CN112037914B - 一种强迫症风险评估模型的构建方法、系统及设备 - Google Patents

一种强迫症风险评估模型的构建方法、系统及设备 Download PDF

Info

Publication number
CN112037914B
CN112037914B CN202010799518.1A CN202010799518A CN112037914B CN 112037914 B CN112037914 B CN 112037914B CN 202010799518 A CN202010799518 A CN 202010799518A CN 112037914 B CN112037914 B CN 112037914B
Authority
CN
China
Prior art keywords
model
network
obsessive
risk assessment
compulsive disorder
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
Application number
CN202010799518.1A
Other languages
English (en)
Other versions
CN112037914A (zh
Inventor
彭子文
雷柏英
韦臻
杨鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen University
Original Assignee
Shenzhen University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen University filed Critical Shenzhen University
Priority to CN202010799518.1A priority Critical patent/CN112037914B/zh
Publication of CN112037914A publication Critical patent/CN112037914A/zh
Application granted granted Critical
Publication of CN112037914B publication Critical patent/CN112037914B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4058—Detecting, measuring or recording for evaluating the nervous system for evaluating the central nervous system
    • A61B5/4064—Evaluating the brain
    • 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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Neurology (AREA)
  • Psychology (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Physics & Mathematics (AREA)
  • Social Psychology (AREA)
  • Psychiatry (AREA)
  • Hospice & Palliative Care (AREA)
  • Molecular Biology (AREA)
  • Epidemiology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Developmental Disabilities (AREA)
  • Veterinary Medicine (AREA)
  • Child & Adolescent Psychology (AREA)
  • Primary Health Care (AREA)
  • Educational Technology (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Neurosurgery (AREA)
  • Physiology (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明提供了一种强迫症风险评估模型的构建方法、系统及设备，通过在组稀疏表示模型中增加组稀疏正则化和平滑正则化，构建稀疏网络；利用所述稀疏网络表示原始fMRI数据集中ROI序列对应的脑连接网络矩阵；利用脑连接网络矩阵对预设网络模型进行训练，得到训练完成的强迫症风险评估模型。由于本实施例中训练用的预设网络模型包括：脑部特征提取模块和分类模块，所述脑部特征提取模块基于DPN网络模型提取所述脑连接网络矩阵的边缘特征，因此本实施例构建出的强迫症风险评估模型可以更好的学习了特征内部的关系，降低了数据维度，减少数据处理复杂程度，提高了数据处理的效率和准确率，为强迫症风险评估提供了依据。

