一种基于海马子区表面的图卷积辅助学习方法技术

本发明专利技术公开了一种基于海马子区表面的图卷积辅助学习方法，属于人工智能领域；具体是：首先，从

【技术实现步骤摘要】
cognitive decline in Alzheimer's disease[J].2012,27(4):1008.
[0011][3]World
‑
Alzheimer
‑
Report
‑
2021[J].2021:
[0012][4]Scheltens P,De Strooper B,Kivipelto M,et al.Alzheimer's disease[J].2021,397(10284):1577
‑
1590.
[0013][5]Alzheimer's As AJ,dementia.2019Alzheimer's disease facts and figures[J].2019,15(3):321
‑
387.
[0014][6]Breijyeh Z,Karaman R J M.Comprehensive review on Alzheimer
’
s disease:causes and treatment[J].2020,25(24):5789.
[0015][7]刘园园
,
肖世富
.
阿尔茨海默病常用神经心理测验和量表的信度和效度研究
[J].
中国医药导报
,2011,8(09):11
‑
14.

技术实现思路

[0016]针对上述问题，本专利技术结合海马子区在海马表面的分布信息，利用图卷积神经网络与辅助学习，构建了一种基于海马子区表面的图卷积辅助学习方法，研究了海马子区表面形变与
AD
的关联性，验证了海马表面形变特征用于
AD
早期预测的可行性
。
在分类任务上取得了比其他三维分类模型更好的效果，同时显示了各个海马子区在分类任务上的表现
。
[0017]所述基于海马子区表面的图卷积辅助学习方法，分以下步骤：
[0018]步骤一
、
从
ADNI
数据库的
MRI
影像中提取海马体素数据，进而结合球面谐波映射算法获取海马表面三角网格数据，并分割出海马体及海马子区域；
[0019]具体分割过程包括：
MRI
预处理
、
颅骨剖离
、
体积标注
、
强度归一化
、
白质分割和海马子区域分割六个步骤
。
[0020]三角网格数据由顶点信息
(
顶点三维坐标和顶点海马子区标签
)
和面信息
(
构成面的三个顶点的索引
)
构成；
[0021]海马表面划分为了
12
个子区域，分别为：旁下托
、
前下托
、
下托
、CA1、CA2/3、CA4、
齿状回颗粒细胞层
、
海马分子细胞层
、
海马伞
、
海马尾
、
海马裂
。
[0022]步骤二
、
将海马表面划分的子区域进行整合；
[0023]对海马表面子区域顶点的标签进行整合，得到：旁下托
、
前下托和下托三个区域关系较为密切，整合为一个区域；
CA1、CA2/3
和
CA4
整合为一个区域；齿状回颗粒细胞层
、
海马分子细胞层
、
海马伞和海马裂整合为一个区域；海马尾单独为一个区域
。
[0024]步骤三
、
在现有图卷积神经网络模型的基础上加入池化模块，形成改进的图卷积池化模型，对整合了子区域后的海马表面三角网格数据进行训练；
[0025]具体过程为：
[0026]首先，将所有的海马表面三角网格数据，在不同的类别内随机划分训练集和测试集；
[0027]利用
NC(Normal Control)
样本构建一个标准模板，针对三角网格数据中的点数据，计算每个点到模板上对应点的距离作为特征，用来反映海马表面在该点处的萎缩状况，模板距离结合顶点处的三维坐标构成4维的顶点特征
。
[0028]针对三角网格数据中的面数据，利用构成面的三个顶点的坐标信息，计算出每个面的面积
、
面法线内积和三个内角的角度，将这些特征组合成5维的面特征
。
[0029]然后，对点数据和面数据采用两个不同的图卷积网络模型进行训练，分别为
GCN
‑
V
与
GCN
‑
F
，采用对应的池化规则，顶点和面特征共经过三轮池化，每种规格的数据都先经过图卷积层处理再进行池化
。
[0030]步骤四
、
经过图卷积和池化之后，将训练后的点特征和面特征映射到同一纬度进行拼接，由
MLP(Multi
‑
Layer Perception
，多层感知机模型
)
分类器完成分类任务，并得到最终预测结果
。
[0031]MLP
包括全连接的三层：输入层
、
隐层和输出层；隐层的层数和神经元的个数根据具体情况选择
。
[0032]经过图卷积运算后，按照海马子区域顶点的标签提取出各个子区域或整合区域的顶点的特征，随后为每个子区域构造一个
MLP
分类器，并得到每个子区域的预测结果，通过自动加权损失函数
(Automatic Weighted Loss)
，将各个子区的损失函数整合得到最终的损失以及预测结果：
[0033][0034]式中，
c
i
是可训练的参数，2·
c
i2
作为每个辅助任务
Loss
的加权系数，
Loss
的权重通过网络训练来自动优化
。
[0035]预测结果即：根据海马体的萎缩情况来判断是属于
CN(
认知正常
)、MCI(
轻度认知障碍
)、AD(
阿尔兹海默症
)
其中一种
。
[0036]本专利技术的优点在于：
[0037]1)、
一种基于海马子区表面的图卷积辅助学习方法，同时利用了顶点和面两类特征，能充分的利用海马表面数据的特征；同时，将海马子区的先验知识加入到网络模型中，辅助模型完成分类任务
。
[0038]2)、
一种基于海马子区表面的图卷积辅助学习方法，采用了对卷积核和图池化进行改进的图卷积池化模型以及加入了海马子区的先验知识的图卷积辅助学习模型，均取得了更高的分类准确率
。
附图说明
[0039]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于海马子区表面的图卷积辅助学习方法，其特征在于，分以下步骤：步骤一
、
从
ADNI
数据库的
MRI
影像中提取海马体素数据，进而结合球面谐波映射算法获取海马表面三角网格数据，并分割出海马体及海马子区域；三角网格数据由顶点信息和面信息构成，顶点信息包括顶点三维坐标和顶点海马子区标签；面信息包括构成面的三个顶点的索引；海马表面划分为了
12
个子区域，分别为：旁下托
、
前下托
、
下托
、CA1、CA2/3、CA4、
齿状回颗粒细胞层
、
海马分子细胞层
、
海马伞
、
海马尾
、
海马裂；步骤二
、
将海马表面划分的子区域进行整合；对海马表面子区域顶点的标签进行整合，得到：旁下托
、
前下托和下托三个区域关系较为密切，整合为一个区域；
CA1、CA2/3
和
CA4
整合为一个区域；齿状回颗粒细胞层
、
海马分子细胞层
、
海马伞和海马裂整合为一个区域；海马尾单独为一个区域；步骤三
、
在现有图卷积神经网络模型的基础上加入池化模块，形成改进的图卷积池化模型，对整合了子区域后的海马表面三角网格数据进行训练；具体过程为：首先，将所有的海马表面三角网格数据，在不同的类别内随机划分训练集和测试集；利用
NC
样本构建一个标准模板，针对三角网格数据中的点数据，计算每个点到模板上对应点的距离作为特征，用来反映海马表面在该点处的萎缩状况，模板距离结合顶点处的三维坐标构成4维的顶点特征；针对三角网格数据中的面数据，利用构成面的三个顶点的坐标信息，计算出每个面的面积
、
面法线内积和三...

【专利技术属性】
技术研发人员：丛山，罗昊燃，姚晓辉，刘冰，梁洪，
申请(专利权)人：青岛哈尔滨工程大学创新发展中心，
类型：发明
国别省市：