[發明專利]一種基于社區檢測和雙路自編碼的腦網絡分類方法

在審

• 申請號: 202110616573.7
• 申請日: 2021-06-02
• 公開（公告）號: CN113642596A
• 公開（公告）日: 2021-11-12
• 發明（設計）人: 朱旗;楊婧;徐如婷;張道強
• 申請（專利權）人: 南京航空航天大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開了一種基于社區檢測和雙路自編碼的腦網絡分類方法。我們引入社區檢測方法，檢測腦網絡中潛在的社區結構，然后，根據社區檢測的結果，重新調整網絡中節點的排序順序。一方面，它使得網絡中的模塊化結構得以保留，另一方面，經過調整之后的腦網絡更加適用于深度學習方法中的矩形卷積核。由于腦網絡數據有兩個模態，分別是結構模態和功能模態。為了更好的融合兩個模態的信息，本發明采用雙路自編碼技術進行腦網絡分類。首先，我們采用結構模態指導功能模態網絡的社區檢測與網絡結構調整方法。然后，采用帶注意力機制的雙路自編碼技術，提取網絡中重要的高階信息。最后，綜合利用結構模態和功能模態的互補信息完成腦網絡的分類任務。

技術領域

本發明屬于機器學習領域，具體涉及一種基于社區檢測和雙路自編碼的腦網絡分類方法。

背景技術

近年來，神經成像技術發展迅速，為我們帶來了各種形式的腦成像數據，為我們研究人腦內部組織，活動，提供了很大的支持。因此，依賴于神經成像技術的腦網絡分析方法受到了越來越多的關注，并逐漸成為主流。并且，相關的研究工作都表明，腦網絡分析方法可以取得很好的效果。在腦網絡分析研究中，最常使用的成像技術為功能磁共振成像(fMRI)和彌散張量成像(DTI)。fMRI可以反映大腦區域BLOD信號之間的時間相關性，通過fMRI數據可以構建大腦的功能連接網絡。DTI可以揭示功能相關灰質區域之間的物理連接，從而構建大腦的結構連接網絡。無論是單模態網絡分析，還是多模態網絡分析，尋找合適的方法挖掘大腦網絡的潛在內部結構，提取有效的特征，從而提高腦網絡分類精度，都是關鍵任務。

然而，在腦網絡分析任務中，卻存在著以下幾點困難。1)噪聲：在醫學影像采集的過程中，很容易收到客觀環境的干擾，所以往往存在著很多的噪聲。比如，同一個受試者，在一天中的不同時間段采集出來的數據可能是不一樣的，這給我們的分析任務帶來了困難。2)高度非線形：圖結構數據往往有潛在的高度非線性的關系，而腦網絡，做為一種典型的圖結構數據，其內部也是存在一定的非線性關系的。如何捕捉腦網絡中的非線性關系一直是一個研究的熱點；3)結構保存：很多相關研究表明，腦網絡內部往往存在著一些結構，比如小世界，模塊，社區結構，它們在腦網絡分析過程中起著很重要的作用。然而，很多傳統的腦網絡分析方法，都會把表示網絡的矩陣拉成一個向量處理，損失了這種重要的結構信息。在學習大腦網絡嵌入的同時，保持社區結構是很重要的；4)多模態網絡分析：目前，結合功能和結構模態的多模態腦網絡分析變得很流行。由于結構網絡和功能網絡的特性不同，因此，在多模態腦網絡分析的時候，我們不能簡單的使用同一種方法對它們分析，也不能直接融合。如何在多模態腦網絡分析任務上，同時考慮結構連接和功能連接，一直是一個關鍵問題。

很多方法被提出用以解決這些困難。比較典型的有子圖挖掘方法和圖核方法。圖核方法通?；谧咏Y構計算兩個網絡之間的相似性，如最短路徑，隨機游走，或其他子圖。圖核方法可用于集成腦網絡的局部連通性，或全局拓撲屬性。但是，由于用圖核方法構建的模型都是淺層模型，所以圖核方法只能提取到淺層的特征，在復雜情況下的特征學習能力較弱，因而不能有效的捕獲到腦網絡中潛在的復雜高度非線性關系。子圖挖掘方法是一種無監督方法，目的是通過采用一些特定的標準從一組圖中提取出有用的子圖特征。目前流行的做法是通過連通子圖模式選擇頻繁的子結構。但是，由于腦網絡數據的巨大復雜性，這種方法很難精確的捕獲到腦網絡的高度非線性特征。并且，無法探測出網絡內部的結構信息。