CN113255734B - 一种基于自监督学习和迁移学习的抑郁症分类方法 - Google Patents
一种基于自监督学习和迁移学习的抑郁症分类方法 Download PDFInfo
- Publication number
- CN113255734B CN113255734B CN202110474703.8A CN202110474703A CN113255734B CN 113255734 B CN113255734 B CN 113255734B CN 202110474703 A CN202110474703 A CN 202110474703A CN 113255734 B CN113255734 B CN 113255734B
- Authority
- CN
- China
- Prior art keywords
- graph
- network
- depression
- node
- learning
- 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
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000013508 migration Methods 0.000 title abstract description 3
- 230000005012 migration Effects 0.000 title abstract description 3
- 210000004556 brain Anatomy 0.000 claims abstract description 44
- 239000000835 fiber Substances 0.000 claims abstract description 24
- 238000012512 characterization method Methods 0.000 claims abstract description 15
- 238000002598 diffusion tensor imaging Methods 0.000 claims abstract description 13
- 238000003062 neural network model Methods 0.000 claims abstract description 10
- 238000013526 transfer learning Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 31
- 230000006870 function Effects 0.000 claims description 18
- 210000004885 white matter Anatomy 0.000 claims description 18
- 238000009792 diffusion process Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 8
- 210000004884 grey matter Anatomy 0.000 claims description 6
- 238000003384 imaging method Methods 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000005295 random walk Methods 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 3
- 238000011160 research Methods 0.000 description 5
- 208000020401 Depressive disease Diseases 0.000 description 4
- 238000013145 classification model Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 238000003012 network analysis Methods 0.000 description 2
- 208000020016 psychiatric disease Diseases 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 208000027559 Appetite disease Diseases 0.000 description 1
- 206010012374 Depressed mood Diseases 0.000 description 1
- 208000019454 Feeding and Eating disease Diseases 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 230000003920 cognitive function Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000000994 depressogenic effect Effects 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002610 neuroimaging Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 230000007958 sleep Effects 0.000 description 1
