CN110335685A - 一种基于脑连接对偶子空间学习的adhd分类诊断方法 - Google Patents

一种基于脑连接对偶子空间学习的adhd分类诊断方法 Download PDF

Info

Publication number
CN110335685A
CN110335685A CN201910604444.9A CN201910604444A CN110335685A CN 110335685 A CN110335685 A CN 110335685A CN 201910604444 A CN201910604444 A CN 201910604444A CN 110335685 A CN110335685 A CN 110335685A
Authority
CN
China
Prior art keywords
subspace
connection features
training data
brain connection
assuming
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910604444.9A
Other languages
English (en)
Other versions
CN110335685B (zh
Inventor
汤一彬
李旭斐
徐萌颖
高远
姚澄
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changzhou Campus of Hohai University
Original Assignee
Changzhou Campus of Hohai University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Changzhou Campus of Hohai University filed Critical Changzhou Campus of Hohai University
Priority to CN201910604444.9A priority Critical patent/CN110335685B/zh
Publication of CN110335685A publication Critical patent/CN110335685A/zh
Application granted granted Critical
Publication of CN110335685B publication Critical patent/CN110335685B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A61B5/168—Evaluating attention deficit, hyperactivity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Pathology (AREA)
  • Developmental Disabilities (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Databases & Information Systems (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Social Psychology (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Psychology (AREA)
  • Psychiatry (AREA)
  • Hospice & Palliative Care (AREA)
  • Veterinary Medicine (AREA)
  • Educational Technology (AREA)
  • Biophysics (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Child & Adolescent Psychology (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明公开了一种基于脑连接对偶子空间学习的ADHD分类诊断方法，首先对测试数据做不同的类别假设标注，并将已进行假设标注的测试数据和训练数据一起参与典型脑连接特征选择过程，获得测试数据在不同假设下对应训练数据的典型脑连接特征，随后分别对测试数据不同假设下对应训练数据的典型脑连接特征进行对偶子空间学习，计算对应假设下训练数据典型脑连接特征在对偶子空间上的能量和。比较在测试数据不同假设下训练数据典型脑连接特征在对偶子空间上能量和的大小，并选取能量和大的对应假设作为测试数据的真实假设，从而确定测试数据所属个体为ADHD疾病或健康个体，最终完成ADHD疾病诊断分类过程。本发明分类准确率约为90%，优于现有的多种分类诊断方法。

