[发明专利]基于多任务图同构网络的阿尔兹海默病分类装置及方法

说明书

本发明提供一种基于多任务图同构网络的阿尔兹海默病分类装置及方法，涉及阿尔兹海默病分类技术领域。本发明将M组AD患者和正常人的功能性磁共振成像数据通过fMRI数据预处理模块预处理后得到M组标准功能磁共振成像；用得到的标准功能磁共振成像通过数据提取模块进行时间序列提取，构建脑功能网络，再从得到的M组二值矩阵中提取脑功能网络中节点的特征，在分类预测模块利用图同构网络对从上一模块中得到的数据进行节点特征的融合并将节点融合后得到的新数据用于训练阿尔兹海默病的分类任务，再添加两个用来预测年龄和性别的结构相似的辅助图同构网络，使用动态权重分配方法与对阿尔兹海默病分类的图同构网络共享参数，优化对阿尔兹海默病的分类。

技术领域

本发明涉及阿尔兹海默病分类技术领域，特别涉及一种基于多任务图同构网络的阿尔兹海默病分类装置及方法。

背景技术

目前对于阿尔茨海默症早期的辅助诊断方法主要包括：病理学检查、神经化学和神经免疫学检查、脑电图检查以及CT核磁共振检查等。但这些方法面临着数据不够精确、患者不配合、系统不够丰富以及难以普遍推广等问题。

医疗方面，传统神经网络处理的数据、序列等为欧几里得空间的数据，结构十分规则，无法在类似阿尔兹海默病这种患者脑部病变情况较为复杂、不规则的情况下运用。而图神经网络的处理对象则为结构极其不规则的非欧几里得空间的图数据。再者，相对于深度学习算法，图神经网络能够高效地利用样本实例之间的结构性特征。此外，无法有效进行样本间的关系推理也是制约阿尔兹海默病研究的核心因素之一，而具有处理各种关系能力的图神经网络算法则能胜任关系推理。因此，图神经网络被认为是针对阿尔兹海默病强有力的分类方法，有望解决深度学习无法处理的关系推理与建立患者脑部病变结点联系等一系列问题，促进阿尔兹海默病的研究与治疗。多任务学习是通过不同任务之间共享信息，相互补充，来提升每个任务的表现。通过将年龄性别等和阿尔兹海默病发病率密切相关的信息作为辅助任务来分类预测可以有效提高对阿尔兹海默病分类的准确性。

目前采用的图神经网络和多任务学习直接应用于阿尔兹海默病辅助诊断的技术中，存在着两个巨大的缺陷

第一，图神经网络无法区分k-正则图，无法区分具有不同邻域但表征相同的节点，其表征能力不够强大。

第二，对阿尔兹海默病的多任务研究没能解决任务冲突的问题，在任务权重分配上不够合理，导致模型性能较差。

发明内容

针对现有技术存在的问题，本发明提供了一种基于多任务图同构网络的阿尔兹海默病分类装置及方法。

为了实现上述目的，本发明的技术方案是：

一种基于多任务图同构网络的阿尔兹海默病分类装置，包括fMRI数据预处理模块、数据提取模块和分类预测模块。

所述fMRI数据预处理模块，用于对M组AD患者和正常人的功能性磁共振成像数据进行预处理，获得M组标准fMRI数据，并将标准fMRI数据发送至所述数据提取模块；

所述数据提取模块，用于接收标准fMRI数据预处理模块发送的M组fMRI数据；从M组标准fMRI数据中提取出M组脑功能网络，得到M组邻接矩阵，从每一组脑功能网络的节点中提取该组的节点特征，并将节点特征数据发送至所述分类预测模块；

所述分类预测模块，用于接收数据提取模块发送的M组邻接矩阵和节点特征数据；使用图同构网络对每一脑功能网络中的每个节点及其相邻节点的特征进行融合得到新的特征，不断更新节点特征，得到更新后的节点特征后，使用READOUT函数将节点特征转化为图特征，进行非线性变换，将变换结果输入到sigmoid函数中实现对阿尔兹海默病的分类，最后利用损失函数通过分类结果和真实结果之间的区别计算损失值来指导参数的调整；

所述fMRI数据预处理模块进一步包括时间矫正器、头动校正器、空间配准器以及空间平滑器；