- 208000019116 sleep disease Diseases 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
-
- 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
- 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
- G06N3/08—Learning methods
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Child & Adolescent Psychology (AREA)
- Developmental Disabilities (AREA)
- Hospice & Palliative Care (AREA)
- Psychiatry (AREA)
- Psychology (AREA)
- Social Psychology (AREA)
- Epidemiology (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
一种基于自监督学习和迁移学习的抑郁症分类方法，基于弥散张量成像数据跟踪全脑白质纤维束，构建全脑白质纤维束网络，利用自监督学习策略通过对比学习自动学习与下游任务无关的脑网络节点表征和网络表征。基于脑网络表征和和非影像表型信息，构建群组网络，将抑郁症分类问题转换为网络节点分类问题，使用基于谱图卷积的图卷积神经网络模型对抑郁症患者和正常对照分类。本发明利用自监督学习和迁移学习，部分解决了抑郁症样本较少的问题，有效挖掘了抑郁症相关的脑网络水平特征，提高了抑郁症分类的精度。
Description
技术领域
本专利涉及医学图像处理与机器学习领域，特别是指一种自监督学习和迁移学习的抑郁症分类方法。
背景技术
抑郁症是一种全球范围内普遍存在的精神疾病，主要表现为情绪低落、兴趣减退、认知功能受损以及睡眠和食欲障碍，已成为全球关注的重大公共卫生问题。抑郁症的早期诊断和治疗对抑郁症患者的康复至关重要。抑郁症诊断主要依靠专业医生对患者的临床访谈，评估患者症状。由于不同精神疾病所表现的临床症状有重叠，并且抑郁症是一种异质性疾病，因此抑郁症的临床诊断非常复杂并且依赖于医生的经验，具有一定的主观性。神经成像技术为抑郁症的诊断提供了客观的证据，有利于提高诊断的精确性。
弥散张量成像(DTI)是磁共振成像(MRI)技术的一个模态，它通过测量水分子的弥散过程来评估生物组织的结构和形态，能够有效观察和跟踪脑白质纤维束。已有研究发现抑郁症是一种失连接的疾病，也就是说抑郁症与脑区间的交互作用密切相关。弥散张量成像技术提供了一种有效的非侵入式方法来建模脑区间的白质纤维束连接，这种连接是脑区间交互作用的基础。
目前基于弥散张量成像技术的白质纤维束研究主要有基于感兴趣纤维束的研究和全脑纤维束连接网络研究。基于感兴趣纤维束的研究主要基于先验知识，选取和抑郁症相关的白质纤维束，分析抑郁症对这些特定白质纤维束形态和结构的影响，很有针对性，但是不利于发现未知的新纤维。全脑白质纤维束连接网络主要基于图论的思想，构建脑区和脑区之间的白质纤维束连接网络，可以利用最新的复杂网络分析方法和机器学习算法提取新的白质纤维束特征，用于疾病的分类和预测。受限于抑郁症患者磁共振成像数据入组和采集难度较大，抑郁症分类研究存在样本数较少的问题。
发明内容
为了解决现有脑网络分析方法特征挖掘能力不足和脑网络标注样本较少的问题，受计算机视觉领域对比学习的启发，本发明提出了一种基于自监督学习和迁移学习的抑郁症分类方法，可以充分快速、高效地提取多模态脑网络特征用于抑郁症分类。
本发明解决其技术问题所采用的技术方案是：
一种基于自监督学习和迁移学习的抑郁症分类方法，包括如下步骤：
步骤一：弥散张量成像数据预处理；
步骤二：构建全脑结构网络：将AAL模板配准到个体DTI空间，使用确定跟踪算法获得全脑白质纤维束，得到AAL模板中任意两个脑区之间的白质纤维束，构建全脑结构连接矩阵AS，然后计算每个体素的FA、MD和灰质体积，然后根据AAL模板，计算每个脑区的平均FA、MD和灰质体积，构建结构属性网络XS；
步骤三：扩增原始全脑结构网络得到对比视图：将邻接矩阵AS转化为扩散矩阵，邻接矩阵和扩散矩阵分别提供了图结构的局部和全局视图，使得模型可以同时编码丰富的局部和全局信息，使用个性化网页排名(Personalized PageRank，PPR)和热核(heat kernel)这两个广义图扩散矩阵：
Sheat＝exp(tASD-1-t)
SPPR＝α(In-(1-α)D-1/2ASD-1/2)-1
其中，AS表示结构邻接矩阵，D表示对角度矩阵，t表示扩散时间，α表示随机行走中的传送概率，随后对两个视图进行下采样；
步骤四：邻接矩阵和扩散矩阵作为对比结构视图分别传入图卷积网络GCN，分别学习两个视图的节点表征，将经过GCN层学习到的节点表征传入投射头(projection head)，即一个有两个隐层和PReLU函数的多层感知机MLP，得到对应两个视图的节点表征集合Hα和Hβ；
