一种基于超图神经网络的阿尔茨海默症分类方法和系统技术方案

本发明专利技术提供一种基于超图神经网络的阿尔茨海默症分类方法和系统，方法包括：获取阿尔茨海默症患者大脑的fMRI图像数据并进行预处理；利用RBF

【技术实现步骤摘要】
一种基于超图神经网络的阿尔茨海默症分类方法和系统


[0001]本专利技术涉及深度学习和神经影像
，更具体地，涉及一种基于超图神经网络的阿尔茨海默症分类方法和系统。

技术介绍

[0002]阿尔茨海默症(Alzheimer
’
s Disease，AD)是一类不可逆的大脑神经退行性疾病，它会破坏记忆力，引发认知思维能力退化，其患病率随着年龄的升高呈显著增长趋势。AD的早期诊断对于AD药物研发和AD防治以及延缓病情发展具有重要意义。
[0003]随着神经影像技术的发展，越来越多的神经影像技术广泛应用在AD的早期诊断中。其中，静息态功能核磁共振影像(Resting State fMRI，rs
‑
fMRI)是一种四维医学图像，具有分辨率高、无辐射等优势，能有效反映大脑的结构和功能变化，在AD早期诊断中取得了良好的效果。同时，fMRI图像由于兼备较高的时间分辨率和空间分辨率，因此成为了研究人脑功能的一种重要手段，在人脑连接组学的研究中也有着广泛的应用。
[0004]传统的对fMRI数据的处理方法是将其构造为脑功能连接网络，以用邻接矩阵表示的普通图结构的形式存储fMRI数据的特征信息。在构造脑功能连接网络时，提取ROI(大脑感兴趣区域，脑区)的平均BOLD信号的时间序列，然后计算不同ROI之间的时间序列的皮尔逊相关系数。以ROI作为图的邻接矩阵的顶点，以不同ROI之间求得的皮尔逊相关系数作为图的邻接矩阵的边即可构造出存储fMRI数据特征的普通图。但是大脑各个ROI之间往往是多个区域非线性地相互作用，仅仅表示二元相关关系的普通图结构难以记录此类多元高阶相互作用关系。
[0005]超图(hypergraph)是一种广义上的图，是有限集合中最一般的离散结构，在信息科学、生命科学等领域有着广泛的应用。它的一条边(edge)可以连接任意数量的顶点(vertices)。超图结构可以较好的记录fMRI数据中各个ROI之间的多元高阶相关关系。
[0006]现有技术公开了一种基于超图结构信息聚集模型的电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时用于实现：根据被试者的脑影像数据和基因数据，构建被试者的脑区基因超图；通过超图结构信息聚集模型将脑区基因超图转换为脑区基因边图和点图，将分别进行边级特征信息聚集与点级特征信息聚集后的边图和点图融合得到低阶脑区基因子超图；对脑区基因超图进行高阶边级点级结构信息聚集，得到高阶脑区基因子超图；根据将低阶和高阶脑区基因子超图融合得到的关键脑区基因超图输出被试者为AD概率的判断结果；尽管该现有技术能够利用超图辅助AD诊断，但该方法中的超图构造方法为线性方法，然而大脑各个脑区之间的相互作用及相关关系很难用非性方法来定量定性记录，仅仅使用普通的线性构图方法无法记录fMRI图像中各个ROI之间的非线性相互作用及相关关系；另外，传统的超图构造方法一般为二元方法，只能记录两个脑区之间的相关关系。然而大脑各个脑区之间的活动往往是多个脑区协同作用，因此，传统的AD早期诊断方法精准度较低。

