[发明专利]一种用于预测疾病的去除多站点功能磁共振成像异质性方法

权利要求书

1.一种用于预测疾病的去除多站点功能磁共振成像异质性方法，其特征在于采用解耦表示学习的约束方法，将原始fMRI数据解耦表示成站点不变和站点特定嵌入，然后使用站点特定嵌入构造人口图的边，站点不变嵌入表示结点，使用基于JK-Net设计的人口图卷积神经网络进行疾病的预测，具体实施包括以下步骤：

步骤一：数据处理与特征工程

1-1：获取患病人群与正常人群的多站点静息态fMRI数据，应用HO脑图谱提取Fisher变换后的脑网络功能连接矩阵；

1-2：获取包括站点、性别和年龄信息的表型数据集，使用脑网络功能连接矩阵的上三角部分构建特征向量，应用递归式特征消除选取前2000维表示脑网络特征；

步骤二：网络设计模块

2-1：将脑网络特征通过双头编码器解耦表示为站点不变和站点特定嵌入；

2-2：利用站点特定嵌入和表型信息构造人口图的边，使用站点不变嵌入表示结点即被试，通过四层图卷积网络与JK-Net在所构造的人口图上进行结点特征的传播与变换，构建结合JK-Net的四层图卷积神经网络；

步骤三：网络训练与输出模块

采用正则约束对构建的人口图卷积神经网络进行训练，通过图卷积神经网络特征变换，得到二维向量中概率更大的类别作为人口图中未标注的结点类别，将完成网络训练的四层图卷积神经网络进行疾病的预测；

所述步骤二的网络设计模块具体包括：

1）双头编码器、站点分类器和解码器均为MLP；

2）人口图的构造利用站点特定嵌入和归一化的表型特征，表型特征通过MLP映射到高维表示后，将得到的高维表示与站点特定嵌入拼接得到计算边权重的输入，最后计算两两结点输入的cosine相似性作为边的权重；

3）人口图卷积神经网络传播与变换结点的站点不变嵌入，包含了四层图卷积网络，并应用JK-Net以缓解过平滑，将每一层的输出拼接起来，通过一层MLP进行诊断。

2.根据权利要求1所述用于预测疾病的去除多站点功能磁共振成像异质性方法，其特征在于所述步骤一的数据处理与特征工程具体包括：

1）对于多站点静息态fMRI数据，采用nilearn库获取基于HO脑图谱的脑网络功能连接矩阵，将矩阵的上三角部分逐行相连构建脑网络的特征向量；

2）对于当前脑网络的特征向量，应用递归式特征消除方法，即基于外部估计器为每一特征赋予的权重，递归选取更重要的2000维特征作为原始fMRI特征。

3.根据权利要求1所述用于预测疾病的去除多站点功能磁共振成像异质性方法，其特征在于所述步骤三的网络训练与输出模块具体包括：

1）采用基于对抗的域自适应方法提取站点不变信息，将解耦所得站点不变嵌入通过梯度反转层，并由站点分类器识别该嵌入来自哪个站点，由此产生站点分类损失；

2）将站点不变和站点特定嵌入拼接并送入解码器，解码fMRI特征与原始fMRI特征间的距离构成重构损失，以保证解耦的完整性；

3）使用欧几里得范数构建站点特定嵌入的稀疏化约束；

4）基于人口图卷积的疾病预测损失；

5）通过三个超参数对损失求和建立最终的损失函数，并应用梯度下降法优化模型参数。

4.根据权利要求1所述用于预测疾病的去除多站点功能磁共振成像异质性方法，其特征在于所述正则约束包含基于梯度反转层的站点分类损失、重构损失、基于人口图卷积的疾病预测损失或站点特定嵌入稀疏化约束。

5.根据权利要求1所述用于预测疾病的去除多站点功能磁共振成像异质性方法，其特征在于所述人口图中未标注的结点类别采用大量的无标注fMRI数据和少量的有标注fMRI数据。