步骤五：对于每个视图，使用图池化函数将图神经网络学习到的节点表征聚集到一个图表征，
其中，表示节点i在层l的潜在表征，||是级联操作符，L表示GCN的层数，W表示网络参数，σ表示PReLU函数，将readout函数应用到节点表征结果中会产生两个图表征，每个图表征与一个视图相关联，然后图表征被输入到一个共享的投射头中，得到最后的图表征/>和/>
步骤六：为了端对端地训练编码器学习网络与下游任务无关的节点和图表征，使用深度InfoMax方法最大化两个视图之间的互信息，通过对比一个视图的节点表征和另一个视图的图表征，反之亦然；目标函数定义为：
其中，θ，ω，φ，ψ表示图编码器和投射头参数，|G|表示训练集中图数目，|g|表示图g的节点数目，表示视图α的节点i表征，/>表示视图β的图g表征，使用小批量随机梯度下降法优化模型参数，为了弥补抑郁症患者数据的不足，首先使用一个大样本正常人群数据集训练上述自监督对比学习模型，然后再应用于抑郁症数据集中；
步骤七：经过脑网络自监督对比学习，每个脑网络的图表征和节点表征来自两个视图的整合，分别表示为：和/>
步骤八：基于每个脑网络的图表征和每个被试的非影像表型信息，所述非影像表型信息包括性别和年龄，构建群组网络，将抑郁症分类问题转换为图节点分类问题，群组网络的节点是被试，连边是被试之间相似性，对于一个群组网络G，其对应的邻接矩阵定义为：
其中，v和w表示群组网络中的节点，H表示非影像表型特征的数量，M表示非影像表型特征集，Sim(Sv,Sw)表示被试之间的相似性，被试之间越相似，边权值越大，γ表示表型信息之间的距离度量；
步骤九：使用基于谱图卷积的图卷积神经网络模型对群组网络节点分类从而实现抑郁症分类，训练集包括一个带标签的图节点子集，在其上评估损失函数，梯度被反向传播，训练过程中观察到测试集特征，所述测试集特征为剩余的未标记图节点，未标记节点也会影响标记样本上的卷积；为了克服抑郁症数据集数据量较小的缺点，引入迁移学习，首先基于正常人群大样本训练图卷积神经网络模型用于正常被试抑郁评分预测，然后将预训练好的模型迁移到抑郁症分类问题。
本发明的技术构思为：基于弥散张量成像数据跟踪全脑白质纤维束，构建全脑白质纤维束网络。考虑到抑郁症脑网络数据标注少的问题，利用自监督学习策略通过对比学习自动学习与下游任务无关的脑网络节点表征和网络表征。基于脑网络表征和和非影像表型信息，构建群组网络，将抑郁症分类问题转换为网络节点分类问题，使用基于谱图卷积的图卷积神经网络模型对抑郁症患者和正常对照分类。
本发明的有益效果为：基于弥散张量成像数据构建全脑白质纤维束网络考察了脑区间交互作用的基础。利用自监督学习策略自主学习脑网络的节点表征和网络表征，部分解决了抑郁症样本脑网络数据标注不足的问题。同时，利用迁移学习，在正常人群大样本数据集上训练自监督图卷积神经网络模型和抑郁症分类模型，有效挖掘了抑郁症相关的脑网络水平特征，提高了抑郁症分类的精度。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合附图对本发明做进一步说明。
参照图1，一种基于自监督学习和迁移学习的抑郁症分类方法，包括如下步骤：
步骤一：弥散张量成像数据预处理。弥散张量成像数据预处理步骤包括：估计和校正磁化率引起的畸变、去脑壳、涡流校正；
步骤二：构建全脑结构网络：将AAL模板配准到个体DTI空间，使用确定跟踪算法获得全脑白质纤维束，得到AAL模板中任意两个脑区之间的白质纤维束，构建全脑结构连接矩阵AS，然后计算每个体素的FA、MD和灰质体积，然后根据AAL模板，计算每个脑区的平均FA、MD和灰质体积，构建结构属性网络XS；
步骤三：扩增原始全脑结构网络得到对比视图，将邻接矩阵AS转化为扩散矩阵，邻接矩阵和扩散矩阵分别提供了图结构的局部和全局视图，使得模型可以同时编码丰富的局部和全局信息，使用个性化网页排名(Personalized PageRank，PPR)和热核(heat kernel)这两个广义图扩散矩阵：
Sheat＝exp(tASD-1-t)
SPPR＝α(In-(1-α)D-1/2ASD-1/2)-1
其中，AS表示结构邻接矩阵，D表示对角度矩阵，t表示扩散时间，α表示随机行走中的传送概率，随后，对两个视图进行下采样；
步骤四：邻接矩阵和扩散矩阵作为对照结构视图分别传入图卷积网络GCN，分别学习两个视图的节点表征，将经过GCN层学习到的节点表征传入投射头(projection head)，即一个有两个隐层和PReLU函数的多层感知机MLP，得到对应两个视图的节点表征集合Hα和Hβ；
步骤五：对于每个视图，使用图池化函数将图神经网络学习到的节点表征聚集到一个图表征，
其中，表示节点i在层l的潜在表征，||是级联操作符，L表示GCN的层数，W表示网络参数，σ表示PReLU函数，将readout函数应用到节点表征结果中会产生两个图表征，每个图表征与一个视图相关联，然后图表征被输入到一个共享的投射头中，得到最后的图表征/>和/>
步骤六：为了端对端地训练编码器学习网络与下游任务无关的节点和图表征，使用深度InfoMax方法最大化两个视图之间的互信息，通过对比一个视图的节点表征和另一个视图的图表征，反之亦然；目标函数定义为：
