[發(fā)明專利]一種基于深度哈希互學(xué)習(xí)的腦網(wǎng)絡(luò)分類方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202310522896.9
• 申請(qǐng)日: 2023-05-10
• 公開（公告）號(hào): CN116543215A
• 公開（公告）日: 2023-08-04
• 發(fā)明（設(shè)計(jì)）人: 冀俊忠;張雅琴
• 申請(qǐng)（專利權(quán)）人: 北京工業(yè)大學(xué)
• 主分類號(hào): G06V10/764
• 分類號(hào): G06V10/764;G06V10/774;G06V10/82;G06V10/40;G06V10/74;G06N3/042;G06N3/0464;G06N3/08
• 代理公司: 北京思海天達(dá)知識(shí)產(chǎn)權(quán)代理有限公司 11203
• 代理人: 王兆波

本發(fā)明公開了一種基于深度哈希互學(xué)習(xí)的腦網(wǎng)絡(luò)分類方法，包括：數(shù)據(jù)預(yù)處理和腦功能網(wǎng)絡(luò)構(gòu)建；腦網(wǎng)絡(luò)數(shù)據(jù)劃分；基于深度哈希學(xué)習(xí)的個(gè)體特征提取；基于深度哈希學(xué)習(xí)的群體特征提取；基于哈希碼的互學(xué)習(xí)；基于哈希碼的分類。本發(fā)明首次考慮到群體腦網(wǎng)絡(luò)中的表型標(biāo)簽差異，采用表型標(biāo)簽構(gòu)建群體腦網(wǎng)絡(luò)關(guān)系圖，提出一種基于GCN的深度哈希學(xué)習(xí)模型提取腦網(wǎng)絡(luò)的群體特征；并考慮到腦網(wǎng)絡(luò)個(gè)體特征和群體特征間的關(guān)系，采用基于深度哈希互學(xué)習(xí)的腦網(wǎng)絡(luò)分類方法通過個(gè)體特征和群體特征之間的互學(xué)習(xí)來增強(qiáng)特征的辨別能力。本方法與其他方法相比，分類性能更優(yōu)。

技術(shù)領(lǐng)域

本發(fā)明涉及腦科學(xué)領(lǐng)域中的腦網(wǎng)絡(luò)分類技術(shù)，主要是通過兩個(gè)深度哈希學(xué)習(xí)模型間的相互學(xué)習(xí)，實(shí)現(xiàn)個(gè)體腦網(wǎng)絡(luò)特征和群體腦網(wǎng)絡(luò)特征的交互，設(shè)計(jì)一種基于深度哈希互學(xué)習(xí)的腦網(wǎng)絡(luò)分類方法。

背景技術(shù)

在腦科學(xué)中，腦功能網(wǎng)絡(luò)分類是指通過對(duì)人腦功能網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行特征挖掘和分析來自動(dòng)判斷受試者是否患有腦神經(jīng)疾病的技術(shù)，為腦疾病發(fā)病機(jī)理的理解和早期診斷提供了有效的工具，因而具有重要的研究與應(yīng)用價(jià)值。近年來，由于靜息態(tài)功能磁共振(resting-state?functional?magnetic?resonance?imaging,rs-fMRI)技術(shù)能夠揭示大腦自發(fā)的功能性活動(dòng)規(guī)律而被多用于腦功能網(wǎng)絡(luò)的構(gòu)建。構(gòu)建的腦功能網(wǎng)絡(luò)由節(jié)點(diǎn)和邊構(gòu)成，其中節(jié)點(diǎn)對(duì)應(yīng)于大腦中的神經(jīng)元、神經(jīng)元簇、腦區(qū)或者感興趣區(qū)域(RegionofInterest,ROI)，邊通常被定義為各節(jié)點(diǎn)對(duì)間的連接關(guān)系，也稱為功能連接(functionalconnectivity,FC)，邊的權(quán)重為FC強(qiáng)度。后文用腦網(wǎng)絡(luò)指代腦功能網(wǎng)絡(luò)。

