[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

说明书

本发明公开了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，其特点是该方法包含：获取多站点静息态fMRI数据和表型数据集；应用HO脑图谱提取fMRI数据通过Fisher变换后的脑网络功能连接矩阵并进行特征工程；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，利用正则约束训练编码器；基于站点特定嵌入和表型信息构造人口图，并通过图卷积神经网络在人口图上进行站点不变嵌入的传播和转换；人口图中包含的大量未标注的结点取最终转换得到的二维向量中概率更大的类别等步骤。本发明与现有技术相比具有准确率高的诊断效果，有效避免了大量人工干预造成的失误，大大提升了工作效率和诊断结果的准确率。

技术领域

本发明涉及计算机辅助诊断技术领域，尤其是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。

背景技术

静息态功能磁共振成像(rs-fMRI)具有捕捉大脑感兴趣区间交互的能力。研究结果表明，脑功能连接模式可以作为阿尔茨海默病、抑郁症、自闭症等一系列精神疾病的诊断生物标志物。由于精神疾病的诊断难度大，计算机辅助诊断被寄予厚望。然而，在利用大规模共享的多站点fMRI数据训练诊断模型的过程中，由于各站点使用的采集协议和扫描仪类型等诸多差异造成的数据异质性问题，诊断模型难以达到预期的效果。因此，去除多站点fMRI的异质性并进行疾病预测具有重要意义。

近年来，图卷积神经网络(GCN)在半监督分类任务中对具有相关关系的数据表现出了惊人的性能。由于患病样本相对较少，采用半监督的分类显得尤为合适。多站点fMRI依据人口学信息天然地构成人口图，因此，在人口图上使用GCN是一种有效的诊断办法。为了在人口图上传播无异质性的fMRI特征，解耦表示学习(Disentangled RepresentationLearning)是一种有效的技术。

为此，设计多种约束达到解耦目的，实现在人口图上传播无异质性的fMRI特征。但该解耦表示学习约束，在人口图中传播去除异质性的fMRI信息，并结合解耦所得的站点特定嵌入构建人口图，用于去除多站点功能磁共振成像异质性的大规模精神疾病诊断，至今尚未见有相关技术的公开报道。

发明内容

本发明的目的是针对现有技术的不足而设计的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，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Jumping Knowledge Network(JK-Net)t设计的人口图卷积神经网络进行疾病的诊断和预测，该方法在人口图中传播去除异质性的fMRI信息，并结合解耦所得的站点特定嵌入构建人口图，保留了结点与站点相关的原始细节，使用四约束包含站点分类损失、重构损失、站点特定嵌入稀疏化约束用于训练模型，端到端的训练方式新颖简单，极大地提升了疾病诊断的效率，具有良好和广泛的应用前景。

实现本发明的具体技术方案是：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，其特点是将原始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Jumping KnowledgeNetwork(JK-Net)设计的人口图卷积神经网络进行精神疾病诊断，具体实施包括以下步骤：

步骤一：数据处理与特征工程

获取患病人群与正常人群的多站点静息态fMRI数据，并应用HO脑图谱提取Fisher变换后的脑网络功能连接矩阵；获取表型数据集(含站点、性别、年龄等信息)。取脑网络功能连接矩阵的上三角部分构建特征向量，并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

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，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，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。

步骤三：网络训练与输出模块