本發(fā)明涉及醫(yī)學(xué)圖像分類(lèi)，具體地，涉及一種基于分層圖卷積和自注意力機(jī)制的腦網(wǎng)絡(luò)分類(lèi)方法及設(shè)備。

背景技術(shù)：

1、阿爾茲海默癥(alzheimer’s?disease，ad)，是一種常見(jiàn)的漸進(jìn)性神經(jīng)退行性疾病，也是一種不可逆轉(zhuǎn)的神經(jīng)性疾病，發(fā)病之后，患者會(huì)出現(xiàn)記憶力減退、注意力不集中、健忘、易受干擾、反應(yīng)遲緩等癥狀。ad的發(fā)病是一個(gè)緩慢的過(guò)程，目前還沒(méi)有治愈方法，但是在其輕度認(rèn)知障礙(mildcognitive?impairment,mci)階段進(jìn)行干預(yù)可以有效減緩其發(fā)病的進(jìn)程。因此，對(duì)ad早期階段進(jìn)行精確的治療和診斷是非常重要的，這無(wú)論是對(duì)患者本身還有患者家庭以及社會(huì)都有著非常重要的意義。隨著醫(yī)學(xué)影像技術(shù)的不斷發(fā)展，靜息態(tài)功能磁共振成像(resting-state?functional?magnetic?resonance?imaging,rs-fmri)作為一種非入侵的方式已經(jīng)被廣泛的應(yīng)用到腦疾病診斷中，rs-fmri基于大腦的自發(fā)神經(jīng)活動(dòng)，即使大腦處于靜息狀態(tài)，其神經(jīng)元仍會(huì)進(jìn)行持續(xù)地自發(fā)性活動(dòng)，這些活動(dòng)在rs-fmri中可以被捕捉和記錄。通過(guò)測(cè)量大腦不同區(qū)域之間的血液氧合水平依賴(blood?oxygen?leveldependent，bold)信號(hào)變化，rs-fmri能夠揭示大腦在靜息狀態(tài)下的功能連接模式。

2、目前，基于深度學(xué)習(xí)模型分類(lèi)方法主要包括基于全連接神經(jīng)網(wǎng)絡(luò)(fullyconnectedneural?network，fcnn)的方法、基于卷積神經(jīng)網(wǎng)絡(luò)(convolutional?neuralnetwork，cnn)的方法和基于圖神經(jīng)網(wǎng)絡(luò)(graph?neural?network，gnn)的方法。與傳統(tǒng)規(guī)則圖像相比，由神經(jīng)成像數(shù)據(jù)構(gòu)建的功能性連接網(wǎng)絡(luò)由于其復(fù)雜的非歐幾里德特征而更加難以處理和表示。近年來(lái)，深度卷積神經(jīng)網(wǎng)絡(luò)已經(jīng)被證明時(shí)有效處理腦網(wǎng)絡(luò)結(jié)構(gòu)的方法，但是卷積神經(jīng)網(wǎng)絡(luò)主要關(guān)注網(wǎng)絡(luò)輸入，而不是網(wǎng)絡(luò)的數(shù)據(jù)。圖卷積網(wǎng)絡(luò)(graph?convolutionalnetworks，gcns)作為一種流行的圖嵌入學(xué)習(xí)表示的方法，可以很好的建模腦圖像數(shù)據(jù)之間的關(guān)系，已經(jīng)被廣泛應(yīng)用于腦網(wǎng)絡(luò)分析任務(wù)之中，然而，以往的腦網(wǎng)絡(luò)特征學(xué)習(xí)通常僅對(duì)單個(gè)腦網(wǎng)絡(luò)進(jìn)行分析，而忽略了腦網(wǎng)絡(luò)之間的層次關(guān)系。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)現(xiàn)有技術(shù)中存在的問(wèn)題，本發(fā)明提供了一種基于分層圖卷積和自注意力機(jī)制的腦網(wǎng)絡(luò)分類(lèi)方法及設(shè)備，同時(shí)考慮個(gè)體腦網(wǎng)絡(luò)和個(gè)體腦網(wǎng)絡(luò)在群體腦網(wǎng)絡(luò)的相關(guān)性，提升腦網(wǎng)絡(luò)分類(lèi)的精度。