目前，最流行的是基于機(jī)器學(xué)習(xí)的腦網(wǎng)絡(luò)分類方法，主要包括傳統(tǒng)的機(jī)器學(xué)習(xí)方法和深度學(xué)習(xí)方法。在傳統(tǒng)的機(jī)器學(xué)習(xí)方法中，使用最廣泛的是支持向量機(jī)(supportvector?machine,SVM)和最小絕對(duì)收縮和選擇算子(least?absolute?shrinkage?andselection?operator,LASSO)，但它們都屬于淺層模型，在面對(duì)高維的腦網(wǎng)絡(luò)數(shù)據(jù)時(shí)，由于特征提取能力不足導(dǎo)致分類性能較差。近年來，深度學(xué)習(xí)方法由于可以通過對(duì)原始腦網(wǎng)絡(luò)的逐層處理來學(xué)習(xí)更豐富、更深層次的特征，在腦網(wǎng)絡(luò)分類中受到越來越多的關(guān)注。2017年，Kawahara等人提出了一種名為BrainNetCNN的卷積神經(jīng)網(wǎng)絡(luò)(Convolutional?NeuralNetwork,CNN)框架，它設(shè)計(jì)了邊到邊、邊到點(diǎn)、點(diǎn)到圖三種卷積濾波器提取大腦網(wǎng)絡(luò)的特征。實(shí)驗(yàn)結(jié)果表明，BrainNetCNN框架提取的腦網(wǎng)絡(luò)特征可用于臨床神經(jīng)發(fā)育結(jié)果的預(yù)測(cè)。2018年，Heinsfeld等人一種基于深度神經(jīng)網(wǎng)絡(luò)(Deep?Neural?Networks,DNN)的模型，它根據(jù)大腦激活模式識(shí)別自閉癥(Autistic?Spectrum?Disorder,ASD)患者。實(shí)驗(yàn)結(jié)果表明，DNN模型可以提高ASD的識(shí)別準(zhǔn)確率，并識(shí)別出最有助于區(qū)分ASD患者與健康對(duì)照的大腦區(qū)域。2019年，Ju等人提出了一種基于堆疊稀疏自編碼(stacked?sparse?autoencoding,SSAE)方法的框架，用于區(qū)分正常衰老和輕度認(rèn)知障礙，并且與傳統(tǒng)的機(jī)器學(xué)習(xí)方法相比在分類準(zhǔn)確率上有了顯著的提高。2020年，Xing等人提出了一種新的基于自適應(yīng)多任務(wù)CNN的腦網(wǎng)絡(luò)分類方法(adaptive?multi-task?CNN,AMTCNN)，并在ASD患者與健康對(duì)照的分類中取得了較好的效果。2021年，Ji等人提出了一種具有逐元素加權(quán)機(jī)制(element-wise?weightingmechanism，CKEW)的新型卷積核以及一種基于CKEW的CNN分類框架。實(shí)驗(yàn)結(jié)果表明，該框架可以更準(zhǔn)確地分類腦網(wǎng)絡(luò)，并識(shí)別出與腦部疾病相關(guān)的異常連接模式。2022年，Ji等人利用診斷和臨床表型標(biāo)簽構(gòu)建語義空間，并結(jié)合腦網(wǎng)絡(luò)在語義空間的臨近關(guān)系提出了一種基于深度圖哈希學(xué)習(xí)的腦功能網(wǎng)絡(luò)分類方法(brain?network?classification?based?on?deepgraph?hashing?learning,BNC-DGHL)。在三個(gè)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，該方法能獲得更優(yōu)的分類性能，這也展示了表型標(biāo)簽在腦網(wǎng)絡(luò)分類中的重要輔助作用。然而，現(xiàn)有的方法只考慮了個(gè)體腦網(wǎng)絡(luò)之間的表型標(biāo)簽差異，忽略了群體腦網(wǎng)絡(luò)之間的表型標(biāo)簽差異。事實(shí)上，在分類任務(wù)中，群體腦網(wǎng)絡(luò)之間的表型標(biāo)簽差異與分類結(jié)果更相關(guān)。例如，僅憑單個(gè)被試腦網(wǎng)絡(luò)的性別標(biāo)簽無法判斷被試是否患有ASD，但根據(jù)一組被試腦網(wǎng)絡(luò)的性別標(biāo)簽差異就很容易推斷出男性比女性更容易患ASD。也就是說，群體腦網(wǎng)絡(luò)的表型特征比個(gè)體腦網(wǎng)絡(luò)的表型特征更具有辨別力。