Description

一种基于脑连接对偶子空间学习的ADHD分类诊断方法
技术领域
本发明涉及一种基于脑连接对偶子空间学习的儿童注意力缺陷多动障碍(ADHD)分类诊断方法，属于精神疾病分类诊断领域。
背景技术
ADHD是一种较常见的儿童精神行为疾病。目前ADHD的临床诊断主要依据Hamilton量表并辅以临床观察。但是随着血氧浓度信号功能磁共振图像(Blood-Oxygen-LevelDependent functional Magnetic Resonance Imaging，BOLD-fMRI)技术的应用，其通过检测血红蛋白的不同磁性，有效地反应了ADHD患者的大脑异常情况。利用fMRI数据中BOLD信号的相关性构建脑功能连接(Functional Connectivity，FC)可以进一步反映ADHD脑回路特征及其与健康人的差异。因此，本发明将从静息态fMRI数据出发进行FC分析，从而实现ADHD的分类和诊断。
目前在ADHD分类和诊断方面，提出许多基于fMRI的先进方法，例如，基于图的fMRI(graph fMRI)分类方法(Dey,S.,et al,Attributed graph distance measure forautomatic detection of attention deficit hyperactive disordered subjects,2014)、基于多数据融合的fMRI(fusion fMRI)分类方法(Riaz,A.,et al,Fusion of fMRIand non-imaging data for ADHD classification,2017)、基于深度学习fMRI(FCNetfMRI)分类方法(Riaz,A.,et al,FCNet:AConvolutional Neural Network forCalculating Functional Connectivity from Functional MRI,2017)和基于全深度学习fMRI(Deep fMRI)分类方法(Riaz,A.,et al,Deep FMRI:An end-to-end deep networkfor classification of FMRI data,2018)。但是上述多种分类方法将训练和测试数据完全分开，当训练数据较小时，所获训练数据上典型脑连接的鲁棒性较差。其所构的分类空间不足以覆盖测试数据的典型脑连接，从而导致分类效果下降。
发明内容
为了克服现有技术中的不足，本发明提供了一种基于脑连接对偶子空间学习的ADHD分类诊断方法。该分类诊断方法首先对测试数据做不同的类别假设标注，并将已进行假设标注的测试数据和训练数据一起参与典型脑连接特征选择过程，获得测试数据在不同假设下对应训练数据的典型脑连接特征。随后，分别对测试数据不同假设下对应训练数据的典型脑连接特征进行对偶子空间学习，计算对应假设下训练数据典型脑连接特征在对偶子空间上的能量和。最后，比较在测试数据不同假设下训练数据典型脑连接特征在对偶子空间上能量和的大小，并选取能量和大的对应假设作为测试数据的真实假设，从而确定测试数据所属个体为ADHD疾病或健康个体，最终完成ADHD疾病诊断分类过程。
本发明中主要采用的技术方案为：
一种基于脑连接对偶子空间学习的ADHD分类诊断方法，具体步骤如下：
步骤1：获取测试数据在不同类别假设下的训练数据典型脑连接特征，其中，所述测试数据为待诊断的个体脑连接数据，对所述测试数据做不同的类别假设标注，所述类别假设包括ADHD疾病个体假设和健康个体假设分别简称为假设和假设，并将已进行类别假设标注的测试数据和训练数据一起进行典型脑连接特征选择，获得测试数据在不同类别假设下对应训练数据的典型脑连接特征，其中，所述训练数据为已进行诊断标注的一组个体脑连接数据集；
步骤2：对偶子空间学习，根据测试数据在假设和假设下对应训练数据的典型脑连接特征，利用对偶子空间学习方法获得假设下的对偶子空间和假设下的对偶子空间其中，表示在假设下健康脑连接特征子空间，表示在假设下ADHD脑连接特征子空间,表示在假设下健康脑连接特征子空间，表示在假设下ADHD脑连接特征子空间；
步骤3：分别计算测试数据在假设和假设下对应训练数据典型脑连接特征在对偶子空间上投影成分的能量和，其中，记为测试数据在假设下训练数据典型脑连接特征在对偶子空间上投影成分的能量和，记为测试数据在假设下训练数据典型脑连接特征在对偶子空间上投影成分的能量和；
