【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及神經(jīng)影像分析，尤其涉及一種基于動靜態(tài)腦網(wǎng)絡(luò)結(jié)合的孤獨(dú)癥分類算法。
技術(shù)介紹
1、近年來，隨著醫(yī)學(xué)影像技術(shù)的快速發(fā)展，功能磁共振成像（functional?magneticresonance?imaging，fmri）成為了科研人員診斷孤獨(dú)癥的新方向之一。在最近的一些工作中，研究人員利用?fmri?數(shù)據(jù)構(gòu)建功能腦網(wǎng)絡(luò)（functional?brain?network,fbn）來代表每個(gè)被試。在?fbn?中，每個(gè)節(jié)點(diǎn)表示一個(gè)對應(yīng)的大腦區(qū)域（region?of?interest,?roi），節(jié)點(diǎn)之間的邊緣權(quán)重則對應(yīng)了兩個(gè)?roi?的連接強(qiáng)度。
2、在現(xiàn)有的?fbn?分析框架中，研究人員通常基于皮爾遜相關(guān)系數(shù)（pearsoncorrelation?coefficient,?pcc）來構(gòu)建低階腦網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)，但是皮爾遜相關(guān)性主要衡量線性關(guān)系，對于非線性關(guān)系敏感性較低。這種傳統(tǒng)的功能腦網(wǎng)絡(luò)與大腦的擬合度不夠，不能高效表達(dá)腦區(qū)之間的復(fù)雜關(guān)系，從而影響下游分類任務(wù)的精度。此外，現(xiàn)有方法通常單獨(dú)采用靜態(tài)功能連接或者動態(tài)功能連接進(jìn)行訓(xùn)練，有研究表明，動靜態(tài)功能連接對孤獨(dú)癥的準(zhǔn)確分類都有重要貢獻(xiàn)。然而由于動態(tài)功能連接的高維度和復(fù)雜性，這兩類特征不能很好的結(jié)合在一起。因此，需要設(shè)計(jì)一個(gè)能夠成功整合兩類功能連接的模型，并且這個(gè)模型還要能夠有效地提取腦區(qū)之間的深層次關(guān)系。
技術(shù)實(shí)現(xiàn)思路
1、本專利技術(shù)目的就是為了彌補(bǔ)已有技術(shù)大部分算法通常直接采用低階功能腦網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)，使得模型與大腦
2、本專利技術(shù)是通過以下技術(shù)方案實(shí)現(xiàn)的：
3、一種基于動靜態(tài)腦網(wǎng)絡(luò)結(jié)合的孤獨(dú)癥分類算法，包括靜態(tài)腦網(wǎng)絡(luò)編碼器、動態(tài)腦網(wǎng)絡(luò)編碼器和圖分類器，具體包括如下步驟：
4、（1）將得到的靜態(tài)功能連接矩陣輸入到靜態(tài)腦網(wǎng)絡(luò)編碼器之中，通過自注意力機(jī)制從靜態(tài)功能連接矩陣中學(xué)習(xí)腦區(qū)節(jié)點(diǎn)間的深層次關(guān)系，生成高階功能連接矩陣；
5、（2）將通過滑動窗口算法得到的動態(tài)功能連接矩陣輸入到動態(tài)腦網(wǎng)絡(luò)編碼器之中，利用自注意力機(jī)制在學(xué)習(xí)腦網(wǎng)絡(luò)的動態(tài)特征后，利用通道注意力機(jī)制整合信息，得到各腦區(qū)的高階動態(tài)特征嵌入；