2、為實(shí)現(xiàn)上述技術(shù)目的，本發(fā)明采用如下技術(shù)方案：一種基于分層圖卷積和自注意力機(jī)制的腦網(wǎng)絡(luò)分類(lèi)方法，具體包括如下步驟：

3、步驟s1、收集受試者的大腦rs-fmri，并標(biāo)記ad患者的患病程度；

4、步驟s2、基于aal模板將每個(gè)受試者的大腦rs-fmri進(jìn)行區(qū)域劃分，提取rois的bold平均時(shí)間序列，并將每個(gè)受試者的rois的bold平均時(shí)間序列作為圖節(jié)點(diǎn)特征；

5、步驟s3、通過(guò)pearson相關(guān)系數(shù)計(jì)算每個(gè)受試者任意兩個(gè)roi的bold平均時(shí)間序列的相似度，構(gòu)建功能連接矩陣，并通過(guò)二值化處理，構(gòu)建圖節(jié)點(diǎn)的鄰接矩陣；

6、步驟s4、構(gòu)建基于分層圖卷積和自注意力機(jī)制的腦分類(lèi)模型，包括：第一階段圖卷積網(wǎng)絡(luò)、第二階段圖卷積網(wǎng)絡(luò)和多層感知機(jī)；

7、步驟s5、將每個(gè)圖節(jié)點(diǎn)特征與對(duì)應(yīng)的鄰接矩陣輸入第一階段圖卷積網(wǎng)絡(luò)中進(jìn)行圖卷積操作，提取圖節(jié)點(diǎn)的特征向量；

8、步驟s6、將提取的圖節(jié)點(diǎn)的特征向量使用自注意力機(jī)制構(gòu)建群體圖結(jié)構(gòu)，將群體圖結(jié)構(gòu)輸入第二階段圖卷積網(wǎng)絡(luò)中進(jìn)行圖卷積操作，提取群體圖結(jié)構(gòu)的特征向量；

9、步驟s7、將提取的群體圖結(jié)構(gòu)的特征向量作為多層感知機(jī)的輸入，對(duì)應(yīng)群體中每個(gè)受試者的患病程度作為多層感知機(jī)的標(biāo)簽，對(duì)構(gòu)建的腦分類(lèi)模型進(jìn)行訓(xùn)練；

10、步驟s8、重復(fù)步驟s5-s7，直至多層感知機(jī)的預(yù)測(cè)分類(lèi)與標(biāo)簽的均方誤差收斂，完成對(duì)腦分類(lèi)模型的訓(xùn)練；

11、步驟s9、獲取某受試者的大腦rs-fmri，重復(fù)步驟s2-s3，輸入訓(xùn)練好的腦分類(lèi)模型中，預(yù)測(cè)出該ad患者分類(lèi)結(jié)果。

12、進(jìn)一步地，所述功能連接矩陣的構(gòu)建過(guò)程為：

13、

14、其中，pij表示受試者的第i個(gè)roi腦區(qū)和第j個(gè)roi腦區(qū)的pearson相關(guān)系數(shù)，xi和xj分別表示受試者的第i個(gè)roi腦區(qū)和第j個(gè)roi腦區(qū)的bold平均時(shí)間序列信號(hào)，和分別表示xi和xj的均值，表示xi和xj的標(biāo)準(zhǔn)差。

15、進(jìn)一步地，所述鄰接矩陣的構(gòu)建過(guò)程為：設(shè)置一個(gè)閾值參數(shù)ω對(duì)構(gòu)建的功能連接矩陣進(jìn)行二值化處理，將功能連接矩陣中pearson相關(guān)系數(shù)大于閾值參數(shù)ω的設(shè)置為1，否則設(shè)置為0，得到鄰接矩陣。

