[發明專利]基于人腦功能磁共振影像的自閉癥分類器構建方法及系統

在審

• 申請號: 202111501930.1
• 申請日: 2021-12-09
• 公開（公告）號: CN114187258A
• 公開（公告）日: 2022-03-15
• 發明（設計）人: 張方宇;潘毅;魏彥杰
• 申請（專利權）人: 深圳先進技術研究院;中國科學院深圳理工大學（籌）
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06V10/25;G06V10/774;G06V10/764;G06V10/82;G06K9/62;G06N3/04;A61B5/16
• 代理公司: 北京中巡通大知識產權代理有限公司 11703
• 代理人: 齊書田

本發明公開了基于人腦功能磁共振影像的自閉癥分類器構建方法及系統，對正常受試者和自閉癥受試者大腦功能磁共振影像進行預處理得到特征向量；對特征向量的每一個特征進行基于梯度分布曲線差異的特征選擇方法，得到顯著特征，將所得到顯著特征組成新的特征向量，并將所有受試者新的特征向量作為訓練樣本，所述訓練樣本包括訓練集和驗證集；采用訓練集對變分自編碼器進行預訓練，預訓練結束后，將變分自編碼器的編碼器參數遷移至多層感知機，并采用訓練集對多層感知機進行有監督的訓練，對多層感知機的參數進行微調，并在每一輪訓練后采用驗證集進行評估，直至訓練至設定的輪數或驗證集評估精度達標，將經過參數微調的多層感知機作為自閉癥分類器。

技術領域

本發明涉及醫學影像分類領域，具體涉及一種基于人腦功能磁共振影像的自閉癥分類器構建方法及系統。

背景技術

自閉癥譜系障礙(ASD)是一種常見的復雜神經發育障礙，發生在兒童早期，核心特征是社交和受限的重復性感覺運動行為。傳統的基于癥狀的分類方法不能揭示ASD背后的發病機制，因此往往是不可靠。隨著神經影像學的發展，非侵入式腦成像技術成為了研究和揭示ASD一類的神經疾病的有力工具。其中，功能磁共振(rs-fMRI)測量血氧等級相關的變化信號可以幫助臨床醫生和神經科學家視覺評估大腦的功能特性或屬性,已成為ASD早期分類的有力工具。近年來，rs-fMRI與機器學習和深度學習技術相結合用于ASD分類，取得了良好的效果，成為ASD分類最有前途的影像學方法之一。

近年來，機器學習(包括深度學習)方法已經被廣泛應用于自閉癥的分類。近年來，機器學習(包括深度學習)方法已經被廣泛應用于細胞圖像的預測和研究。Plitt等人^[1]只用支持向量機對ABIDE數據集的自閉癥樣例和正常人樣例進行分類，達到了69％的分類精度。Heinsfeld等人^[2]利用堆疊自編碼器(SAE)和全連接神經網絡在公共數據集ABIDE I上達到了當時的最高預測精度70％。Parisot等人^[3]提出一個利用成像和非成像信息可用于大規模人群的大腦分析的通用框架，該框架基于圖卷積神經網絡(GCN)，在ABIDE數據集上達到了70.4％的分類精度。Zhi-An Huang等人^[4]利用深度信念網絡(DBN)在ABIDE I數據集上達到了76.4％的預測精度。此外，特征選擇方法也常常與機器學習相結合使用以得到更好的分類性能。

但是目前的大腦功能磁共振影像的主要挑戰在于經過預處理之后的數據含有大量的冗余信息，這會導致分類模型性能變壞，目前基于功能磁共振影像的機器學習分類模型精度還有待提高，目前的分類模型無法靈活調節靈敏度和特異度，使之不能適應于某些特定的實際需要。

1.Plitt,M.,Barnes,K.A.,and Martin,A.(2015).Functional connectivityclassification of autism identifies highly predictive brain features butfalls short of biomarker standards.YNICL 7,359–366.doi:10.1016/j.nicl.2014.12.013

2.Heinsfeld,A.S.；Franco,A.R.；Craddock,R.C.；Buchweitz,A.；Meneguzzi,F.,Identification of autism spectrum disorder using deep learning and the ABIDEdataset.NeuroImage:Clinical 2018,17,16-23.