6、（3）基于靜態(tài)腦網(wǎng)絡(luò)編碼器和動態(tài)腦網(wǎng)絡(luò)編碼器得到的結(jié)果，圖分類器利用圖卷積網(wǎng)絡(luò)算法和topk池化算法對其進(jìn)行學(xué)習(xí)，實(shí)現(xiàn)對孤獨(dú)癥的分類。
7、步驟（1）中利用皮爾遜相關(guān)性得到每個(gè)被試的靜態(tài)功能連接矩陣，在獲得靜態(tài)功能連接矩陣后，使用多頭自注意力網(wǎng)絡(luò)作為功能連接編碼器；對于預(yù)分割好的每個(gè)腦區(qū)節(jié)點(diǎn)，使用靜態(tài)功能連接矩陣中對應(yīng)行向量作為其特征向量，并將其輸入到功能連接編碼器之中，得到各腦區(qū)的高階嵌入向量并將其豎向拼接得到該被試的腦區(qū)節(jié)點(diǎn)特征表示；在獲得該被試的腦區(qū)節(jié)點(diǎn)特征表示之后，使用功能連接生成器生成高階功能連接矩陣；計(jì)算方式是利用softmax函數(shù)對學(xué)習(xí)到的腦區(qū)節(jié)點(diǎn)特征進(jìn)行編碼，并與其轉(zhuǎn)置做乘法，得到新的對稱矩陣，即高階功能連接矩陣。
8、在步驟（2）中利用皮爾遜相關(guān)性得到每個(gè)被試的動態(tài)功能連接矩陣，得到動態(tài)功能連接矩陣之后，使用多頭自注意力網(wǎng)絡(luò)作為功能連接編碼器；對于動態(tài)功能連接矩陣中的不同子序列連接矩陣，使用一個(gè)共享權(quán)重的transformer網(wǎng)絡(luò)對它們進(jìn)行編碼，對于每個(gè)子序列，功能連接編碼器計(jì)算方式同靜態(tài)連接編碼器中的功能連接編碼器相同，在計(jì)算多個(gè)子序列后，得到該被試的多通道腦區(qū)節(jié)點(diǎn)特征表示，其中的每個(gè)通道對應(yīng)一個(gè)子序列；在得到多通道腦區(qū)節(jié)點(diǎn)特征表示之后，采用通道注意力網(wǎng)絡(luò)senet對其進(jìn)行特征融合；其計(jì)算方式是利用senet中的se塊對每個(gè)通道生成一個(gè)對應(yīng)的注意力分?jǐn)?shù)，之后將各通道與其分?jǐn)?shù)相乘，再將所有結(jié)果相加，得到各腦區(qū)的高階動態(tài)特征嵌入。
9、在步驟（3）中，由于兩個(gè)結(jié)果都有相同的腦區(qū)節(jié)點(diǎn)個(gè)數(shù)，將其組合成一個(gè)高階功能連接腦圖，其中靜態(tài)腦網(wǎng)絡(luò)編碼器的輸出矩陣作為高階腦圖的鄰接矩陣，動態(tài)腦網(wǎng)絡(luò)編碼器的輸入特征嵌入作為高階腦圖的節(jié)點(diǎn)特征；在得到高階功能連接腦圖后，使用一個(gè)二層的圖卷積網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)，其計(jì)算方式是先提取各個(gè)節(jié)點(diǎn)的特征并將其特征輸送給該節(jié)點(diǎn)的鄰居節(jié)點(diǎn)，然后每個(gè)節(jié)點(diǎn)根據(jù)自身的特征以及鄰域的特征進(jìn)行加權(quán)融合并更新自己的特征表示；在經(jīng)過二層圖卷積層學(xué)習(xí)之后，將其輸入到一個(gè)topk池化層，其計(jì)算方式是根據(jù)各節(jié)點(diǎn)的特征向量生成一個(gè)對應(yīng)的重要性分?jǐn)?shù)，并保留前k個(gè)重要節(jié)點(diǎn)，丟棄其余節(jié)點(diǎn)，降低特征的維度；在經(jīng)過池化層降維之后，利用讀出層得到整張圖的特征表示并輸入到多層感知機(jī)之中進(jìn)行分類，其計(jì)算方式是將特征向量乘以感知機(jī)學(xué)習(xí)的權(quán)重向量，并加上偏置項(xiàng)，再通過激活函數(shù)進(jìn)行非線性激活，最終得到該被試的分類結(jié)果。
