的输入合并作为最终输出的图特征。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010738839.0A CN111863244B (zh) | 2020-07-28 | 2020-07-28 | 基于稀疏池化图卷积的功能连接精神疾病分类方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010738839.0A CN111863244B (zh) | 2020-07-28 | 2020-07-28 | 基于稀疏池化图卷积的功能连接精神疾病分类方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111863244A CN111863244A (zh) | 2020-10-30 |
| CN111863244B true CN111863244B (zh) | 2022-12-16 |
Family
ID=72948130
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010738839.0A Active CN111863244B (zh) | 2020-07-28 | 2020-07-28 | 基于稀疏池化图卷积的功能连接精神疾病分类方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111863244B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112668700B (zh) * | 2020-12-30 | 2023-11-28 | 广州大学华软软件学院 | 一种基于分组注意的宽度图卷积网络模型系统及训练方法 |
| CN113539435B (zh) * | 2021-09-17 | 2021-12-14 | 之江实验室 | 一种基于图模型的脑功能配准方法 |
| CN114287910A (zh) * | 2021-12-29 | 2022-04-08 | 东南大学 | 一种基于多阶段图卷积融合的脑功能连接分类方法 |
| CN114445643B (zh) * | 2022-01-26 | 2024-06-07 | 北京工业大学 | 一种基于显著稀疏强关联的fmri脑功能连接数据特征提取方法 |
| CN114334140B (zh) * | 2022-03-08 | 2022-07-19 | 之江实验室 | 基于多关系功能连接矩阵的疾病预测系统及装置 |
| CN115909016B (zh) * | 2023-03-10 | 2023-06-23 | 同心智医科技(北京)有限公司 | 基于GCN分析fMRI图像的系统、方法、电子设备及介质 |
| CN116597994B (zh) * | 2023-05-16 | 2024-05-14 | 天津大学 | 基于脑激活聚类算法的精神疾病脑功能活动测评装置 |
| CN119229222A (zh) * | 2024-12-03 | 2024-12-31 | 深圳大学 | 基于图神经网络多时空融合的脑影像特征分析方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109509552A (zh) * | 2018-12-05 | 2019-03-22 | 中南大学 | 一种基于功能连接网络的多层次特征融合的精神病自动判别方法 |
| CN110197729A (zh) * | 2019-05-20 | 2019-09-03 | 华南理工大学 | 基于深度学习的静息态fMRI数据分类方法和装置 |
| CN110838173A (zh) * | 2019-11-15 | 2020-02-25 | 天津医科大学 | 基于三维纹理特征的个体化脑共变网络构建方法 |
-
2020
- 2020-07-28 CN CN202010738839.0A patent/CN111863244B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109509552A (zh) * | 2018-12-05 | 2019-03-22 | 中南大学 | 一种基于功能连接网络的多层次特征融合的精神病自动判别方法 |
| CN110197729A (zh) * | 2019-05-20 | 2019-09-03 | 华南理工大学 | 基于深度学习的静息态fMRI数据分类方法和装置 |
| CN110838173A (zh) * | 2019-11-15 | 2020-02-25 | 天津医科大学 | 基于三维纹理特征的个体化脑共变网络构建方法 |
Non-Patent Citations (1)
| Title |
|---|
| 非神经精神性狼疮患者脑静息下多模态磁共振成像研究;谭相良;《中国博士学位论文全文数据库 (医药卫生科技辑)》;20160315(第3期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111863244A (zh) | 2020-10-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111863244B (zh) | 基于稀疏池化图卷积的功能连接精神疾病分类方法和系统 | |
| CN109376751B (zh) | 一种基于卷积神经网络的人脑功能网络分类方法 | |
| CN110188836B (zh) | 一种基于变分自编码器的脑功能网络分类方法 | |
| CN103957784B (zh) | 对脑功能磁共振数据进行处理的方法 | |
| Li et al. | Novel effective connectivity inference using ultra-group constrained orthogonal forward regression and elastic multilayer perceptron classifier for MCI identification | |
| CN108229066A (zh) | 一种基于多模态超连接脑网络建模的帕金森自动识别方法 | |
| CN111009324A (zh) | 脑网络多特征分析的轻度认知障碍辅助诊断系统及方法 | |
| CN113057585B (zh) | 一种认知障碍检测模型及其训练方法 | |
| CN110232332A (zh) | 动态功能连接局部线性嵌入特征的提取及脑状态分类方法和系统 | |
| CN111728590A (zh) | 基于动态功能连接的个体认知能力预测方法和系统 | |
| CN110598793A (zh) | 一种大脑功能网络特征分类方法 | |
| WO2021212715A1 (zh) | 精神分裂症分类识别方法、运行控制装置及医疗设备 | |
| CN112465905A (zh) | 基于深度学习的磁共振成像数据的特征脑区定位方法 | |
| Ma et al. | Multi-scale dynamic graph learning for brain disorder detection with functional MRI | |
| CN117725367B (zh) | 一种源域可迁移性自适应学习的言语想象脑电解码方法 | |
| CN111436929A (zh) | 一种神经生理信号的生成和识别方法 | |
| CN101706561A (zh) | 功能性磁共振图像的聚类方法 | |
| CN114391826A (zh) | 一种基于边缘驱动图神经网络的人类表征预测方法及装置 | |
| CN113255734A (zh) | 一种基于自监督学习和迁移学习的抑郁症分类方法 | |
| CN115272295A (zh) | 基于时域-空域联合状态的动态脑功能网络分析方法及系统 | |
| CN111513717A (zh) | 一种大脑功能状态提取方法 | |
| CN114595715A (zh) | 一种基于多时间尺度的孤独症功能磁共振信号分类方法 | |
| CN115496953A (zh) | 基于时空图卷积的脑网络分类方法 | |
| CN111488934A (zh) | 脑影像数据处理方法、存储介质、计算机设备和装置 | |
| CN114595725A (zh) | 一种基于加法网络和监督对比学习的脑电信号分类方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |