System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及图神经网络,具体而言,涉及一种面向rs-fmri影像的精神疾病辅助诊断方法。
技术介绍
1、精神类疾病已成为全球日益严重的健康问题之一,且呈现年轻化的趋势,目前,对于精神疾病的诊断主要是依靠医生的主观经验、谈话以及相关量表的测量,不可避免地容易导致漏诊或误诊,且一些复杂的精神疾病越来越难以通过人工来诊断,医学图像技术的发展使得计算机辅助诊断精神疾病成为可能,准确的临床预测模型可以帮助医生在早期阶段识别潜在的风险并及时制定治疗计划。
2、由于精神疾病通常与大脑连接模式相关,因此可以将rs-fmri(静息态功能磁共振成像)数据看作图模型数据,目前面向医学图像的研究大多集中于深度学习方法如cnn(convolutional neuralnetworks,卷积神经网络),与传统机器学习相比,深度学习方法的性能有所提升,但是两者都不能很好地推广到图模型那样的非欧式数据类型,因此,gcn(graph convolution network,图卷积神经网络)被提出用于对rs-fmri影像数据的建模,以将欧式数据例如2d或者3d图像的卷积运算推广到非欧式图数据。
3、现有基于gcn的方法主要是通过s-gcn(孪生图卷积神经网络)在有监督的环境下学习图的相似性度量和流形学习,并对异构数据的全局损失函数进行优化,或者通过设计具有不同内核大小的过滤器来构建模型架构,以便其在卷积过程中捕获图内和图间的结构异质性。但是,该方法存在一些不足之处,比如由于过平滑的存在,其架构通常较为浅层,卷积层数仅设计为2层,使得其在学
4、因此,如何设计一种更有效的面向rs-fmri影像的精神疾病辅助诊断方案,是当前亟待解决的问题。
技术实现思路
1、本专利技术解决的问题是:提供了一种面向rs-fmri影像的精神疾病辅助诊断方法,该方案很好地集成了rs-fmri影像数据与表型数据,并将图卷积扩展到了更深的结构,利于从多个尺度空间中确定出更精确地嵌入表示。
2、为解决上述问题,本专利技术提供一种面向rs-fmri影像的精神疾病辅助诊断方法,包括:
3、获取n个受试者的大脑对应的rs-fmri影像数据,n为不小于1的整数;
4、获取各所述受试者对应的表型数据,所述表型数据用于标识所述受试者的身份特征;
5、确定s种不同的脑图谱下定义的大脑区域,s为大于1的整数;
6、基于所述大脑区域、所述rs-fmri影像数据及预设影像数据预处理策略确定所述受试者在各所述脑图谱下对应的特征向量,以便根据所述特征向量及预设成像数据图构建策略确定各所述脑图谱下的成像数据输入图;
7、基于所述表型数据及预设非成像数据图构建策略确定非成像数据输入图;
8、根据所述成像数据输入图、所述非成像数据输入图及具备m层深度图卷积能力的预设自适应多通道融合卷积模型确定最终嵌入表示,以便根据所述最终嵌入表示预测各所述受试者所属的疾病类型,其中,m为大于2的整数。
9、本专利技术的有益效果为:本申请提供的方案很好地集成了rs-fmri影像数据与表型数据,图构建阶段实现了多模态多尺度的输入图的确定,且多尺度的卷积模型将图卷积扩展到了更深的结构,具有更强的表达能力,克服了浅层学习机制的不足,利于从多个尺度空间中确定出更精确地嵌入表示,提高了预测结果的准确性,利于实际应用。
10、进一步的,基于所述大脑区域、所述rs-fmri影像数据及预设影像数据预处理策略确定所述受试者在各所述脑图谱下对应的特征向量,包括:
11、根据所述受试者的rs-fmri影像数据提取各感兴趣区域的平均时间序列,所述感兴趣区域为s种脑图谱中任一个目标脑图谱下定义的大脑区域中的一个;
12、根据所述平均时间序列确定表征各所述感兴趣区域之间的连接性的功能连接矩阵;
13、确定所述功能连接矩阵的特征向量;
14、确定所述特征向量为所述受试者在所述目标脑图谱下对应的特征向量。
15、进一步的,确定所述功能连接矩阵的特征向量之后,还包括:
16、基于预设递归特征消除算法对所述特征向量进行降维处理,以得到降维后的特征向量;
17、确定所述特征向量为所述受试者在所述目标脑图谱下对应的特征向量,包括:
18、确定所述降维后的特征向量为所述受试者在所述目标脑图谱下对应的特征向量。
19、本方案中,通过上述方式可以避免因特征向量高维度而出现过拟合,利于提高预设自适应多通道融合卷积模型的性能。
20、进一步的,根据所述特征向量及预设成像数据图构建策略确定各所述脑图谱下的成像数据输入图,包括:
21、根据两个目标受试者对应的特征向量及余弦相似度函数确定表征所述两个目标受试者之间的关联程度的关联权重;
22、根据各所述关联权重构建具有knn最高相似度的图作为所述脑图谱下的成像数据输入图。
23、进一步的,基于所述表型数据及预设非成像数据图构建策略确定非成像数据输入图,包括:
24、对各所述受试者的表型数据进行非成像数据预处理,以得到预处理后的表型数据;
25、将所述受试者对应的预处理后的表型数据输入预先训练好的多层感知器,以得到隐藏特征;
26、基于第一预设关系式确定第i个受试者与第j个受试者之间的边缘权重,其中,第i个受试者与第j个受试者为n个受试者中不同的两个受试者;
27、所述第一预设关系式为:
28、
29、其中,φi为第i个受试者对应的隐藏特征,φj为第j个受试者对应的隐藏特征;
30、利用成对关联编码器及各所述边缘权重确定非成像数据输入图。
31、本方案中,通过上述方式可以可靠地确定成像数据输入图及非成像数据输入图,且图构建阶段实现了多模态多尺度的输入图的确定。
32、进一步的,根据所述成像数据输入图、所述非成像数据输入图及具备m层深度图卷积能力的预设自适应多通道融合卷积模型确定最终嵌入表示,包括:
33、利用预先训练好的雪球gcn模块分别对各所述脑图谱下的成像数据输入图进行处理,以分别得到与各所述脑图谱对应的第一嵌入表示;
34、利用所述雪球gcn模块对所述非成像数据输入图进行处理,以得到第二嵌入表示;
35、基于预设通道共同卷积策略确定经过共同卷积后所述成像数据输入图在各脑图谱下对应的第三嵌入表示以及所述非成像数据输入图对应的第四嵌入表示;
36、根据预设融合策略将各所述第一嵌入表示、所述第二嵌入表示、各所述第三嵌入表示及所述第四嵌入表示进行融合处理,以确定所述受试者对应的最终嵌入表示。
...【技术保护点】
1.一种面向rs-fMRI影像的精神疾病辅助诊断方法,其特征在于,包括:
2.如权利要求1所述的面向rs-fMRI影像的精神疾病辅助诊断方法,其特征在于,基于所述大脑区域、所述rs-fMRI影像数据及预设影像数据预处理策略确定所述受试者在各所述脑图谱下对应的特征向量,包括:
3.如权利要求2所述的面向rs-fMRI影像的精神疾病辅助诊断方法,其特征在于,确定所述功能连接矩阵的特征向量之后,还包括:
4.如权利要求1所述的面向rs-fMRI影像的精神疾病辅助诊断方法,其特征在于,根据所述特征向量及预设成像数据图构建策略确定各所述脑图谱下的成像数据输入图,包括:
5.如权利要求1所述的面向rs-fMRI影像的精神疾病辅助诊断方法,其特征在于,基于所述表型数据及预设非成像数据图构建策略确定非成像数据输入图,包括:
6.如权利要求1至5任一项所述的面向rs-fMRI影像的精神疾病辅助诊断方法,其特征在于,根据所述成像数据输入图、所述非成像数据输入图及具备M层深度图卷积能力的预设自适应多通道融合卷积模型确定最终嵌入表示,包括:
...【技术特征摘要】
1.一种面向rs-fmri影像的精神疾病辅助诊断方法,其特征在于,包括:
2.如权利要求1所述的面向rs-fmri影像的精神疾病辅助诊断方法,其特征在于,基于所述大脑区域、所述rs-fmri影像数据及预设影像数据预处理策略确定所述受试者在各所述脑图谱下对应的特征向量,包括:
3.如权利要求2所述的面向rs-fmri影像的精神疾病辅助诊断方法,其特征在于,确定所述功能连接矩阵的特征向量之后,还包括:
4.如权利要求1所述的面向rs-fmri影像的精神疾病辅助诊断方法,其特征在于,根据所述特征向量及预设成像数据图构建策略确定各所述脑图谱下的成像数据输入图,包括:
5.如权利要求1所述的面向rs-fmri影像的精神疾病辅助诊断方法,其特征在于,基于所述表型数据及预设非成像数据图构建策略确定非成像数据输入图,包括:
6.如权利要求1至5任一项所述的面向rs-fmri影像的精神疾病辅助诊断方法,其特征在于,根据所述成像数据输...
【专利技术属性】
技术研发人员:潘嘉诚,董一鸿,
申请(专利权)人:宁波城市职业技术学院,
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。