10、本專利技術(shù)的優(yōu)點(diǎn)是：本專利技術(shù)通過引入靜態(tài)腦網(wǎng)絡(luò)編碼器，可以有效地學(xué)習(xí)靜態(tài)功能連接矩陣中的深層特征，并且通過引入動態(tài)腦網(wǎng)絡(luò)編碼器模塊，具有了學(xué)習(xí)腦網(wǎng)絡(luò)的時(shí)間動態(tài)性和整合動態(tài)功能連接的能力，極大提高了模型的大腦擬合能力，最后在經(jīng)過圖分類器的表征學(xué)習(xí)，模型可以從動態(tài)腦網(wǎng)絡(luò)和靜態(tài)腦網(wǎng)絡(luò)兩方面深刻學(xué)習(xí)大腦對疾病的分類特征，從而可以提高模型的分類性能。
本文檔來自技高網(wǎng)...【技術(shù)保護(hù)點(diǎn)】
1.一種基于動靜態(tài)腦網(wǎng)絡(luò)結(jié)合的孤獨(dú)癥分類算法，其特征在于：包括靜態(tài)腦網(wǎng)絡(luò)編碼器、動態(tài)腦網(wǎng)絡(luò)編碼器和圖分類器，具體包括如下步驟：
2.根據(jù)權(quán)利要求1所述的一種基于動靜態(tài)腦網(wǎng)絡(luò)結(jié)合的孤獨(dú)癥分類算法，其特征在于：步驟（1）中利用皮爾遜相關(guān)性得到每個(gè)被試的靜態(tài)功能連接矩陣，在獲得靜態(tài)功能連接矩陣后，使用多頭自注意力網(wǎng)絡(luò)作為功能連接編碼器；對于預(yù)分割好的每個(gè)腦區(qū)節(jié)點(diǎn)，使用靜態(tài)功能連接矩陣中對應(yīng)行向量作為其特征向量，并將其輸入到功能連接編碼器之中，得到各腦區(qū)的高階嵌入向量并將其豎向拼接得到該被試的腦區(qū)節(jié)點(diǎn)特征表示；在獲得該被試的腦區(qū)節(jié)點(diǎn)特征表示之后，使用功能連接生成器生成高階功能連接矩陣；計(jì)算方式是利用softmax函數(shù)對學(xué)習(xí)到的腦區(qū)節(jié)點(diǎn)特征進(jìn)行編碼，并與其轉(zhuǎn)置做乘法，得到新的對稱矩陣，即高階功能連接矩陣。
3.根據(jù)權(quán)利要求1所述的一種基于動靜態(tài)腦網(wǎng)絡(luò)結(jié)合的孤獨(dú)癥分類算法，其特征在于：在步驟（2）中利用皮爾遜相關(guān)性得到每個(gè)被試的動態(tài)功能連接矩陣，得到動態(tài)功能連接矩陣之后，使用多頭自注意力網(wǎng)絡(luò)作為功能連接編碼器；對于動態(tài)功能連接矩陣中的不同子序列連接矩陣，使用一個(gè)共享權(quán)
4.根據(jù)權(quán)利要求1所述的一種基于動靜態(tài)腦網(wǎng)絡(luò)結(jié)合的孤獨(dú)癥分類算法，其特征在于：在步驟（3）中，由于兩個(gè)結(jié)果都有相同的腦區(qū)節(jié)點(diǎn)個(gè)數(shù)，將其組合成一個(gè)高階功能連接腦圖，其中靜態(tài)腦網(wǎng)絡(luò)編碼器的輸出矩陣作為高階腦圖的鄰接矩陣，動態(tài)腦網(wǎng)絡(luò)編碼器的輸入特征嵌入作為高階腦圖的節(jié)點(diǎn)特征；在得到高階功能連接腦圖后，使用一個(gè)二層的圖卷積網