Description

一种强迫症风险评估模型的构建方法、系统及设备
技术领域
本发明涉及医疗诊断技术领域，尤其涉及的是一种强迫症风险评估模型的构建方法、系统及设备。
背景技术
强迫症(OCD)是一种慢性遗传性精神病。强迫性思维或行为是强迫症患者的主要临床表现，这会降低患者的生活质量。根据临床研究，遗传因素和周围的社会环境可导致强迫症。患者未受影响的一级亲属(UFDR)是直系亲属，例如兄弟和父母。由于UFDR具有某些相同的OCD基因，并且他们生活在相似的环境中，因此UFDR也是OCD的高危人群。
现有的用于脑疾病早期诊断的强迫症风险评估模型中，多为基于机器学习构建出的强迫症风险评估模型。例如，Sen等人提出了一种利用皮尔森相关系数进行强迫症脑网络构建出的评估模型。然而，现有的评估框架不考虑将一级亲属作为高危人群进行判别，无法给出准确的风险评估结果。
因此，现有技术有待于进一步的改进。
发明内容
鉴于上述现有技术中的不足之处，本发明的目的在于提供一种强迫症风险评估模型的构建方法、系统及设备，克服现有技术中强迫症风险评估模型中在进行强迫症风险评估时未将一级亲属作为高危人群进行判别，判别准确度低的缺陷。
本发明实施例公开的方案如下：
第一方面，本实施例提供了一种强迫症风险评估模型的构建方法，其中，包括：
在组稀疏表示模型中增加组稀疏正则化和平滑正则化，构建稀疏网络；
利用所述稀疏网络表示原始fMRI数据集中ROI序列对应的脑连接网络矩阵；
利用脑连接网络矩阵对预设网络模型进行训练，得到训练完成的强迫症风险评估模型；
其中，所述预设网络模型包括：脑部特征提取模块和分类模块，所述脑部特征提取模块基于DPN网络模型提取所述脑连接网络矩阵的边缘特征；所述分类模块用于根据边缘权重融合特征得到与所述脑连接网络矩阵对应的检测分类信息，所述边缘权重融合特征为根据预设权重对所述边缘特征加权后得到。
可选的，所述稀疏网络的目标函数表达式为：
Figure BDA0002626877260000021
其中，
Figure BDA0002626877260000022
表示第r个ROI的BOLD区域平均时间序列，Ar＝[x1，...xr-1，xr+1，...xR]是包含来自除xr之外的所有R-1个ROI的数据的信号矩阵，wr＝[w1，...wr-1，wr+1，...wR]为加权回归系数向量，||wr-wr+1||1将两个连续ROI之间的权重差，
Figure BDA0002626877260000023
是wr的l2范数的总和。
可选的，所述利用脑连接网络矩阵对预设网络模型进行训练，得到训练完成的强迫症风险评估模型的步骤包括：
预设网络模型根据训练数据集中训练样本矩阵，生成所述训练样本矩阵对应的预测目标特征，其中，所述训练数据集包括多组训练样本矩阵，每组训练样本包括：训练样本矩阵和与所述训练样本矩阵对应的目标特征标签；所述训练样本矩阵为脑连接网络矩阵；
所述预设网络模型根据所述训练样本矩阵对应的预测目标特征，以及所述训练样本矩阵对应的目标特征标签，对模型参数进行修正，并继续执行所述预设网络模型根据训练数据集中训练样本矩阵，生成所述训练样本矩阵对应的预测目标特征的步骤，直至所述预设网络模型的训练情况满足预设条件，以得到所述脑部特征提取模型。
可选的，所述脑部特征提取模块包括第一DPN网络层和第二DPN网络层；
所述预设网络模型根据训练数据集中训练样本矩阵，生成所述训练样本矩阵对应的预测目标特征的步骤包括：
将所述训练样本矩阵输入至所述第一DPN网络层，得到所述第一DPN网络层输出的初步预测目标特征；
按照预设权重值对所述第一目标特征进行加权后输入至所述第二DPN网络层，得到所述第二DPN网络层输出的预测目标特征。
可选的，所述根据预设权重对所述边缘特征加权，得到边缘权重融合特征的步骤包括：
将所述脑部特征提取模型的每个输出层输出的边缘特征与其对应的权重相乘后相加，计算其加权和，得到所述边缘权重融合特征；所述各个输出层输出的边缘特征对应的权重值的总和为1。
可选的，所述分类模块为支持向量机分类器，所述检测分类信息为强迫症对应的标签和一级亲属对应的标签。
可选的，所述利用所述稀疏网络表示原始fMRI数据集中ROI序列对应的脑连接网络矩阵的步骤之前，还包括：
采集磁共振成像数据，并对所述磁共振成像数据进行预处理，得到预处理后的原始fMRI数据集。
第二方面，本实施例提供了一种强迫症风险评估模型的构建系统，其中，包括：
功能连接网络构建模块，用于在组稀疏表示模型中增加组稀疏正则化和平滑正则化，构建稀疏网络，利用所述稀疏网络表示原始fMRI数据集中ROI序列对应的脑连接网络矩阵；
模型训练模块，用于利用脑连接网络矩阵对预设网络模型进行训练，得到训练完成的强迫症风险评估模型；
所述预设网络模型包括：脑部特征提取模块和分类模块，所述脑部特征提取模块基于DPN网络模型提取所述脑连接网络矩阵的边缘特征；所述分类模块用于根据边缘权重融合特征得到与所述脑连接网络矩阵对应的检测分类信息，所述边缘权重融合特征为根据预设权重对所述边缘特征加权后得到。