步骤4：基于步骤3求得的测试数据在假设和假设下对应训练数据典型脑连接特征在对偶子空间上投影成分的能量和，进行ADHD分类诊断，比较测试数据分别在假设和假设下对应训练数据典型脑连接特征在对偶子空间上投影成分的能量和，即和选取能量和大的对应假设作为测试数据的真实假设，从而确定测试数据所属个体为ADHD疾病或健康个体，最终完成ADHD疾病诊断分类过程。
优选地，所述步骤1中获取测试数据在不同的类别假设下对应训练数据的典型脑连接特征的具体步骤如下：
步骤1-1：对所述测试数据做不同的类别假设标注，将已给定类别假设的测试数据与训练数据一起参加典型脑连接特征选择过程；
步骤1-2：利用特征选择方法，获得该类别假设下训练数据脑连接特征的可靠性排序，并按脑连接特征的可靠性由大至小对训练数据中各个体的脑连接样本截取前k条对应脑连接特征作为个体典型脑连接特征；
步骤1-3：随后将步骤1-2所述的个体典型脑连接特征构成训练数据典型脑连接特征，按不同的类别假设，可得测试数据在假设下训练数据典型脑连接特征为测试数据在假设下训练数据典型脑连接特征为在此，令为训练数据健康个体典型脑连接特征集合，为训练数据ADHD个体典型脑连接特征集合，和分别表示训练数据健康个体典型脑连接特征和训练数据ADHD个体典型脑连接特征，nc和na分别为健康个体和ADHD个体的样本个数，则在假设和假设下的训练数据健康个体典型脑连接特征分别表示为和在假设和假设下的训练数据ADHD个体典型脑连接特征分别表示为和
优选地，所述步骤2中对偶子空间学习，通过设计多个子空间度量，从而学习获得ADHD脑连接特征子空间Qa和健康脑连接特征子空间Qc，具体步骤如下：
步骤2-1：设计子空间能量度量，所述子空间能量度量为训练数据健康个体和ADHD个体典型脑连接特征集合在所属子空间上投影成分的能量和，标识为Emajor，如式(1)表示：
式(1)中，为ADHD脑连接特征子空间，为健康脑连接特征子空间，且子空间Qc和Qa定义为互为对偶的子空间，其中，和分别为ADHD脑连接特征子空间和健康脑连接特征子空间的正交基，r为正交基的个数；
步骤2-2：设计子空间干扰能量度量，所述子空间干扰能量度量为训练数据健康个体和ADHD个体典型脑连接特征集合在各自对偶子空间上的投影成分的能量和，标识为Einf，如式(2)所示：
步骤2-3：设计子空间距离度量，所述子空间距离度量为训练数据健康个体和ADHD个体典型脑连接特征集合在各自所属子空间上所有投影成分与对应对偶子空间上所有投影成分的差的能量和，如式(3)所示：
其中，和分别表示训练数据第i个健康个体典型脑连接特征和训练数据第j个ADHD个体典型脑连接特征；
步骤2-4：设计图平滑度量，所述图平滑度量采用平滑矩阵描述训练数据健康个体和ADHD个体典型脑连接特征集合在所属子空间和对应对偶子空间中投影成分之间渐变的平滑度，所述图平滑度量定义如式(4)所示：
其中，Lc＝Dc-Wc和La＝Da-Wa分别为训练数据健康个体和ADHD个体典型脑连接特征集合的平滑矩阵，其中，Wc为nc×nc的全1矩阵，Wa为na×na的全1矩阵，Dc为nc×nc的对角线元素数值全为Nc的对角阵，Da为na×na的对角线元素数值全为Na的对角阵；
步骤2-5：根据上述步骤中设计的多个子空间度量，构建对偶子空间学习模型，用于获得的最优对偶子空间，所述对偶子空间学习模型如式(5)所示：
式(5)中，α、γ、η、λ均为权重系数，记为根据对偶子空间模型获得的最优对偶子空间。
优选地，所述步骤3中的测试数据分别在假设和假设下对应训练数据典型脑连接特征在对偶子空间上投影成分的能量和的具体计算步骤如下：
步骤3-1：计算测试数据在假设下训练数据典型脑连接特征在最优对偶子空间上投影成分的能量和 为在假设下训练数据典型脑连接特征的子空间能量和子空间干扰能量之和，如式(6)所示：
步骤3-2：计算测试数据在假设下训练数据典型脑连接特征在最优对偶子空间上投影成分的能量和 为假设下训练数据典型脑连接特征的子空间能量和子空间干扰能量之和，如式(7)所示：
有益效果：本发明提供一种基于脑连接对偶子空间学习的ADHD分类诊断方法，通过对测试数据作不同假设，在训练数据典型脑连接特征的获取中加入部分测试数据信息，进而增强训练数据典型脑连接特征的鲁棒性。然后通过偶子空间学习过程，在测试数据假设和假设下，各自获得ADHD脑连接特征子空间Qa和健康脑连接特征子空间Qc分离度较好的对偶子空间和比较测试数据假设和假设下对应训练数据典型脑连接特征在对偶子空间上投影成分的能量和，从而实现更好的分类效果，分类准确率约为90％，优于现有多种ADHD分类诊断方法，目前现有ADHD分类诊断方法的分类准确率大都在65％至85％，且对不同ADHD数据库分类准确率波动较大。