其中，θ，ω，φ，ψ表示图编码器和投射头参数，|G|表示训练集中图数目，|g表示图g的节点数目，表示视图α的节点i表征，/>表示视图β的图g表征，使用小批量随机梯度下降法优化模型参数；为了弥补抑郁症患者数据的不足，首先使用一个大样本正常人群数据集训练上述自监督对比学习模型，然后再应用于抑郁症数据集中；
步骤七：经过脑网络自监督对比学习，每个脑网络的图表征和节点表征来自两个视图的整合，分别表示为：和/>
步骤八：基于每个脑网络的图表征和每个被试的非影像表型信息，所述非影像表型信息包括性别和年龄，构建群组网络，将抑郁症分类问题转换为图节点分类问题，群组网络的节点是被试，连边是被试之间相似性，对于一个群组网络G，其对应的邻接矩阵定义为：
其中，v和w表示群组网络中的节点，H表示非影像表型特征的数量，M表示非影像表型特征集，Sim(Sv,Sw)表示被试之间的相似性，被试之间越相似，边权值越大，γ表示表型信息之间的距离度量；
步骤九：使用基于谱图卷积的图卷积神经网络模型对群组网络节点分类从而实现抑郁症分类，训练集包括一个带标签的图节点子集，在其上评估损失函数，梯度被反向传播，训练过程中观察到测试集特征，所述测试集特征为剩余的未标记图节点，未标记节点也会影响标记样本上的卷积；为了克服抑郁症数据集数据量较小的缺点，引入迁移学习，首先基于正常人群大样本训练图卷积神经网络模型用于正常被试抑郁评分预测，，然后将预训练好的模型迁移到抑郁症分类问题。
本实施例中，构建每个被试全脑白质纤维束连接网络，得到一个116×116的结构邻接矩阵，然后使用自监督图卷积神经网络模型学习每个被试全脑结构网络的节点表征和图表征，得到116个512维的节点向量和1个512维的图向量，将图向量作为特征用于抑郁症分类，使用基于谱图卷积的图卷积神经网络模型对抑郁症患者和正常对照进行分类，参考参数为：L＝1，dropout rate＝0.3，learning rate＝0.005，epochs＝150，采用10折交叉验证评估分类模型，将数据集分为10份，其中9份是训练集，剩余1份是测试集，基于训练集训练分类模型，然后对测试集进行分类，计算分类准确率，最后求多次分类准确率的平均值，该方法的分类准确率可达85.3％。
如上所述，本专利实施的具体实现步骤使本发明更加清晰。在本发明的精神和权利要求的保护范围内，对本发明做出的任何修改和改变，都落入本发明的保护范围。
Claims (1)
1.一种基于自监督学习和迁移学习的抑郁症分类方法，其特征在于：所述方法包括如下步骤：
步骤一：弥散张量成像数据预处理；
步骤二：构建全脑结构网络：将AAL模板配准到个体DTI空间，使用确定跟踪算法获得全脑白质纤维束，得到AAL模板中任意两个脑区之间的白质纤维束，构建全脑结构连接矩阵AS，然后计算每个体素的FA、MD和灰质体积，然后根据AAL模板，计算每个脑区的平均FA、MD和灰质体积，构建结构属性网络XS；
步骤三：扩增原始全脑结构网络得到对比视图，将邻接矩阵AS转化为扩散矩阵，邻接矩阵和扩散矩阵分别提供了图结构的局部和全局视图，使得模型同时编码丰富的局部和全局信息，使用个性化网页排名PPR和热核两个广义图扩散矩阵：
Sheat＝exp(tASD-1-t)
SPPR＝α(In-(1-α)D-1/2ASD-1/2)-1
其中，AS表示结构邻接矩阵，D表示对角度矩阵，t表示扩散时间，α表示随机行走中的传送概率，随后，对两个视图进行下采样；
步骤四：邻接矩阵和扩散矩阵作为对比结构视图分别传入图卷积网络GCN，分别学习两个视图的节点表征，将经过GCN层学习到的节点表征传入投射头，即一个有两个隐层和PReLU函数的多层感知机MLP，得到对应两个视图的节点表征集合Hα和Hβ；
步骤五：对于每个视图，使用图池化函数将图神经网络学习到的节点表征聚集到一个图表征，
其中，表示节点i在层l的潜在表征，||是级联操作符，L表示GCN的层数，W表示网络参数，σ表示PReLU函数，将readout函数应用到节点表征结果中会产生两个图表征，每个图表征与一个视图相关联，然后图表征被输入到一个共享的投射头中，得到最后的图表征/>和
步骤六：为了端对端地训练编码器学习网络与下游任务无关的节点和图表征，使用深度InfoMax方法最大化两个视图之间的互信息，通过对比一个视图的节点表征和另一个视图的图表征，目标函数定义为：
其中，θ，ω，φ，ψ表示图编码器和投射头参数，|G|表示训练集中图数目，|g|表示图g的节点数目，表示视图α的节点i表征，/>表示视图β的图g表征，使用小批量随机梯度下降法优化模型参数，首先使用一个大样本正常人群数据集训练自监督对比学习模型，然后再应用于抑郁症数据集中；
步骤七：经过脑网络自监督对比学习，每个脑网络的图表征和节点表征来自两个视图的整合，分别表示为：和/>
步骤八：基于每个脑网络的图表征和每个被试的非影像表型信息，所述非影像表型信息包括性别和年龄，构建群组网络，将抑郁症分类问题转换为图节点分类问题，群组网络的节点是被试，连边是被试之间相似性，对于一个群组网络G，其对应的邻接矩阵定义为：
其中，v和w表示群组网络中的节点，H表示非影像表型特征的数量，M表示非影像表型特征集，Sim(Sv,Sw)表示被试之间的相似性，被试之间越相似，边权值越大，γ表示表型信息之间的距离度量；