第三方面，本实施例公开了一种终端设备，其中，包括处理器、与处理器通信连接的存储介质，所述存储介质适于存储多条指令；所述处理器适于调用所述存储介质中的指令，以执行实现所述的强迫症风险评估模型的构建方法的步骤。
第四方面，本实施例提供了一种计算机可读存储介质，其中，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现所述的强迫症风险评估模型的构建方法的步骤。
有益效果，本发明提供了一种强迫症风险评估模型的构建方法、系统及设备，通过在组稀疏表示模型中增加组稀疏正则化和平滑正则化，构建稀疏网络；利用所述稀疏网络表示原始fMRI数据集中ROI序列对应的脑连接网络矩阵；利用脑连接网络矩阵对预设网络模型进行训练，得到训练完成的强迫症风险评估模型。由于本实施例中训练用的预设网络模型包括：脑部特征提取模块和分类模块，所述脑部特征提取模块基于DPN网络模型提取所述脑连接网络矩阵的边缘特征，因此本实施例构建出的强迫症风险评估模型可以更好的学习了特征内部的关系，降低了数据维度，减少数据处理复杂程度，提高了数据处理的效率和准确率，为强迫症风险评估提供了依据。
附图说明
图1是本实施例所提供的强迫症风险评估模型的构建方法的步骤流程图；
图2是本实施例所提供的强迫症风险评估模型的构建原理示意图；
图3是本发明实施例脑疾病诊断系统的结构原理框图；
图4是本发明所述终端设备的原理结构图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用于解释本发明，并不用于限定本发明。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
根据临床研究，遗传因素和周围的社会环境可导致强迫症。患者未受影响的一级亲属(UFDR)是直系亲属，例如兄弟和父母。由于UFDR具有某些相同的OCD基因，并且他们生活在相似的环境中，因此UFDR也是OCD的高危人群。目前，在临床实践中尚无可用于OCD诊断的生理指标。医生们通常使用《精神疾病统计手册》和《国际疾病和诊断分类》作为诊断标准，由于医生的诊断主要凭借主观经验，因此缺乏客观的诊断标准，无法保证诊断标准的客观性和准确性。
本实施例为了克服现有技术中缺乏对强迫症风险评估标准，提供了一种强迫症风险评估模型的构建方法，SSL方法构造BFCN，可以捕获相邻或左右对称的大脑区域之间的相似性通过堆叠多层深度多项式网络(DPN)模型来利用新的融合深度多项式网络(FDPN)框架，其中使用了加权方案来融合不同的输出层特征。FDPN可以学习BFCN的高级特征，并降低特征维度。本实施例通过融合传统的机器学习和深度学习策略，提出的方法可以实现诊断强迫症和未受影响的一级亲属(UFDR)。本实施例提出的强迫症风险评估模型具有良好的风险评估性能，为实现强迫症风险评估提供了依据。
下面结合附图，对本发明所公开的所述方法做更为详细的解释。
示例性方法
第一方面，本实施例提供了一种强迫症风险评估模型的构建方法，如图1所示，包括：
步骤S1、在组稀疏表示模型中增加组稀疏正则化和平滑正则化，构建稀疏网络。
稀疏学习是一种有效的方法，它可以从大脑功能连接网络(BFCN)中删除多余的信息并保留有价值的生物学特征，从而可以客观地检测OCD。但是，大多数现有方法都忽略了受试者中相邻或左右对称的大脑区域之间的空间关系。
为了解决这个问题，本文中提出了一种空间相似性感知学习(SSL)来构造BFCN。具体而言，设计了一个平滑正则项对大脑区域之间的空间关系进行约束建模。
在一种实施方式中，所述稀疏网络的目标函数表达式为：
Figure BDA0002626877260000071
其中，
Figure BDA0002626877260000072
表示第r个ROI的BOLD区域平均时间序列，Ar＝[x1，...xr-1，xr+1，...xR]是包含来自除xr之外的所有R-1个ROI的数据的信号矩阵，wr＝[w1，...wr-1，wr+1，...wR]为加权回归系数向量，||wr-wr+1||1将两个连续ROI之间的权重差，
Figure BDA0002626877260000073
是wr的l2范数的总和。
粗体大写字母表示矩阵，粗体小写字母表示向量，普通斜体字母表示标量。假设总共有N个受试者，则通过AAL模板将大脑划分为R个ROI。
Figure BDA0002626877260000074
表示第r个ROI的BOLD区域平均时间序列(M长度)。令Ar＝[x1，...xr-1，xr+1，...xR]是包含来自除xr之外的所有R-1个ROI的数据的信号矩阵。令wr＝[w1，...wr-1，wr+1，...wR]为加权回归系数向量，用于衡量R-1ROI对目标ROI的影响。可以使用组稀疏表示(GSR)模型来构建表示BFCN的稀疏网络，并且将目标函数定义为：
Figure BDA0002626877260000075
其中λ1表示组正则化参数，
Figure BDA0002626877260000076
