【技术实现步骤摘要】
基于多重融合脑网络图技术实现抑郁症亚型分类处理的系统、方法、处理器及其存储介质
[0001]本专利技术涉及临床医学
,尤其涉及情感障碍的亚型识别
,具体是指一种基于深度学习多重融合脑网络图技术实现抑郁症亚型分类处理的系统、方法、处理器及其计算机可读存储介质。
技术介绍
[0002]抑郁症是最常见的精神障碍,其特征为至少持续两周的抑郁发作。据统计,约20%的人在一生中患过抑郁症。抑郁症具有较高的残疾率和死亡率,不仅严重影响了患者个人的生活质量,还给患者的家庭和整个社会带来了巨大的负担。尽管经过了几个世纪的精神病学和神经病学研究,人们对抑郁症生理和病理机制的了解仍然十分有限。
[0003]抑郁症的临床表现存在较大的异质性,这是抑郁症的科学研究和临床诊疗的困境之一,疾病异质性可能体现在不同患者的基因、代谢、脑功能、临床症状和治疗反应等多方面的差异中。因此,对抑郁症亚型的研究可以提高对抑郁症病理生理机制的认识,有助于精准医疗的实现。根据《精神障碍诊断与统计手册(第五版)》(DSM
‑
5),忧郁型 ...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习多重融合脑网络图技术实现抑郁症亚型分类处理的系统,其特征在于,所述的系统包括:数据采集处理模块,用于采集特定环境下受试者的静息态功能磁共振成像数据(fMRI);数据预处理模块,与所述的数据采集处理模块相连接,用于对采集到的所述的静息态功能磁共振成像数据(fMRI)进行校正、配准、分割、标准化、滤波、平滑的数据预处理;多重功能脑网络构建模块,与所述的数据预处理模块相连接,由经过数据预处理后得到的功能态磁共振成像数据fMRI生成三个功能连接矩阵,分别对应Pearson相关系数、Spearman相关系数和偏相关测度系数,并对每个系数连通矩阵构造一个图表示;多重脑网络图融合模块,与所述的多重功能脑网络构建模块相连接,其使用基于数据增强的正则化项来提高小样本容量下的性能,并利用GAT融合区组和差异池区组将各个图表示映射到特征空间;抑郁症亚型分类模块,与所述的多重脑网络图融合模块相连接,所述的抑郁症亚型分类模块基于深度学习,并采用多层感知器模型对抑郁症亚型进行分类处理。2.一种利用权利要求1所述的系统实现基于深度学习多重融合脑网络图技术的抑郁症亚型分类处理的方法,其特征在于,所述的方法包括以下步骤:(1)采集特定条件下受试者在特定环境下的静息态功能磁共振成像数据(fMRI);(2)对采集到的所述的静息态功能磁共振成像数据(fMRI)进行校正、配准、分割、标准化、滤波、平滑的数据预处理,获得经过预处理后的静息态功能磁共振成像数据(fMRI);(3)将经过数据预处理后得到的功能态磁共振成像数据(fMRI)生成三个功能连接矩阵,分别对应Pearson相关系数、Spearman相关系数和偏相关测度系数,并对每个系数连通矩阵构造一个图表示;(4)使用基于数据增强的正则化项来提高小样本容量下的性能,并利用GAT融合区组和差异池区组将各个图表示映射到特征空间;(5)基于深度学习并采用多层感知器模型对抑郁症亚型进行分类处理。3.根据权利要求2所述的实现基于深度学习多重融合脑网络图技术的抑郁症亚型分类处理的方法,其特征在于,所述的步骤(1)包括:(1.1)根据精神疾病诊断与统计手册第五版(DSM
‑
5)中关于重度抑郁障碍,以及抑郁发作状态疾病诊断评估标准,选取被试入组;(1.2)通过西门子3.0T磁共振扫描采集影像数据,采集入组被试在特定环境下的功能态磁共振成像数据(fMRI)。4.根据权利要求3所述的实现基于深度学习多重融合脑网络图技术的抑郁症亚型分类处理的方法,其特征在于,所述的步骤(2)包括:(2.1)利用Matlab2017b中的SPM12工具包,对静息态功能磁共振成像数据(fMRI)进行预处理;(2.2)删除每个被试的前10个时间序列,以保持信号的稳定性;(2.3)进行时间校正以及头动校正处理;(2.4)将核磁共振T1结构态图像配准到头动校正后的静息态图像上;(2.5)采用李代数微分同胚配准算法将所述的T1结构态图像进行分割处理;
(2.6)采用DARTAL将静息态脑影像数据配准到蒙特利尔神经学研究所空间,并重采样至3
×3×
3mm3;(2.7)对经过重采样后得到的静息态脑影像数据,进行去线性趋势及带通滤波处理,以去除伪影...
【专利技术属性】
技术研发人员:彭代辉,王乾,张慧凤,刘孟君,蔡亦蕴,周儒白,卢文仙,
申请(专利权)人:上海市精神卫生中心上海市心理咨询培训中心,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。