步骤九：使用基于谱图卷积的图卷积神经网络模型对群组网络节点分类从而实现抑郁症分类，训练集包括一个带标签的图节点子集，在其上评估损失函数，梯度被反向传播，训练过程中观察到测试集特征，所述测试集特征为剩余的未标记图节点，未标记节点也会影响标记样本上的卷积；引入迁移学习，首先基于正常人群大样本训练图卷积神经网络模型用于正常被试抑郁评分预测，然后将预训练好的模型迁移到抑郁症分类问题。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110474703.8A CN113255734B (zh) | 2021-04-29 | 2021-04-29 | 一种基于自监督学习和迁移学习的抑郁症分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110474703.8A CN113255734B (zh) | 2021-04-29 | 2021-04-29 | 一种基于自监督学习和迁移学习的抑郁症分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113255734A CN113255734A (zh) | 2021-08-13 |
| CN113255734B true CN113255734B (zh) | 2024-03-22 |
Family
ID=77223312
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110474703.8A Active CN113255734B (zh) | 2021-04-29 | 2021-04-29 | 一种基于自监督学习和迁移学习的抑郁症分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113255734B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113870181A (zh) * | 2021-08-26 | 2021-12-31 | 桂林优利特医疗电子有限公司 | 一种基于深度学习的流式细胞仪细胞散点图分类方法 |
| CN115249539B (zh) * | 2022-01-27 | 2023-05-26 | 云南师范大学 | 一种多模态小样本抑郁症预测模型构建方法 |
| CN116108917B (zh) * | 2023-02-21 | 2023-08-29 | 思腾合力(天津)科技有限公司 | 一种无标记样本增强的半监督图神经网络方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111127441A (zh) * | 2019-12-25 | 2020-05-08 | 兰州大学 | 一种基于图节点嵌入的多模态脑影像抑郁识别方法和系统 |
| CN112052754A (zh) * | 2020-08-24 | 2020-12-08 | 西安电子科技大学 | 基于自监督表征学习的极化sar影像地物分类方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200279105A1 (en) * | 2018-12-31 | 2020-09-03 | Dathena Science Pte Ltd | Deep learning engine and methods for content and context aware data classification |
-
2021
- 2021-04-29 CN CN202110474703.8A patent/CN113255734B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111127441A (zh) * | 2019-12-25 | 2020-05-08 | 兰州大学 | 一种基于图节点嵌入的多模态脑影像抑郁识别方法和系统 |
| CN112052754A (zh) * | 2020-08-24 | 2020-12-08 | 西安电子科技大学 | 基于自监督表征学习的极化sar影像地物分类方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113255734A (zh) | 2021-08-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113255734B (zh) | 一种基于自监督学习和迁移学习的抑郁症分类方法 | |
| CN113040715B (zh) | 一种基于卷积神经网络的人脑功能网络分类方法 | |
| Yang et al. | A deep neural network study of the ABIDE repository on autism spectrum classification | |
| CN111488914B (zh) | 一种基于多任务学习的阿尔茨海默症分类及预测系统 | |
| Warren et al. | Functional magnetic resonance imaging, deep learning, and Alzheimer's disease: A systematic review | |
| Feng et al. | A review of methods for classification and recognition of ASD using fMRI data | |