附图说明
图1是基于对偶子空间学习的ADHD分类方法示意图；
图2是NYU数据集对偶子空间学习结果；
图3是PU数据集对偶子空间学习结果；
图4是测试数据(健康个体脑连接数据测试样本)在不同假设下的子空间能量比较；
图5是测试数据(ADHD个体脑连接数据测试样本)在不同假设下的子空间能量比较；
图6是不同数据集下的本发明分类诊断结果比较。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案，下面对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
下面结合附图对本发明的技术方案做了进一步的详细说明：
一种基于脑连接对偶子空间学习的ADHD分类诊断方法，如图1所示，具体步骤如下：
步骤1：获取测试数据在不同类别假设下的训练数据典型脑连接特征，其中，所述测试数据为待诊断的个体脑连接数据，对所述测试数据做不同的类别假设标注，所述类别假设包括ADHD疾病个体假设和健康个体假设分别简称为假设和假设，并将已进行类别假设标注的测试数据和训练数据一起进行典型脑连接特征选择，获得测试数据在不同类别假设下对应训练数据的典型脑连接特征，其中，所述训练数据为已进行诊断标注的一组个体脑连接数据集；
步骤2：对偶子空间学习，根据测试数据在假设和假设下对应训练数据的典型脑连接特征，利用对偶子空间学习方法获得假设下的对偶子空间和假设下的对偶子空间其中，表示在假设下健康脑连接特征子空间，表示在假设下ADHD脑连接特征子空间,表示在假设下健康脑连接特征子空间，表示在假设下ADHD脑连接特征子空间；
步骤3：分别计算测试数据在假设和假设下对应训练数据典型脑连接特征在对偶子空间上投影成分的能量和，其中，记为测试数据在假设下训练数据典型脑连接特征在对偶子空间上投影成分的能量和，记为测试数据在假设下训练数据典型脑连接特征在对偶子空间上投影成分的能量和；
步骤4：基于步骤3求得的测试数据在假设和假设下对应训练数据典型脑连接特征在对偶子空间上投影成分的能量和，进行ADHD分类诊断，比较测试数据分别在假设和假设下对应训练数据典型脑连接特征在对偶子空间上投影成分的能量和，即和选取能量和大的对应假设作为测试数据的真实假设，从而确定测试数据所属个体为ADHD疾病或健康个体，最终完成ADHD疾病诊断分类过程。
优选地，所述步骤1中获取测试数据在不同的类别假设下对应训练数据的典型脑连接特征的具体步骤如下：
步骤1-1：对所述测试数据做不同的类别假设标注，将已给定类别假设的测试数据与训练数据一起参加典型脑连接特征选择过程；
步骤1-2：利用特征选择方法，获得该类别假设下训练数据脑连接特征的可靠性排序，并按脑连接特征的可靠性由大至小对训练数据中各个体的脑连接样本截取前k条对应脑连接特征作为个体典型脑连接特征；
步骤1-3：随后将步骤1-2所述的个体典型脑连接特征构成训练数据典型脑连接特征，按不同的类别假设，可得测试数据在假设下训练数据典型脑连接特征为测试数据在假设下训练数据典型脑连接特征为在此，令为训练数据健康个体典型脑连接特征集合，为训练数据ADHD个体典型脑连接特征集合，和分别表示训练数据健康个体典型脑连接特征和训练数据ADHD个体典型脑连接特征，nc和na分别为健康个体和ADHD个体的样本个数，则在假设和假设下的训练数据健康个体典型脑连接特征分别表示为和在假设和假设下的训练数据ADHD个体典型脑连接特征分别表示为和
优选地，所述步骤2中对偶子空间学习，通过设计多个子空间度量，从而学习获得ADHD脑连接特征子空间Qa和健康脑连接特征子空间Qc，具体步骤如下：
步骤2-1：设计子空间能量度量，所述子空间能量度量为训练数据健康个体和ADHD个体典型脑连接特征集合在所属子空间上投影成分的能量和，标识为Emajor，如式(1)表示：
式(1)中，为ADHD脑连接特征子空间，为健康脑连接特征子空间，且子空间Qc和Qa定义为互为对偶的子空间，其中，和分别为ADHD脑连接特征子空间和健康脑连接特征子空间的正交基，r为正交基的个数；
步骤2-2：设计子空间干扰能量度量，所述子空间干扰能量度量为训练数据健康个体和ADHD个体典型脑连接特征集合在各自对偶子空间上的投影成分的能量和，标识为Einf，如式(2)所示：
步骤2-3：设计子空间距离度量，所述子空间距离度量为训练数据健康个体和ADHD个体典型脑连接特征集合在各自所属子空间上所有投影成分与对应对偶子空间上所有投影成分的差的能量和，如式(3)所示：
其中，和分别表示训练数据第i个健康个体典型脑连接特征和训练数据第j个ADHD个体典型脑连接特征；