技术实现思路

[0007]本专利技术为克服上述现有技术中的AD早期诊断方法精准度较低的缺陷，提供一种基于超图神经网络的阿尔茨海默症分类方法和系统，生成地超图较好地记录了多个ROI之间的非线性多元高阶相关关系，AD早期诊断性能和精准度更高、效果更好。
[0008]为解决上述技术问题，本专利技术的技术方案如下：
[0009]本专利技术提供一种基于超图神经网络的阿尔茨海默症分类方法，包括以下步骤：
[0010]S1：获取阿尔茨海默症患者大脑的fMRI图像数据并进行预处理；
[0011]S2：对预处理后的fMRI图像数据中的每个fMRI图像构造超图，获取fMRI超图数据；
[0012]S3：对预处理后的fMRI图像数据和fMRI超图数据添加噪声，整合为训练元数据；
[0013]S4：利用训练元数据对建立的阿尔茨海默症分类模型进行训练，获得训练好的阿尔茨海默症分类模型；
[0014]S5：获取待诊断患者大脑的fMRI图像数据并输入训练好的阿尔茨海默症分类模型中进行分类，获取阿尔茨海默症分类结果。
[0015]优选地，所述步骤S1中预处理的具体方法包括：图像格式转换、去除初始时间点、时间片校正、头动校正、空间标准化、去线性漂移、协变量回归、低频滤波和空间平滑。
[0016]优选地，所述步骤S2中，对预处理后的fMRI图像数据中的每个fMRI图像构造超图，获取fMRI超图数据的具体方法为：
[0017]利用RBF
‑
SVR递归特征消除算法对预处理后的fMRI图像数据中的每个fMRI图像构造超图，获取fMRI超图数据；
[0018]所述RBF
‑
SVR递归特征消除算法中，将基于非线性高斯核SVR作为递归特征消除算法的估计器；
[0019]将预处理后的fMRI图像数据中的每个fMRI图像分为若干个ROI，提取每个fMRI图像所有ROI的平均BOLD信号的时间序列；
[0020]对于每个fMRI图像，选取一个ROI作为目标ROI，根据所有ROI的平均BOLD信号的时间序列，利用RBF
‑
SVR递归特征消除算法计算目标ROI与其他ROI之间的拟合度，利用目标ROI和与其拟合度最高的若干个其他ROI构造一条超边；
[0021]重复上述操作，将每个fMRI图像中的每个ROI分别作为目标ROI构造超边，将每个fMRI图像中的所有超边构成相对应的fMRI超图，将所有的fMRI超图保存为fMRI超图数据。
[0022]优选地，每个所述fMRI图像包括116个ROI和130个时间序列。
[0023]优选地，利用RBF
‑
SVR递归特征消除算法计算目标ROI与其他ROI之间拟合度的具体方法为五折交叉验证方法。
[0024]优选地，所述步骤S4中建立的阿尔茨海默症分类模型具体为FHyperGNN超图卷积神经网络模型。
[0025]优选地，所述FHyperGNN超图卷积神经网络模型包括依次连接的输入层、若干个HyperGCN超图卷积模块、第一BatchNorm正则化层、Dropout层、Linear层、Softmax层和输出层；
[0026]每个HyperGCN超图卷积模块包括依次连接的第二BatchNorm正则化层、HyperGNN超图卷积层和激活层；
[0027]所述激活层的激活函数为Relu函数。
[0028]优选地，所述HyperGCN超图卷积模块数量至少为3个。
[0029]优选地，所述Dropout层的Dropout率为0.5。
[0030]本专利技术还提供一种基于超图神经网络的阿尔茨海默症分类系统，应用上述的基于超图神经网络的阿尔茨海默症分类方法，包括：
[0031]数据获取模块：用于获取阿尔茨海默症患者大脑的fMR本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于超图神经网络的阿尔茨海默症分类方法，其特征在于，包括以下步骤：S1：获取阿尔茨海默症患者大脑的fMRI图像数据并进行预处理；S2：对预处理后的fMRI图像数据中的每个fMRI图像构造超图，获取fMRI超图数据；S3：对预处理后的fMRI图像数据和fMRI超图数据添加噪声，整合为训练元数据；S4：利用训练元数据对建立的阿尔茨海默症分类模型进行训练，获得训练好的阿尔茨海默症分类模型；S5：获取待诊断患者大脑的fMRI图像数据并输入训练好的阿尔茨海默症分类模型中进行分类，获取阿尔茨海默症分类结果。2.根据权利要求1所述的一种基于超图神经网络的阿尔茨海默症分类方法，其特征在于，所述步骤S1中预处理的具体方法包括：图像格式转换、去除初始时间点、时间片校正、头动校正、空间标准化、去线性漂移、协变量回归、低频滤波和空间平滑。3.根据权利要求1所述的一种基于超图神经网络的阿尔茨海默症分类方法，其特征在于，所述步骤S2中，对预处理后的fMRI图像数据中的每个fMRI图像构造超图，获取fMRI超图数据的具体方法为：利用RBF
‑
SVR递归特征消除算法对预处理后的fMRI图像数据中的每个fMRI图像构造超图，获取fMRI超图数据；所述RBF
‑
SVR递归特征消除算法中，将基于非线性高斯核SVR作为递归特征消除算法的估计器；将预处理后的fMRI图像数据中的每个fMRI图像分为若干个ROI，提取每个fMRI图像所有ROI的平均BOLD信号的时间序列；对于每个fMRI图像，选取一个ROI作为目标ROI，根据所有ROI的平均BOLD信号的时间序列，利用RBF
‑
SVR递归特征消除算法计算目标ROI与其他ROI之间的拟合度，利用目标ROI和与其拟合度最高的若干个其他ROI构造一条超边；重复上述操作，将每个fMRI图像中的每个ROI分别作为目标ROI构造超边，将每个fMRI图像中的所有超边构成相对应的fMRI超图，将所有的fMRI超图保存为fMRI超图数据。4.根据权利要求3所述的一种基于超图神经网络的阿尔茨...

【专利技术属性】
技术研发人员：曾安，罗百荣，潘丹，杨洋，刘军，杨宝瑶，赵靖亮，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：