端到端全深度学习的注意力缺陷多动障碍分类诊断方法

本发明属于精神疾病分类诊断领域，尤其涉及一种端到端全深度学习的注意力缺陷多动障碍分类诊断方法。

背景技术：

1、精神疾病智能诊断分类作为一种基于人工智能的辅助诊断方法，正向高准确率、可解释性和实用化方向发展。尤其是基于脑影像数据(由核磁共振成像产生的多种生物数据)的智能诊断方法，在快速诊断方面具有着重要的意义。在多动障碍adhd的智能辅助诊断分类方面，基于adhd-200的公开脑影像数据库，近十年来提出了众多adhd智能辅助诊断分类方法。其中，基于二分假设框架的辅助诊断分类方法(tang,y.,et al,adhdclassification using auto-encoding neural network and binary hypothesistesting,2022)，以较高的分类准确率(>95％)，受到了较多关注。但是，现有该二分假设框架下的分类方法，普遍需要经历三个环节，即特征选择、特征提取和adhd判决。在特征选择环节中，现有方法需要用一些机器学习手段进行特征筛选，如采用支持向量机－特征消除(svm-rfe)方法从各项脑影像数据(特征)中选取典型脑影像数据(典型特征)，为后续基于深度学习的特征提取服务。在此过程中，一方面，机器学习选取的典型特征不一定是深度学习特征提取阶段最适合的输入特征。另一方面，选取典型特征的过程中，必然涉及典型特征数量的问题。

2、鉴于adhd各数据库存在较大差异，造成这些差异的原因来自多方面，比如核磁共振机型号和采集协议不同、患者地区差异等，确定最优的典型特征数量本身就具有相当大的难度。因此，本发明针对上述需求，提出了一种端到端全深度学习的adhd分类诊断方法，在获得高分类准确率的同时，有效回避了现有二分假设框架分类方法中典型特征的选择问题，大幅提升了adhd分类诊断方法的实用性。

技术实现思路

1、本发明旨在提供一种端到端全深度学习的注意力缺陷多动障碍分类诊断方法，在基于深度学习的编解码网络的分类诊断过程中，注意力网络通过对输入的各项脑影像数据分配不同数值权重，提供在测试数据不同假设标签情况之间的差异，即测试数据假设标签不同时，产生的加权数据也不同，该加权数据包括加权训练数据和加权测试数据，最终产生不同的训练数据所对应的高层特征，以便于最后的adhd分类判决。同时，测试数据假设标签对于编解码网络所施加的影响主要在分类网络上，要求分类网络能精准的预测给予的训练数据标签和测试数据的假设标签，此时预测准确率必须为100％，即分类网络的mse函数损失为0。在训练过程中，通过网络参数的反向传播，最终使得深度学习的编解码网络中的注意力网络、编码网络、解码网络和分类网络在测试数据不同假设标签时，具有不同的网络参数值，差异化对应输出的训练数据的高层特征。

2、本发明的技术方案如下：一种端到端全深度学习的注意力缺陷多动障碍分类诊断方法，包括以下步骤：

3、步骤1：对测试数据做不同类别的假设标签标注，其中，所述测试数据为待诊断分类的个体脑影像数据，所述假设标签类别包括adhd疾病个体假设hadhd和健康个体假设htd；

4、步骤2：将已进行假设标签标注的测试数据和已进行诊断标注的训练数据通过深度学习的编解码网络进行训练学习，提取不同测试数据假设标签下训练数据的高层特征，对应记为fhadhd和fhtd；

5、步骤3：对不同测试数据假设标签下提取的训练数据高层特征，fhadhd和fhtd，进行聚类测度评分计算，获得对应评分，分别记为dhadhd和dhtd；

6、步骤4：比较dhadhd和dhtd的评分数值大小，识别出聚类效果最佳的评分，并以该评分对应的训练数据高层特征所对应的测试数据假设标签，作为测试数据的最终预测标签，记为完成对测试数据的诊断分类过程。

7、进一步地，所述步骤2中，深度学习的编解码网络包含注意力网络、编码网络、解码网络和分类网络，已进行假设标签标注的测试数据和已进行诊断标注的训练数据通过深度学习的编解码网络的具体步骤如下：

