一种基于图注意力网络的脑网络结构和相似度的联合学习方法技术

本发明专利技术属于深度学习和脑网络结构领域，具体涉及一种基于图注意力网络的脑网络结构和相似度的联合学习方法，包括：对获取到的脑部影像数据进行皮层分割处理和形态学特征提取，并将受试者脑网络建模为一个图；通过皮尔森相关计算估计出初始脑网络结构；通过孪生图注意力学习网络，得到脑网络结构间的相似度；计算图正则化损失函数与孪生网络损失函数，约束初始脑网络结构的特性；根据脑网络的嵌入特征更新脑网络的邻接矩阵，并得到更新后的脑网络结构和计算脑网络结构的相似度。本发明专利技术通过联合优化脑网络结构估计和相似度学习两个任务，对形态学脑网络进行了有效的估计，为个体识别、疾病辅诊等后续任务提供了有价值的信息。疾病辅诊等后续任务提供了有价值的信息。疾病辅诊等后续任务提供了有价值的信息。

【技术实现步骤摘要】
一种基于图注意力网络的脑网络结构和相似度的联合学习方法


[0001]本专利技术属于深度学习和脑网络结构领域，具体涉及一种基于图注意力网络的脑网络结构和相似度的联合学习方法。

技术介绍

[0002]阿尔兹海默症(AD，俗称老年痴呆)是老年人群中最常见的神经退行性疾病之一，AD的临床特征为记忆力和其它认知功能的下降，目前尚无有效的治疗方法。轻度认知障碍(MCI)作为正常老化和AD之间的过渡阶段，其准确诊断对于AD疾病的早期治疗及延缓疾病进程非常重要。面向MCI等脑疾病发展基于医学影像的计算机辅助诊断技术已成为当今神经科学领域的研究热点。但由于MCI阶段的症状较轻，大脑功能及解剖结构变化并不明显，准确的MCI疾病辅诊仍然具有相当大的挑战性。
[0003]基于sMRI为单个被试构建个体形态学脑网络，可为认识MCI等疾病状态下的全脑形态学连接模式提供重要证据，并为疾病辅诊、疗效评估等临床应用提供足够敏感和特异的影像学标记物。然而，目前的个体形态学脑网络构建方法还不成熟，一方面受限于大脑皮层表面分割的速度和准确性，另一方面通常未考虑疾病诊断等后续任本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图注意力网络的脑网络结构和相似度的联系学习方法，其特征在于，包括以下步骤：S1：获取受试者脑部sMRI数据，对获取到的脑部sMRI数据进行皮层分割处理和形态学特征提取，得到全部脑区的形态学特征，并将受试者脑网络建模为一个图，脑网络中的每个节点对应于一个脑区，根据每个脑区节点的形态学特征组成脑网络的特征矩阵；S2：通过皮尔森相关计算将脑网络的特征矩阵映射到图的邻接矩阵，估计出初始脑网络结构，设定阈值去除弱连接；S3：将去除弱连接后的一对脑网络的特征矩阵、邻接矩阵输入孪生图注意力学习网络中，通过脑网络的特征矩阵进行图嵌入表示学习，得到嵌入特征表示，根据一对脑网络的嵌入特征表示与邻接矩阵计算脑网络结构间的相似度；S4：计算图正则化损失函数与孪生网络损失函数，约束初始脑网络结构的稀疏性、模块性、组内相似性和组间相异性；S5：根据脑网络的嵌入特征更新脑网络的邻接矩阵，并与约束稀疏性、模块性、组内相似性和组间相异性的初始脑网络结构进行组合，得到更新后的脑网络结构；S6：根据更新后的脑网络结构的特征矩阵学习新的嵌入特征表示，根据学习得到的新的嵌入特征表示计算脑网络结构的相似度。2.根据权利要求1所述的一种基于图注意力网络的脑网络结构和相似度的联系学习方法，其特征在于，通过大脑皮层分割处理将受试者脑网络建模为一个图g＝{v,ε,x,A},其中是n个脑网络节点的集合，每个节点对应于一个脑区，ε是脑网络边的集合；为节点的特征矩阵，每个节点的特征向量为对应脑区内所有顶点形态学特征向量的平均值，d是节点特征的维数；为图的邻接矩阵，表示节点间的连接关系。3.根据权利要求1所述的一种基于图注意力网络的脑网络结构和相似度的联系学习方法，其特征在于，通过皮尔森相关计算将脑网络的特征矩阵映射到图的邻接矩阵，估计出初始脑网络结构，表示为：其中，a
ij
表示估计出的形态学脑网络结构，表示互协方差，σ(
·
)表示sigmoid函数，
⊙
表示Hadamrd乘积，表示可训练的权重向量，表示大脑皮层的第i个脑区节点的特征矩阵，表示大脑皮层的第j个脑区节点的特征矩阵。4.根据权利要求1所述的一种基于图注意力网络的脑网络结构和相似度的联系学习方法，其特征在于，设定阈值去除弱连接,表示为：其中，表示去除弱连接后的形态学脑网络结构，a...

【专利技术属性】
技术研发人员：李欣蔚，李海铭，王林金，许国美，王安康，刘艳平，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：