[发明专利]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

说明书

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。

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