16、進(jìn)一步地，所述第一階段圖卷積網(wǎng)絡(luò)采用三級(jí)聯(lián)圖卷積層的級(jí)聯(lián)架構(gòu)，將每個(gè)圖節(jié)點(diǎn)特征和對(duì)應(yīng)的鄰接矩陣輸入第一層圖卷積單元中處理，提取出第一層級(jí)的圖節(jié)點(diǎn)特征向量；將第一層級(jí)的圖節(jié)點(diǎn)特征向量輸入第二層圖卷積單元中處理，提取第二層級(jí)的圖節(jié)點(diǎn)的特征向量；將第二層級(jí)的圖節(jié)點(diǎn)的特征向量輸入第三層圖卷積單元中處理，得到圖節(jié)點(diǎn)的特征向量。進(jìn)一步地，第一階段圖卷積網(wǎng)絡(luò)由三個(gè)連續(xù)的圖卷積單元構(gòu)成，第一層圖卷積單元中圖卷積層對(duì)圖節(jié)點(diǎn)特征和對(duì)應(yīng)的鄰接矩陣進(jìn)行圖卷積操作，在圖卷積操作后引入殘差連接，并使用激活函數(shù)對(duì)特征進(jìn)行非線性激活，并使用歸一化層進(jìn)行特征標(biāo)準(zhǔn)化處理，將標(biāo)準(zhǔn)化后的特征使用兩層全連接層進(jìn)行進(jìn)一步變換，其中，第一層全連接層后應(yīng)用激活函數(shù)層和dropout層，第二層全連接層后依次應(yīng)用殘差連接模塊、激活函數(shù)層、dropout層和歸一化層；第一階段圖卷積網(wǎng)絡(luò)的第二層圖卷積單元與第三層圖卷積單元的網(wǎng)絡(luò)結(jié)構(gòu)相同，均設(shè)有圖卷積層，對(duì)上一層提取的圖節(jié)點(diǎn)的特征向量進(jìn)行圖卷積操作，并使用激活函數(shù)激活特征，使用歸一化層進(jìn)行特征標(biāo)準(zhǔn)化，將標(biāo)準(zhǔn)化后的特征使用兩層全連接層進(jìn)行進(jìn)一步變換，提取出圖節(jié)點(diǎn)的特征向量，其中，第一層全連接層后應(yīng)用激活函數(shù)層和dropout層，第二層全連接層后依次應(yīng)用殘差連接模塊、激活函數(shù)層、dropout層和歸一化層。

17、進(jìn)一步地，步驟s6包括如下子步驟：

18、步驟s6.1、使用自注意力機(jī)制計(jì)算任意兩個(gè)兩個(gè)圖節(jié)點(diǎn)的特征向量的相關(guān)性作為圖節(jié)點(diǎn)對(duì)應(yīng)邊的權(quán)重；

19、步驟s6.2、設(shè)置邊閾值，將邊的權(quán)重大于邊閾值的，置1并將邊保留；否則，置0并刪除邊，得到群體圖結(jié)構(gòu)和群體圖結(jié)構(gòu)的鄰接矩陣；

20、步驟s6.3、將所有圖節(jié)點(diǎn)的特征向量組成群體圖結(jié)構(gòu)的節(jié)點(diǎn)矩陣，與群體圖結(jié)構(gòu)的鄰接矩陣共同作為第二階段圖卷積網(wǎng)絡(luò)的輸入，提取群體圖結(jié)構(gòu)的特征向量。

21、進(jìn)一步地，步驟s6.1中圖節(jié)點(diǎn)對(duì)應(yīng)邊的權(quán)重的計(jì)算過(guò)程為：

22、

23、其中，q、k、v分別表示兩個(gè)圖節(jié)點(diǎn)的特征向量組成的矩陣經(jīng)線性變化得到的查詢矩陣、鍵矩陣和值矩陣，dk表示兩個(gè)圖節(jié)點(diǎn)的特征向量組成的矩陣的嵌入維度。