是wr的l2范数的总和，它是W的第r行向量。具体来说，对不同向量wr的元素施加l2范数惩罚。通过这种策略，将对应于不同ROI的连接的权重分组在一起。作为稀疏回归网络方法，GSR确保同组中的所有模型具有相同的连接。l2，1范数不仅促进了ROI之间的公共连接拓扑，而且还促进了ROI之间的连接值变化。wr向量中的系数表示其他R-1个ROI与目标ROI之间关系的重要性。该模型可以使用剩余的ROI线性地重构目标ROI，以表达ROI之间的关系。但是，模型中不同ROI的相似特性会被GSR模型忽略。为了克服这一缺点，在模型中添加分组稀疏正则化和平滑正则化来共同学习每个受试者的BFCN，从而设计了一个新颖的模型。目标函数定义为：
Figure BDA0002626877260000081
最后一项||wr-wr+1||1将两个连续ROI之间的权重差限制得尽可能小。ROI的向量按以下顺序排列：(1)首先将左右对称的ROI彼此相邻放置；然后(2)排列这些ROI以尽可能地保持它们的空间相似性。因此，||wr-wr+1||1项使每个受试者相邻或对称的ROI之间保持的空间相似关系。l1范数用于平滑正则化，因此权重向量中将有许多零分量，这鼓励权重向量捕获两个相邻或双边对称ROI的相似性。引入了平滑项以平滑ROI的连接系数，矩阵中的非零权重意味着目标ROI的信息特征。这种稀疏的学习模型被定义为空间相似性感知学习(SSL)。此外，假设平滑度正则化参数λ2设置为0，本实施例所提供的方法与原始GSR方法相同。
步骤S2、利用所述稀疏网络表示原始fMRI数据集中ROI序列对应的脑连接网络矩阵。
基于BFCN的脑疾病分类通常采用两种策略。第一种是提取一些图形度量作为特征，例如局部聚类系数，第二种是将网络边缘权重直接视为特征。由于不同的图形指标捕获了BFCN的不同属性，因此需要更多的知识来设计有效的特征提取方法。在本文中，直接将BFCN的原始边缘权重用作特征(即第二种策略)，从而可以避免使用不同的特征提取方法对结果产生影响。
将大脑分为90个ROI，因此提取的BFCN权重特征向量包含8,100个元素。由于BFCN矩阵是对称的，因此仅提取矩阵的上三角权重作为特征。假设无向BFCN中有n个节点，这将生成n(n-1)/2个边。因此，将获得具有4,005个元素的特征向量。由于不对称性会影响最终的分类精度，因此只需定义
Figure BDA0002626877260000091
其中Wn是第n个受试者最终获得的BFCN矩阵，而
Figure BDA0002626877260000092
是Wn的转置矩阵。通过BFCN提取的特征表示为r。然后，费舍尔的r-z变换将用于其余特征的进一步标准化。
步骤S3、利用脑连接网络矩阵对预设网络模型进行训练，得到训练完成的强迫症风险评估模型。
利用上述步骤中得到的脑连接网络矩阵对预设网络模型进行训练，得到训练完成的强迫症风险评估模型，具体的，预设网络模型包括：脑部特征提取模块和分类模块，所述脑部特征提取模块基于DPN网络模型提取所述脑连接网络矩阵的边缘特征；所述分类模块用于根据边缘权重融合特征得到与所述脑连接网络矩阵对应的检测分类信息，所述边缘权重融合特征为根据预设权重对所述边缘特征加权后得到。
具体的，所述利用脑连接网络矩阵对预设网络模型进行训练，得到训练完成的强迫症风险评估模型的步骤包括：
步骤S21、预设网络模型根据训练数据集中训练样本矩阵，生成所述训练样本矩阵对应的预测目标特征，其中，所述训练数据集包括多组训练样本矩阵，每组训练样本包括：训练样本矩阵和与所述训练样本矩阵对应的目标特征标签；所述训练样本矩阵为脑连接网络矩阵；
步骤S22、所述预设网络模型根据所述训练样本矩阵对应的预测目标特征，以及所述训练样本矩阵对应的目标特征标签，对模型参数进行修正，并继续执行所述预设网络模型根据训练数据集中训练样本矩阵，生成所述训练样本矩阵对应的预测目标特征的步骤，直至所述预设网络模型的训练情况满足预设条件，以得到所述脑部特征提取模型。
利用上述步骤中得到的脑连接网络矩阵建立训练样本矩阵集，训练样本矩阵集中包括多组训练样本矩阵，每组训练样本中含有
进一步的，所述脑部特征提取模块包括第一DPN网络层和第二DPN网络层；
所述预设网络模型根据训练数据集中训练样本矩阵，生成所述训练样本矩阵对应的预测目标特征的步骤包括：
将所述训练样本矩阵输入至所述第一DPN网络层，得到所述第一DPN网络层输出的初步预测目标特征；
按照预设权重值对所述第一目标特征进行加权后输入至所述第二DPN网络层，得到所述第二DPN网络层输出的预测目标特征。
为了减小特征维度，DPN是有效逐层学习的方法。这是一种特殊类型的有监督的深度学习方法，特别适合于小型数据库。DPN方法可以通过组合训练样本矩阵的标签信息来减少训练误差。训练错误率随着网络的深度而降低。
假设训练样本矩阵{(x1，y1),(x2，y2),…,(xN，yN)}的个数为N个，系数向量r(w1，w2，w3，...wN)和N个多项式P1，P2，P3，...PN,，根据Livni等人的理论，
Figure BDA0002626877260000101
