一种基于多模板脑功能与效应网络融合的脑疾病分类方法

本发明涉及rs-fmri静息态功能磁共振成像数据的大脑连接网络的建模方法，为了利用rs-fmri的计算机辅助分析脑疾病目标，设计了一种基于多模版脑功能与效应网络融合的脑疾病分类方法。

背景技术：

1、孤独症谱系障碍(asd)是一种终身的神经发育障碍，病症的特点包括许多症状和不同程度的技能水平缺陷。这些症状主要涉及社交互动、重复的行为模式和受限的兴趣爱好。在孤独症患者中，观察到大量行为的异质性和神经解剖学上广泛的异常现象使得对这种疾病的准确分析变得具有挑战性。而静息态功能性磁共振成像(rs-fmri)是一项无创的神经影像技术，其独特之处在于允许本发明在个体无需执行特定任务的情况下观察大脑内部的自发产生的低频波动。通过跟踪血氧水平依赖性(bold)信号的时间变化，rs-fmri具备捕捉大脑感兴趣区域(roi)之间异常相互作用的能力。该技术为本发明提供了一种研究大脑活动的手段，从而更深入地了解孤独症谱系障碍(asd)及相关大脑疾病的神经基础。

2、基于静息态功能磁共振成像数据，本发明可以构建大脑连接网络模型来协助脑部疾病的分析，其中大脑网络可以表示为图形结构，它由作为节点的大脑区域和作为连接边的大脑区域间的相互作用组成。考虑到大脑中功能整合和分离的特点，大脑连接通常以三种不同的模式进行建模：即结构连接(sc)、功能连接(fc)和效应连接(ec)。结构连接是指连接神经元集群的物理或解剖连接网络，这些连接关系可以从扩散加权成像(dwi)数据中提取的生物或物理的相关结构获得。不同的是，功能连接和效应连接网络都可以直接从rs-fmri数据中生成。其中，fc是从大脑区域之间的统计依赖性的角度来描述大脑活动，功能连通性被定义为远程神经生理学事件之间的统计依赖性，通过统计依赖性的度量来量化大脑脑区间的活动，形成一个无向图。而ec强调的是一个大脑区域与另一个区域之间定向的因果作用关系，描述的是一个神经系统对另一个神经系统的影响并以有向图的形式存储。

3、目前，已经提出了大量利用rs-fmri数据来建模大脑连接网络的方法并用于脑疾病的分析，比如支持向量机(svm)、随机森林(rf)、卷积神经网络(cnn)和基于卷积的自动编码器等。此外，图神经网络(gnn)方法因其可以捕获网络拓扑信息的能力而脱颖而出。利用图分类的方法使用gnn作为非线性函数，该函数将根据rs-fmri数据构建的图作为输入并输出脑疾病类别的标签。例如，braingnn利用带有全局共享掩码的池化正则化方法来提取图级表示特征等。但是大多数方法都仅从fc网络中提取特征来进行脑疾病分类，而忽略了通过建模ec来揭示asd患者和健康控制组之间的因果依赖性的差异。已有研究表明，在许多脑疾病中，患者与健康控制组相比，几种静息态网络(如dmn、an和fpn)中的ec网络显著改变，这表明ec可作为脑疾病分类的生物标志物。同时，上述方法都仅使用单一的大脑分割模板数据进行分析。相比之下，多个模板的使用能够从不同的分割模板中提取不同的特征集，从而提供更全面的大脑信息。此外，一些分割方法可以获取更好的与临床贴合的信息，而其他分割方法可能会因为与实验数据拟合不佳而导致噪声增加，所以结合多个分割模版的数据可以获取多种非线性配准的方法来效地减少配准错误的负面影响，并提供不同但互补的信息以识别不同的疾病状态，从而提高分析的准确性。

技术实现思路

1、针对目前利用rs-fmri数据分析asd准确率仍较低的问题，本发明提出一种基于多模版脑功能与效应网络融合的脑疾病分类方法(mafecaf)。该方法在gnn模型的基础上首先利用余弦相似性矩阵作为权重来融合两个大脑分割模版的数据；接下来，本发明将融合后的数据分别通过残差时空图卷积网络和由图神经网络架构参数化的变分自动编码器来构建fc和ec网络。最后，将得到的两个网络依次通过双分支动态图卷积网络和自适应自注意力(asa)单元提取浅层和深层次的特征。同时，动态变化的邻接矩阵促进两个分支的的相互影响和特征融合，随后将融合好的fc ec特征用于asd患者分类。

2、实现本发明的主要思路是：一方面，大脑的功能性连接网络和效应连接网络描述了大脑复杂的行为模式，其中fc网络描述了大脑间的统计相关性，而ec网络强调了大脑间的定向因果关系，融合并利用两种网络的互补信息可以挖掘大脑与脑疾病相关更进一步的生物标志物。另一方面，利用多个分割模版的数据可以更加全面的利用大脑信息，缓解仅使用单个模版所造成的数据量少和数据偏差问题，从而提升脑疾病分类的准确性。