8、步骤2-1：将训练数据与带假设标签的测试数据输入注意力网络，该注意力网络对输入的各项脑影像数据分配不同数值权重，产生带权重的脑影像数据；

9、步骤2-2：将带权重的脑影像数据通过编码网络，产生训练数据与带假设标签的测试数据各自对应的高层特征，并输出不同假设标签测试数据下训练数据的高层特征，fhadhd和fhtd，用于adhd标签判决；

10、步骤2-3：将步骤2-2中产生的训练数据与带假设标签的测试数据各自对应的高层特征，输入解码网络，实现对训练数据与测试数据的重构表示；

11、步骤2-4：将步骤2-2中产生的训练数据与带假设标签的测试数据各自对应的高层特征，输入分类网络，要求对训练数据的标签和测试数据的假设标签进行精确预测，实现监督学习过程。

12、优选地，所述步骤2-4中分类网络在训练网络参数时，采用均方误差函数作为代价函数测评该分类网络输出的标签预测值与对应训练数据的标签和测试数据的假设标签的误差。

13、优选地，所述步骤2中的编解码网络进行训练学习时，训练该方法的网络模型参数过程中，当训练结束时，分类网络代价函数数值为零。

14、本发明的端到端全深度学习的注意力缺陷多动障碍分类诊断方法，直接将不同假设标签下的测试数据和已诊断标注的训练数据，通过编解码网络进行训练，提取不同测试数据假设标签下训练数据的高层特征，并进行adhd分类判决，实现了从输入到输出的全深度网络学习。

15、实验结果证明，本发明在adhd-200数据库上的平均分类准确率为98.1％。在获得高分类准确率的同时，本发明回避了现有基于二分假设框架的adhd诊断分类方法中的特征选择问题，大幅提升了adhd分类诊断方法的实用性。

技术特征：

1.一种端到端全深度学习的注意力缺陷多动障碍分类诊断方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的端到端全深度学习的注意力缺陷多动障碍分类诊断方法，其特征在于，所述步骤2中，深度学习的编解码网络包含注意力网络、编码网络、解码网络和分类网络，已进行假设标签标注的测试数据和已进行诊断标注的训练数据通过深度学习的编解码网络的具体步骤如下：

3.根据权利要求2所述的端到端全深度学习的注意力缺陷多动障碍分类诊断方法，其特征在于，所述步骤2-4中分类网络在训练网络参数时，采用均方误差函数作为代价函数测评该分类网络输出的标签预测值与对应训练数据的标签和测试数据的假设标签的误差。

4.根据权利要求2所述的端到端全深度学习的注意力缺陷多动障碍分类诊断方法，其特征在于，所述步骤2中的编解码网络进行训练学习时，训练该方法的网络模型参数过程中，当训练结束时，分类网络代价函数数值为零。

技术总结
本发明属于精神疾病分类诊断领域，尤其涉及一种端到端全深度学习的注意力缺陷多动障碍分类诊断方法，包括：S1：对测试数据做不同类别的假设标签标注，其中，测试数据为待诊断分类的个体脑影像数据，假设标签类别包括ADHD疾病个体假设H<subgt;ADHD</subgt;和健康个体假设H<subgt;TD</subgt;；S2：将已进行假设标签标注的测试数据和已进行诊断标注的训练数据通过深度学习的编解码网络进行训练学习，提取不同测试数据假设标签下训练数据的高层特征，对应记为F<subgt;HADHD</subgt;和F<subgt;HTD</subgt;；S3：对F<subgt;HADHD</subgt;和F<subgt;HTD</subgt;，进行聚类测度评分计算，获得对应评分，分别记为D<subgt;HADHD</subgt;和D<subgt;HTD</subgt;；S4：比较D<subgt;HADHD</subgt;和D<subgt;HTD</subgt;的评分数值大小，识别出聚类效果最佳的评分，并以该评分对应的训练数据高层特征所对应的测试数据假设标签，作为测试数据的最终预测标签，记为完成对测试数据的诊断分类过程。本发明的方法，具有高分类准确率，并且能够大幅提升ADHD分类诊断方法的实用性。

技术研发人员：陈瑛,汤一彬,张玉龙,李志新,诸燕平
受保护的技术使用者：常州大学
技术研发日：
技术公布日：2024/6/23