其中(y1，y2，y3...yN)是标签。
第一层DPN中的多项式定义为：
Figure BDA0002626877260000102
奇异值分解方法用于搜索一系列(d+1)维向量w＝[w1，w2，...，wd+1],通过基本构造方法来生成线性独立的脑连接网络矩阵：
Figure BDA0002626877260000103
具体来说，使用矩阵W＝[w1，w2，...，wd+1]将[1 X]映射到构造的基中。1表示全1向量，＜，＞表示点积。
对于所有j＝1,2,…，d+1,第一层的节点j表示为：
Figure BDA0002626877260000104
其中
Figure BDA0002626877260000105
是所有第一级多项式在训练数据上获得的基的所有值。用F1表示N×(d+1)个输出矩阵，其列是该集合的向量，即
Figure BDA0002626877260000106
在构造第一DPN网络层之后，可以知道，任何P级多项式都可以由1级多项式和(P-1)级多项式表示。这意味着任何2级多项式都可以写为1级多项式与P-1杠杆多项式的乘积之和。
Figure BDA0002626877260000111
定义为：
Figure BDA0002626877260000112
级联的新矩阵
Figure BDA0002626877260000113
的范围是所有可能第2级多项式获得的可能值。奇异值分解用于构建基。令F2是
Figure BDA0002626877260000114
列的子集。F2生成2级多项式的基，这个基是通过奇异值分解从
Figure BDA0002626877260000115
中选择线性独立列来获得。第2层网络表示为F2的列。|F2|代表F2的列数，而
Figure BDA00026268772600001112
运算表示Hadamard乘积。
F被定义为增广矩阵[F F2]，因此，在P次迭代中获得矩阵F。
Figure BDA0002626877260000116
定义为：
Figure BDA0002626877260000117
由于[[F FP]的列构成
Figure BDA0002626877260000118
的基，因此获得了列子集FP。然后，将F重新定义为[FFP]。
Figure BDA0002626877260000119
由
Figure BDA00026268772600001110
转换为FP。
Figure BDA00026268772600001111
FDPN方法对输出的每一层特征施加不同权重。
进一步的，所述根据预设权重对所述边缘特征加权，得到边缘权重融合特征的步骤包括：
将所述脑部特征提取模型的每个输出层输出的边缘特征与其对应的权重相乘后相加，计算其加权和，得到所述边缘权重融合特征；所述各个输出层输出的边缘特征对应的权重值的总和为1。
假设第p个输出层特征为fp，则fp的权重为γp，其中：γ1+γ2+…+γP＝1。
融合特征定义如下：
f＝γ1×f1+γ2×f2+…+γp×fP. (8)
实际上，在本文中，构建了一个两层DPN。假设第一输出层特征f1的权重为γ，第二输出层特征f2的权重为1-γ，则融合特征为f＝γ×f1+(1-γ)×f2。这样，可以充分利用两层的特征，称为FDPN方法。
在一种实施方式中，所述分类模块为支持向量机分类器，所述检测分类信息为强迫症对应的标签和一级亲属对应的标签。
进一步的，所述利用所述稀疏网络表示原始fMRI数据集中ROI序列对应的脑连接网络矩阵的步骤之前，还包括：
采集磁共振成像数据，并对所述磁共振成像数据进行预处理，得到预处理后的原始fMRI数据集。
具体的，本研究中的数据使用配备八通道相控阵探头线圈的3.0-Tesla MR系统(Philips Medical Systems)执行数据采集。要求受试者闭上眼睛并放松，保持清醒并且不要移动。rs-fMRI数据收集使用具有特定参数的梯度回波平面成像(EPI)序列，如下所示：回波时间(TE)＝60毫秒；重复时间(TR)＝2000毫秒；33层，翻转角＝90°，视场[FOV]＝240mm×240mm，矩阵＝64×64；切片厚度＝4.0毫米。对于空间归一化和定位，还使用了通过磁化准备的梯度回波序列。具体参数如下：TE＝1.7ms，TR＝8ms，翻转角＝20°，FOV＝240mm×240mm，矩阵＝256×256，切片厚度＝1.0mm。
使用静止状态功能磁共振成像的数据处理助手(DPARSFA)和统计参数映射工具箱(SPM8)通过标准化的数据预处理过程对数据进行预处理。在进行处理以保持磁化强度相等之前，将每个受试者的前10时间序列rs-fMRI数据丢弃。使用切片收集的交错序列来校正剩余的170时间序列，并且使用回波平面扫描来确保每个切片上的数据对应于一致的时间点。
数据预处理的步骤包括：切片定时校正；头部运动矫正；与相应的T1体积重新对齐；去除协变量回归(六个头部运动参数，白质信号和脑脊液信号)；在立体定向空间中进行空间归一化，并以3×3×3mm3进行重采样；使用6毫米全宽半最大各向同性高斯核进行空间平滑，并进行带通滤波(0.01–0.08Hz)。