24、進(jìn)一步地，所述第二階段的圖卷積網(wǎng)絡(luò)采用三級(jí)聯(lián)圖卷積層的級(jí)聯(lián)架構(gòu)，將群體圖結(jié)構(gòu)的節(jié)點(diǎn)矩陣和群體圖結(jié)構(gòu)的鄰接矩陣輸入第一層圖卷積單元中處理，提取第一層圖卷積單元的群體圖結(jié)構(gòu)的特征向量；將第一層圖卷積單元的群體圖結(jié)構(gòu)的特征向量輸入第二層圖卷積單元中處理，提取第二層圖卷積單元的群體圖結(jié)構(gòu)的特征向量；將第二層圖卷積單元的群體圖結(jié)構(gòu)的特征向量輸入第三層圖卷積單元中處理，提取群體圖結(jié)構(gòu)的特征向量。

25、進(jìn)一步地，第二階段圖卷積網(wǎng)絡(luò)的第一層圖卷積單元、第二層圖卷積單元、第三層圖卷積單元的網(wǎng)絡(luò)結(jié)構(gòu)相同，均設(shè)有圖卷積層，對(duì)上一層提取的群體圖結(jié)構(gòu)的特征向量進(jìn)行圖卷積操作，并使用激活函數(shù)激活特征，使用歸一化層進(jìn)行特征標(biāo)準(zhǔn)化，將標(biāo)準(zhǔn)化后的特征使用兩層全連接層進(jìn)行進(jìn)一步變換，提取到群體圖結(jié)構(gòu)的特征向量，其中，第一層全連接層后應(yīng)用激活函數(shù)層和dropout層，第二層全連接層后依次應(yīng)用殘差連接模塊、激活函數(shù)層、dropout層和歸一化層。

26、進(jìn)一步地，本發(fā)明還提供了一種電子設(shè)備，包括：存儲(chǔ)器、處理器及存儲(chǔ)在存儲(chǔ)器上并可在處理器上運(yùn)行的計(jì)算機(jī)程序，所述處理器執(zhí)行計(jì)算機(jī)程序時(shí)，實(shí)現(xiàn)所述的基于分層圖卷積和自注意力機(jī)制的腦網(wǎng)絡(luò)分類(lèi)方法。

27、與現(xiàn)有技術(shù)相比，本發(fā)明具有如下有益效果：本發(fā)明基于分層圖卷積和自注意力機(jī)制的腦網(wǎng)絡(luò)分類(lèi)方法通過(guò)構(gòu)建基于分層圖卷積和自注意力機(jī)制的腦分類(lèi)模型，其中，第一階段圖卷積網(wǎng)絡(luò)用于提取個(gè)體的特征。隨后通過(guò)自注意力機(jī)制來(lái)構(gòu)建群體圖結(jié)構(gòu)，通過(guò)使用自注意力機(jī)可以捕捉所有個(gè)體之間的全局依賴關(guān)系，并且能夠根據(jù)個(gè)體之間的相關(guān)性動(dòng)態(tài)分配圖節(jié)點(diǎn)之間的權(quán)重，由于其并行化計(jì)算的特點(diǎn)，可以提升腦分類(lèi)模型的計(jì)算性能；之后，將群體圖結(jié)構(gòu)通過(guò)第二階段圖卷積網(wǎng)絡(luò)來(lái)提取特征，通過(guò)聯(lián)合學(xué)習(xí)個(gè)體與群體的腦網(wǎng)絡(luò)特征，可以同時(shí)利用個(gè)體特異性和群體共性，減少個(gè)體差異對(duì)腦分類(lèi)模型的影響，提取豐富的特征表達(dá)，從而提升腦分類(lèi)模型的分類(lèi)性能。