3、一种基于多模板脑功能与效应网络融合的脑疾病分类方法包括以下步骤：

4、步骤一，数据获取：为了验证本发明所提出模型的有效性，将在脑疾病分类常用的abide i数据集的两个分割模版下进行实验，评估该模型的脑疾病分类性能。

5、步骤二，多模版数据融合：首先利用两个模版的时间序列计算余弦相似度矩阵，然后将余弦相似度矩阵作为权重进行多模版数据的融合。

6、步骤三，fc网络构建：使用双分支的时空图卷积网络分别对融合后的两个模版的时间序列进行重组，同时在每一层图卷积网络后再次利用余弦相似度矩阵融合两个模版的数据。最后计算重组后时间序列的皮尔逊相关系数并经过fisher变化得到fc网络，存储在邻接矩阵中。

7、步骤四，ec网络构建：将步骤三得到的两个融合后的时间序列相加作为输入，利用图神经网络架构参数化的变分自动编码器得到生成的时间序列，通过最小化输入和生成的时间序列的残差进行迭代，获得ec网络。

8、步骤五，fc ec网络融合：将fc和ec网络分别经过双分支动态神经网络和自适应自注意力单元提取浅层和深层次的特征，同时，双分支通过动态邻接矩阵相互影响。将双分支得到的特征相加并再次通过asa得到fc和ec融合后的特征用于脑疾病分类。

9、与现有技术相比，本发明具有以下明显的优势和有益效果；

10、(1)提出了一种新的基于多模版脑功能与效应网络融合的脑疾病分类方法与大多数机器和深度学习方法相比具有更高的脑疾病分类准确率。

11、(2)该发明设计的双分支功能效应连接构建方法能够准确识别和构建大脑功能和效应连接网络。

12、(3)本发明设计的基于自适应自注意力的功能效应融合方法，能够有效融合两种网络数据，进而有效提升了rs-fmri数据分析asd准确率仍较低的问题。

13、(4)在rs-fmri真实数据上的实验结果表明，本发明的脑疾病分类准确率较高，且在asd任务中具有良好的解释性。

技术特征：

1.一种基于多模板脑功能与效应网络融合的脑疾病分类方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于多模板脑功能与效应网络融合的脑疾病分类方法，其特征在于，步骤二多模版数据融合中，每个被试都拥有两个时间序列数据来自两个分割模版。通过

3.根据权利要求1所述的一种基于多模板脑功能与效应网络融合的脑疾病分类方法，其特征在于，步骤三的fc网络构建中，利用采用双分支时空图卷积网络对两个模板的数据进行重组。通过余弦相似矩阵增强网络中两个模板数据的融合程度，随后使用皮尔逊相关系数和fisher变换构建fc网络。在时空图卷积网络中，大脑区域的时间序列作为图中的节点，利用皮尔逊相关系数计算得到的脑区间的连接关系作为图中的边。时空图卷积网络的计算过程如下：

4.根据权利要求1所述的一种基于多模板脑功能与效应网络融合的脑疾病分类方法，其特征在于，步骤四的ec网络构建中，为获得数据间非线性的因果关系，将图神经网络架构添加到线性结构方程模型中：

5.根据权利要求1所述的一种基于多模板脑功能与效应网络融合的脑疾病分类方法，其特征在于，步骤五的fc ec网络融合中，通过步骤三和步骤四后，对每个被试都构建以矩阵形式存储的大脑fc和ec网络。两种大脑网络分别通过双分支动态图卷积网络dgcn和自适应自注意单元asa，其中动态邻接矩阵有助于两个分支之间的信息交换。随后，叠加从这两个分支学习到的特征图并再次通过asa单元提取fc和ec融合后的特征。计算流程通过以下方式计算：

技术总结
本发明公开了一种基于多模板脑功能与效应网络融合的脑疾病诊断方法，包括以下步骤：步骤一，数据获取。步骤二，多模版数据融合。步骤三，FC网络构建。步骤四，EC网络构建。步骤五，FC EC网络融合。该发明设计的双分支功能效应连接构建方法能够准确识别和构建大脑功能和效应连接网络。本发明设计的基于自适应自注意力的功能效应融合方法，能够有效融合两种网络数据，进而有效提升rs‑fMRI数据诊断ASD准确率仍较低的问题。本发明的脑疾病诊断准确率较高，且在ASD任务中具有良好的解释性。

技术研发人员：刘金铎,余旻祺,冀俊忠
受保护的技术使用者：北京工业大学
技术研发日：
技术公布日：2025/4/14