使用解剖自动标记(AAL)模板分割rs-fMRI数据。删除了26个小脑感兴趣区域(ROI)，并保留了90个大脑ROI进行研究。此外，使用高通滤波器细化每个大脑区域的平均rs-fMRI时间序列。此外，还可以计算出头部运动参数，脑脊液和灰质的平均血氧水平依赖(BOLD)时间序列。最后，将BOLD信号的平均值提取为原始rs-fMRI数据。
本实施例公开的强迫症风险评估模型，首先使用标准数据预处理来处理收集的原始(静息态功能磁共振)rs-fMRI数据。其次，使用提出的SSL机器学习模型来构造具有生理意义的BFCN。再次，利用深度学习模型FDPN来学习BFCN中具有的判别力的特征。最后，将学习到的特征发送到支持向量机(SVM)分类器以进行OCD检测，从而构建出一种新的基于SSL和FDPN的强迫症风险评估模型。
示例性设备
本实施例提供了一种强迫症风险评估模型的构建系统，如图3所示，包括：
功能连接网络构建模块100，用于在组稀疏表示模型中增加组稀疏正则化和平滑正则化，构建稀疏网络，利用所述稀疏网络表示原始fMRI数据集中ROI序列对应的脑连接网络矩阵；其功能如步骤S1和S2所述。
模型训练模块200，用于利用脑连接网络矩阵对预设网络模型进行训练，得到训练完成的强迫症风险评估模型；其功能如步骤S3所述。
所述预设网络模型包括：脑部特征提取模块和分类模块，所述脑部特征提取模块基于DPN网络模型提取所述脑连接网络矩阵的边缘特征；所述分类模块用于根据边缘权重融合特征得到与所述脑连接网络矩阵对应的检测分类信息，所述边缘权重融合特征为根据预设权重对所述边缘特征加权后得到。
在上述方法的基础上，本实施例还公开了一种终端设备，包括处理器、与处理器通信连接的存储介质，所述存储介质适于存储多条指令；所述处理器适于调用所述存储介质中的指令，以执行实现所述的强迫症风险评估模型的构建方法的步骤。一种实施方式中，所述终端设备可以为手机、平板电脑或智能电视。
具体的，如图4所示，所述终端设备包括至少一个处理器(processor)20以及存储器(memory)22，还可以包括显示屏21、通信接口(Communications Interface)23和总线24。其中，处理器20、显示屏21、存储器22和通信接口23可以通过总线24完成相互间的通信。显示屏21设置为显示初始设置模式中预设的用户引导界面。通信接口23可以传输信息。处理器20可以调用存储器22中的逻辑指令，以执行上述实施例中虚化照片生成方法的步骤。
此外，上述的存储器22中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。
存储器22作为一种计算机可读存储介质，可设置为存储软件程序、计算机可执行程序，如本公开实施例中的方法对应的程序指令或模块。处理器30通过运行存储在存储器22中的软件程序、指令或模块，从而执行功能应用以及数据处理，即实现上述实施例中的方法。
存储器22可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端设备的使用所创建的数据等。此外，存储器22可以包括高速随机存取存储器，还可以包括非易失性存储器。例如，U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等多种可以存储程序代码的介质，也可以是暂态存储介质。
另一方面，本实施例提供了一种计算机可读存储介质，其中，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现所述的强迫症风险评估模型的构建方法的步骤。
本实施例提供的一种新的强迫症风险评估模型具有以下优点：
1)提出了一种新的SSL方法来构造BFCN，该方式不仅可以分别构建每个受试者的BFCN，而且可以捕获相邻或左右对称的大脑区域之间的相似性。
2)提出了FDPN模型来使用不同权重的融合多个输出层的特征。即不仅学习了特征内部的关系，而且降低了数据维度。
3)通过结合传统机器学习和深度学习来设计新框架，以检测OCD和UFDR。
本发明提供了一种强迫症风险评估模型的构建方法、系统及设备，通过在组稀疏表示模型中增加组稀疏正则化和平滑正则化，构建稀疏网络；利用所述稀疏网络表示原始fMRI数据集中ROI序列对应的脑连接网络矩阵；利用脑连接网络矩阵对预设网络模型进行训练，得到训练完成的强迫症风险评估模型。由于本实施例中训练用的预设网络模型包括：脑部特征提取模块和分类模块，所述脑部特征提取模块基于DPN网络模型提取所述脑连接网络矩阵的边缘特征，因此本实施例构建出的强迫症风险评估模型可以更好的学习了特征内部的关系，降低了数据维度，减少数据处理复杂程度，提高了数据处理的效率和准确率，为强迫症风险评估提供了依据。
可以理解的是，对本领域普通技术人员来说，可以根据本发明的技术方案及其发明构思加以等同替换或改变，而所有这些改变或替换都应属于本发明所附的权利要求的保护范围。

