[发明专利]一种基于变分自编码器的脑功能网络分类方法

权利要求书

1.一种基于变分自编码器的脑功能网络分类方法，其特征在于，包括以下步骤：

步骤一、采集若干正常人和脑认知功能障碍患者的T1加权磁共振图像T1 weightedMRI和静息态功能磁共振图像rs-fMRI；

步骤二、分别对每个被试采集到的两种模态磁共振影像使用fmriprep软件进行预处理；

步骤三、个体性大脑功能网络空间图谱的提取，将步骤二得到的预处理后的rs-fMRI作为回归因变量，大脑功能网络作为回归自变量进行双回归分析，得到个体水平大脑功能网络空间图谱，包括如下步骤：

S3-1、大脑功能网络由独立成分分析法Independence Component Analysis，ICA得到，群体水平大脑功能网络的提取是将所有样本经过步骤二处理后得到的fMRI串联在一起进行组ICA分析，得到群体水平下的多个模板脑功能网络；

S3-2、将步骤S3-1得到的模板脑功能网络通过多元线性回归得到针对每个个体不同脑功能网络的一维时序信号；

S3-3、将步骤S3-2得到的基于不同脑功能网络的时序信号作为预测因子再次进行多元线性回归，得到个体性的一组功能网络空间图谱；

步骤四、构建深度变分自编码器VAE模型，将步骤三中得到的个体水平大脑功能网络图作为VAE的输入和输出，编码器部分作为特征提取模块用于得到个体功能网络的隐编码；

步骤五、构建多层感知器网络对步骤四中VAE得到的编码进行分类，包括如下步骤：

多层感知器的设计包含若干隐层和一个输出层，隐层的激活函数为线性整流函数Rectified Linear Unit,ReLU,其表达形式为：

σ(z)＝max(0，z)

输出层激活函数为Softmax函数,其表达形式为：

z为卷积层或者全连接层的输出；

多层感知器连接在VAE的编码器部分，直接对VAE得到的隐变量进行分类，训练时编码器部分预训练训练好的参数冻结，只更新多层感知器的参数，分类网络采用二元交叉熵损失函数其表达形式为：

其中，N代表mini-batch中训练样本的数量，y∈{0，1}表示样本的真实类别，a为多层感知器的输出；

步骤六、利用步骤五中训练好的针对不同脑功能网络的多个分类器对测试集中的样本进行推断，并将多个分类器的推断结果进行融合，得到最终的分类结果。

2.根据权利要求1所述的一种基于变分自编码器的脑功能网络分类方法，其特征在于，步骤S3-1由FSL软件中的MELODIC工具实现，步骤S3-2、S3-3由FSL软件中的dual_regression工具实现。

3.根据权利要求1所述的一种基于变分自编码器的脑功能网络分类方法，其特征在于，步骤四包括如下步骤：

S4-1、编码器的构建采用卷积神经网络，其中包括下采样模块和残差模块，下采样操作采用步进卷积的方式，残差模块在加深编码器网络的同时有利于编码器学习到更为抽象的特征表示；

S4-2、设定VAE中隐变量的维度为d，将编码器的输出通过一个全连接层与2d个神经元相连，其中前d个神经元代表隐编码分布的均值μ，后d个神经元代表隐编码分布的方差σ²；通过重参数化方法得到隐变量Z：

Z＝μ+ε×σ

其中ε从标准正态分布中采样得到，

S4-3、解码器接收步骤4-2中得到的隐变量Z，通过上采样模块和卷积模块将隐变量解码为输入图像，上采样采用线性插值的方式实现；

S4-4、训练过程中的损失函数定义如下：

其中xⁱ代表第i个输入样本，代表解码器对xⁱ重构的重构结果，作为重构损失使得生成图像与输入图像尽可能接近；中j表示d维隐变量Z的第j个分量，KL散度损失使得隐变量Z的分布尽可能接近高斯分布，从而使得隐变量具有良好的分布特性。

4.根据权利要求1所述的一种基于变分自编码器的脑功能网络分类方法，其特征在于，步骤六包括以下步骤：

对测试样本进行测试，将测试样本经过步骤三得到的N个脑功能网络空间图谱分别送入步骤五中已经训练好的N个分类器中，每一个分类器都输出一个概率值表示在该分类器的判断下该测试样本脑功能网络正常的可能性；然后将多种功能网络分类器输出的概率值进行融合得出最终实现对两类不同群体脑功能网络的分类判断结果。