| Zakazov et al. | Anatomy of domain shift impact on U-Net layers in MRI segmentation | |
| Herath et al. | Autism spectrum disorder diagnosis support model using Inception V3 | |
| Alharthi et al. | Do it the transformer way: a comprehensive review of brain and vision transformers for autism spectrum disorder diagnosis and classification | |
| Singh | Prediction of Thyroid Disease using Deep Learning Techniques | |
| Kumar et al. | Normative modeling using multimodal variational autoencoders to identify abnormal brain volume deviations in Alzheimer’s disease | |
| Abdulrazzaq et al. | [Retracted] Early Detection of Autism Spectrum Disorders (ASD) with the Help of Data Mining Tools | |
| Saleh et al. | A new autism spectrum disorder discovery (ASDD) strategy using data mining techniques based on blood tests | |
| Guney et al. | An overview of deep learning algorithms and their applications in neuropsychiatry | |
| Guo et al. | Joint grading of diabetic retinopathy and diabetic macular edema using an adaptive attention block and semisupervised learning | |
| Wang et al. | Deep learning for single-channel EEG signals sleep stage scoring based on frequency domain representation | |
| Boughattas et al. | Autism Spectrum Disorder (ASD) Detection Using Machine Learning Algorithms | |
| Zong et al. | A new brain network construction paradigm for brain disorder via diffusion-based graph contrastive learning | |
| Sami et al. | Exploring Imaging Biomarkers for Early Detection of Alzheimer’s Disease Using Deep Learning: A Comprehensive Analysis | |
| Mengi et al. | Anatomy of various biomarkers for diagnosis of socio-behavioral disorders | |
| Ghribi et al. | Progressive infant brain connectivity evolution prediction from neonatal MRI using bidirectionally supervised sample selection | |
| Singh et al. | Detection of Parkinson's Disease Using the Spiral Diagram and Convolutional Neural Network. | |
| Liu et al. | A multi-modal extraction integrated model for neuropsychiatric disorders classification | |
| Shen et al. | Research on migraine classification model based on hypergraph neural network | |
| Lakmini et al. | Autism spectrum disorder diagnosis support model using InceptionV3 |
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 |