Claims (7)

1.一种强迫症风险评估模型的构建方法，其特征在于，包括：
在组稀疏表示模型中增加组稀疏正则化和平滑正则化，构建稀疏网络；
利用所述稀疏网络表示原始fMRI数据集中ROI序列对应的脑连接网络矩阵；
利用所述脑连接网络矩阵对预设网络模型进行训练，得到训练完成的强迫症风险评估模型；
其中，所述预设网络模型包括：脑部特征提取模块和分类模块，所述脑部特征提取模块基于DPN网络模型提取所述脑连接网络矩阵的边缘特征；所述分类模块用于根据边缘权重融合特征得到与所述脑连接网络矩阵对应的检测分类信息，所述边缘权重融合特征为根据预设权重对所述边缘特征加权后得到；
所述ROI为感兴趣区域，所述DPN网络模型为深度多项式网络模型。
2.根据权利要求1所述的强迫症风险评估模型的构建方法，其特征在于，所述稀疏网络的目标函数表达式为：
Figure FDA0002947485580000011
其中，
Figure FDA0002947485580000012
表示第r个ROI的BOLD区域平均时间序列，Ar＝[x1，...xr-1，xr+1，...xR]是包含来自除xr之外的所有R-1个ROI的数据的信号矩阵，wr＝[w1，...wr-1，wr+1，...wR]为加权回归系数向量，||wr-wr+1||1将限制两个连续ROI之间的权重差，
Figure FDA0002947485580000013
是wr的l2范数的总和，λ1是组正则化参数，λ2是平滑度正则化参数；
所述BOLD区域为血氧水平依赖区域。
3.根据权利要求1所述的强迫症风险评估模型的构建方法，其特征在于，所述分类模块为支持向量机分类器，所述检测分类信息为强迫症对应的标签和一级亲属对应的标签。
4.根据权利要求1-3任一项所述的强迫症风险评估模型的构建方法，其特征在于，所述利用所述稀疏网络表示原始fMRI数据集中ROI序列对应的脑连接网络矩阵的步骤之前，还包括：
采集磁共振成像数据，并对所述磁共振成像数据进行预处理，得到预处理后的原始fMRI数据集。
5.一种强迫症风险评估模型的构建系统，其特征在于，包括：
功能连接网络构建模块，用于在组稀疏表示模型中增加组稀疏正则化和平滑正则化，构建稀疏网络，利用所述稀疏网络表示原始fMRI数据集中ROI序列对应的脑连接网络矩阵；
模型训练模块，用于利用脑连接网络矩阵对预设网络模型进行训练，得到训练完成的强迫症风险评估模型；
所述预设网络模型包括：脑部特征提取模块和分类模块，所述脑部特征提取模块基于DPN网络模型提取所述脑连接网络矩阵的边缘特征；所述分类模块用于根据边缘权重融合特征得到与所述脑连接网络矩阵对应的检测分类信息，所述边缘权重融合特征为根据预设权重对所述边缘特征加权后得到；
所述ROI为感兴趣区域，所述DPN网络模型为深度多项式网络模型。
6.一种终端设备，其特征在于，包括处理器、与处理器通信连接的存储介质，所述存储介质适于存储多条指令；所述处理器适于调用所述存储介质中的指令，以执行实现上述权利要求1-4任一项所述的强迫症风险评估模型的构建方法的步骤。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如权利要求1-4任一项所述的强迫症风险评估模型的构建方法的步骤。
CN202010799518.1A 2020-08-11 2020-08-11 一种强迫症风险评估模型的构建方法、系统及设备 Active CN112037914B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010799518.1A CN112037914B (zh) 2020-08-11 2020-08-11 一种强迫症风险评估模型的构建方法、系统及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010799518.1A CN112037914B (zh) 2020-08-11 2020-08-11 一种强迫症风险评估模型的构建方法、系统及设备

