[发明专利]基于人脑功能磁共振影像的自闭症分类器构建方法及系统

说明书

本发明公开了基于人脑功能磁共振影像的自闭症分类器构建方法及系统，对正常受试者和自闭症受试者大脑功能磁共振影像进行预处理得到特征向量；对特征向量的每一个特征进行基于梯度分布曲线差异的特征选择方法，得到显著特征，将所得到显著特征组成新的特征向量，并将所有受试者新的特征向量作为训练样本，所述训练样本包括训练集和验证集；采用训练集对变分自编码器进行预训练，预训练结束后，将变分自编码器的编码器参数迁移至多层感知机，并采用训练集对多层感知机进行有监督的训练，对多层感知机的参数进行微调，并在每一轮训练后采用验证集进行评估，直至训练至设定的轮数或验证集评估精度达标，将经过参数微调的多层感知机作为自闭症分类器。

技术领域

本发明涉及医学影像分类领域，具体涉及一种基于人脑功能磁共振影像的自闭症分类器构建方法及系统。

背景技术

自闭症谱系障碍(ASD)是一种常见的复杂神经发育障碍，发生在儿童早期，核心特征是社交和受限的重复性感觉运动行为。传统的基于症状的分类方法不能揭示ASD背后的发病机制，因此往往是不可靠。随着神经影像学的发展，非侵入式脑成像技术成为了研究和揭示ASD一类的神经疾病的有力工具。其中，功能磁共振(rs-fMRI)测量血氧等级相关的变化信号可以帮助临床医生和神经科学家视觉评估大脑的功能特性或属性,已成为ASD早期分类的有力工具。近年来，rs-fMRI与机器学习和深度学习技术相结合用于ASD分类，取得了良好的效果，成为ASD分类最有前途的影像学方法之一。

近年来，机器学习(包括深度学习)方法已经被广泛应用于自闭症的分类。近年来，机器学习(包括深度学习)方法已经被广泛应用于细胞图像的预测和研究。Plitt等人^[1]只用支持向量机对ABIDE数据集的自闭症样例和正常人样例进行分类，达到了69％的分类精度。Heinsfeld等人^[2]利用堆叠自编码器(SAE)和全连接神经网络在公共数据集ABIDE I上达到了当时的最高预测精度70％。Parisot等人^[3]提出一个利用成像和非成像信息可用于大规模人群的大脑分析的通用框架，该框架基于图卷积神经网络(GCN)，在ABIDE数据集上达到了70.4％的分类精度。Zhi-An Huang等人^[4]利用深度信念网络(DBN)在ABIDE I数据集上达到了76.4％的预测精度。此外，特征选择方法也常常与机器学习相结合使用以得到更好的分类性能。

但是目前的大脑功能磁共振影像的主要挑战在于经过预处理之后的数据含有大量的冗余信息，这会导致分类模型性能变坏，目前基于功能磁共振影像的机器学习分类模型精度还有待提高，目前的分类模型无法灵活调节灵敏度和特异度，使之不能适应于某些特定的实际需要。

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.