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)，其計(jì)算方式是先提取各個(gè)節(jié)點(diǎn)的特征并將其特征輸送給該節(jié)點(diǎn)的鄰居節(jié)點(diǎn)，然后每個(gè)節(jié)點(diǎn)根據(jù)自身的特征以及鄰域的特征進(jìn)行加權(quán)融合并更新自己的特征表示；在經(jīng)過二層圖卷積層學(xué)習(xí)之后，將其輸入到一個(gè)topK池化層，其計(jì)算方式是根據(jù)各節(jié)點(diǎn)的特征向量生成一個(gè)對應(yīng)的重要性分?jǐn)?shù)，并保留前K個(gè)重要節(jié)點(diǎn)，丟棄其余節(jié)點(diǎn)，降低特征的維度；在經(jīng)過池化層降維之后，利用讀出層得到整張圖的特征表示并輸入到多層感知機(jī)之中進(jìn)行分類，其計(jì)算方式是將特征向量乘以感知機(jī)學(xué)習(xí)的權(quán)重向量，并加上偏置項(xiàng)，再通過激活函數(shù)進(jìn)行非線性激活，最終得到該被試的分類結(jié)果。
...【技術(shù)特征摘要】
1.一種基于動靜態(tài)腦網(wǎng)絡(luò)結(jié)合的孤獨(dú)癥分類算法，其特征在于：包括靜態(tài)腦網(wǎng)絡(luò)編碼器、動態(tài)腦網(wǎng)絡(luò)編碼器和圖分類器，具體包括如下步驟：
2.根據(jù)權(quán)利要求1所述的一種基于動靜態(tài)腦網(wǎng)絡(luò)結(jié)合的孤獨(dú)癥分類算法，其特征在于：步驟（1）中利用皮爾遜相關(guān)性得到每個(gè)被試的靜態(tài)功能連接矩陣，在獲得靜態(tài)功能連接矩陣后，使用多頭自注意力網(wǎng)絡(luò)作為功能連接編碼器；對于預(yù)分割好的每個(gè)腦區(qū)節(jié)點(diǎn)，使用靜態(tài)功能連接矩陣中對應(yīng)行向量作為其特征向量，并將其輸入到功能連接編碼器之中，得到各腦區(qū)的高階嵌入向量并將其豎向拼接得到該被試的腦區(qū)節(jié)點(diǎn)特征表示；在獲得該被試的腦區(qū)節(jié)點(diǎn)特征表示之后，使用功能連接生成器生成高階功能連接矩陣；計(jì)算方式是利用softmax函數(shù)對學(xué)習(xí)到的腦區(qū)節(jié)點(diǎn)特征進(jìn)行編碼，并與其轉(zhuǎn)置做乘法，得到新的對稱矩陣，即高階功能連接矩陣。
3.根據(jù)權(quán)利要求1所述的一種基于動靜態(tài)腦網(wǎng)絡(luò)結(jié)合的孤獨(dú)癥分類算法，其特征在于：在步驟（2）中利用皮爾遜相關(guān)性得到每個(gè)被試的動態(tài)功能連接矩陣，得到動態(tài)功能連接矩陣之后，使用多頭自注意力網(wǎng)絡(luò)作為功能連接編碼器；對于動態(tài)功能連接矩陣中的不同子序列連接矩陣，使用一個(gè)共享權(quán)重的transformer網(wǎng)絡(luò)對它們進(jìn)行編碼，對于每個(gè)子序列，功能連接編碼器計(jì)算方式同靜態(tài)連接編碼器中的功能連接編碼器相同，在計(jì)算多個(gè)子序列后，得到...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：徐君海，果宏帥，馬國寧，魏建國，
申請(專利權(quán))人：天津大學(xué)合肥創(chuàng)新發(fā)展研究院，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。