Publications (2)

Publication Number Publication Date
CN112037914A CN112037914A (zh) 2020-12-04
CN112037914B true CN112037914B (zh) 2021-06-01

Family

ID=73578037

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010799518.1A Active CN112037914B (zh) 2020-08-11 2020-08-11 一种强迫症风险评估模型的构建方法、系统及设备

Country Status (1)

Country Link
CN (1) CN112037914B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107944490A (zh) * 2017-11-22 2018-04-20 中南大学 一种基于半多模态融合特征约简框架的图像分类方法
CN108257657A (zh) * 2016-12-28 2018-07-06 复旦大学附属华山医院 基于意识障碍患者意识恢复预测的磁共振检测的数据分析方法
CN108764367A (zh) * 2018-06-07 2018-11-06 深圳大学 一种基于关系正则化的特征图像提取装置及提取方法
CN109344889A (zh) * 2018-09-19 2019-02-15 深圳大学 一种脑疾病分类方法、装置和用户终端
US10363420B2 (en) * 2014-06-09 2019-07-30 The Regents Of The University Of California Systems and methods for restoring cognitive function
CN110263880A (zh) * 2019-07-12 2019-09-20 深圳大学 脑疾病分类模型的构建方法、装置及智能终端

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9480402B2 (en) * 2011-11-11 2016-11-01 Washington University System and method for task-less mapping of brain activity
US20190102511A1 (en) * 2017-10-02 2019-04-04 Blackthorn Therapeutics, Inc. Methods and tools for detecting, diagnosing, predicting, prognosticating, or treating a neurobehavioral phenotype in a subject

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10363420B2 (en) * 2014-06-09 2019-07-30 The Regents Of The University Of California Systems and methods for restoring cognitive function
CN108257657A (zh) * 2016-12-28 2018-07-06 复旦大学附属华山医院 基于意识障碍患者意识恢复预测的磁共振检测的数据分析方法
CN107944490A (zh) * 2017-11-22 2018-04-20 中南大学 一种基于半多模态融合特征约简框架的图像分类方法
CN108764367A (zh) * 2018-06-07 2018-11-06 深圳大学 一种基于关系正则化的特征图像提取装置及提取方法
CN109344889A (zh) * 2018-09-19 2019-02-15 深圳大学 一种脑疾病分类方法、装置和用户终端
CN110263880A (zh) * 2019-07-12 2019-09-20 深圳大学 脑疾病分类模型的构建方法、装置及智能终端

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Group sparsity with orthogonal dictionary and nonconvex regularization for exact MRI reconstruction;Shujun Liu，etal;《Information Sciences》;20180705;第451-452卷;第161-179页 *
Impairment in the goal-directed corticostriatal learning system as a biomarker for obsessive-compulsive disorder;Dong, C，etal;《Psychological Medicine》;20200701;第50卷(第9期);第1490-1500页 *
Social brain dysfunctionality in individuals with autism spectrum disorder and their first-degree relatives: An activation likelihood estimation meta-analysis;Peng Ziwen,etal;《Psychiatry Research: Neuroimaging 》;20200430;第298卷;第1-7页 *
Sub-graph entropy based network approaches for classifying adolescent obsessive-compulsive disorder from resting-state functional MRI;Bhaskar Sen ，etal;《NeuroImage: Clinical》;20200206;第26卷;第1-12页 *
人脑连接组研究：脑结构网络和脑功能网络;梁夏 等;《科学通报》;20100605;第55卷(第16期);第1565-1583页 *

Also Published As

Publication number Publication date
CN112037914A (zh) 2020-12-04

Similar Documents

Publication Publication Date Title
CN109409416B (zh) 特征向量降维方法和医学图像识别方法、装置及存储介质
Amico et al. Mapping hybrid functional-structural connectivity traits in the human connectome
JP7276915B2 (ja) 脳機能地図のサル－ヒト種間移行に基づいて精神疾患の個別的予測を行う方法およびシステム
CN110236543B (zh) 基于深度学习的阿尔茨海默病多分类诊断系统
CN109192298B (zh) 基于脑网络的深度脑疾病诊断算法
CN111461232A (zh) 一种基于多策略批量式主动学习的核磁共振图像分类方法
CN110197492A (zh) 一种心脏mri左心室分割方法及系统
CN109344889B (zh) 脑疾病分类装置、用户终端和计算机可读存储介质
CN113616184A (zh) 基于多模态磁共振图像的脑网络建模与个体预测方法
CN106408550A (zh) 一种改进的自适应多字典学习的图像超分辨率重建方法
CN110598793A (zh) 一种大脑功能网络特征分类方法
CN107391900A (zh) 房颤检测方法、分类模型训练方法及终端设备
CN112037179B (zh) 一种脑疾病诊断模型的生成方法、系统及设备
CN116503680B (zh) 基于脑图谱的脑影像结构化分析和脑疾病分类系统
WO2021212715A1 (zh) 精神分裂症分类识别方法、运行控制装置及医疗设备
CN109543718B (zh) 修改病种描述的方法和装置
CN114881968A (zh) 基于深度卷积神经网络的octa图像血管分割方法、设备及介质
CN111523617B (zh) 基于白质融合特征图和残差注意力网络的癫痫检测系统
CN113592769B (zh) 异常图像的检测、模型的训练方法、装置、设备及介质
CN113786185A (zh) 一种基于卷积神经网络的静态脑网络特征提取方法和系统
CN116363438B (zh) 一种基于多模态的儿童脑炎分类系统
CN112037914B (zh) 一种强迫症风险评估模型的构建方法、系统及设备
CN115409843A (zh) 基于尺度均衡耦合卷积架构的脑神经影像特征提取方法
Liu et al. Context-endcoding for neural network based skull stripping in magnetic resonance imaging
Paul et al. EchoTrace: A 2D Echocardiography Deep Learning Approach for Left Ventricular Ejection Fraction Prediction

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