步骤2-4：设计图平滑度量，所述图平滑度量采用平滑矩阵描述训练数据健康个体和ADHD个体典型脑连接特征集合在所属子空间和对应对偶子空间中投影成分之间渐变的平滑度，所述图平滑度量定义如式(4)所示：
其中，Lc＝Dc-Wc和La＝Da-Wa分别为训练数据健康个体和ADHD个体典型脑连接特征集合的平滑矩阵，其中，Wc为nc×nc的全1矩阵，Wa为na×na的全1矩阵，Dc为nc×nc的对角线元素数值全为Nc的对角阵，Da为na×na的对角线元素数值全为Na的对角阵；
步骤2-5：根据上述步骤中设计的多个子空间度量，构建对偶子空间学习模型，用于获得的最优对偶子空间，所述对偶子空间学习模型如式(5)所示：
式(5)中，α、γ、η、λ均为权重系数，记为根据对偶子空间模型获得的最优对偶子空间。
优选地，所述步骤3中的测试数据分别在假设和假设下对应训练数据典型脑连接特征在对偶子空间上投影成分的能量和的具体计算步骤如下：
步骤3-1：计算测试数据在假设下训练数据典型脑连接特征在最优对偶子空间上投影成分的能量和 为在假设下训练数据典型脑连接特征的子空间能量和子空间干扰能量之和，如式(6)所示：
步骤3-2：计算测试数据在假设下训练数据典型脑连接特征在最优对偶子空间上投影成分的能量和 为假设下训练数据典型脑连接特征的子空间能量和子空间干扰能量之和，如式(7)所示：
实施例1：
一种基于脑连接对偶子空间学习的ADHD的分类方法，具体步骤如下：
步骤1：测试数据在不同假设下的训练数据典型脑连接特征获取。对测试数据做不同的类别假设(即ADHD疾病个体假设和健康个体假设分别简称为假设和假设)标注，并将已进行假设标注的测试数据和训练数据一起参与典型脑连接特征选择过程，获得测试数据在不同类别假设下对应训练数据的典型脑连接特征。在此，本发明选用支持向量机-递归特征消除法(SVM-RFE)(该方法属于常规技术手段)获得不同假设下训练数据脑连接特征的可靠性排序，并按脑连接特征的可靠性由大至小对训练数据中各个体的脑连接样本截取前k＝110条对应脑连接作为个体典型脑连接特征，随后构成训练数据典型脑连接特征；
步骤2：对偶子空间学***滑度量)，构建对偶子空间学习模型，如式(5)所示，并根据对偶子空间模型获得的最优对偶子空间此过程中，我们选取子空间正交基个数r＝5；对偶子空间学习模型中权重系数(α,γ,η,λ)因各ADHD数据库在数据库规模、ADHD和健康个体比例、采用的fMRI成像设备等都不尽相同，需根据不同数据库进行单独设置；
步骤3：计算测试数据在假设和假设下对应训练数据典型脑连接特征在对偶子空间上投影成分的能量和。利用式(6)和式(7)分别计算测试数据在假设和假设下训练数据典型脑连接特征在对偶子空间和上投影成分的能量和，即和
步骤4：基于对偶子空间上的能量和进行ADHD分类诊断。比较测试数据假设和假设下对应训练数据典型脑连接特征在对偶子空间上投影成分的能量和，即和选取能量和大的对应假设作为测试数据的真实假设，从而确定测试数据所属个体为ADHD疾病或健康个体，最终完成ADHD疾病诊断分类过程。
本发明在测试ADHD分类诊断准确率时，采用ADHD-200数据集中的NYU(New YorkUniversity medical center)、NI(NeuroImage)、KKI(Kennedy Krieger Institute)和PU(Peking University)数据集验证分类算法的效果。其中训练数据集和测试数据都为脑连接(FC)数据，其由BOLD信号经过处理后得到。具体过程为：首先，对fMRI图像序列进行删除前四个时间帧的数据，时间切片校正，运动校正(第一幅图像作为参考)，4×4×4体素标注，滤波(带通滤波器0.009Hz＜f＜0.08Hz)和平滑(6mm FWHM高斯滤波器)操作，获得每个体素上的矫正后BOLD信号。随后，矫正后BOLD信号依据AAL-116(Automated AnatomicalLabeling-116)脑区模板进行体素匹配，获得每个脑区的平均BOLD信号，其中AAL-116中前90个大脑脑区为本发明的感兴趣脑区(ROI，Regions of Interest)。最后，依据ROI脑区BOLD信号之间的皮尔逊相关系数构建个体的FC，并利用Fisher r-z变换使相关系数服从正态假设，再通过经验阈值截断，进一步去除被认为为噪声的FC数据，最终获得个体的FC数据。从获得的FC中选择一个样本作为测试数据，其他数据作为训练数据，通过留一法交叉验证本发明的ADHD分类诊断准确率。
表1所示为不同ADHD分类诊断方法与本发明方法性能比较。
表1
从表1中可见，本发明的分类诊断准确率最高。其主要得益于通过对测试数据作不同假设，在训练数据典型脑连接特征的获取中加入部分测试数据信息，增强了训练数据典型脑连接特征的鲁棒性。此外，对偶子空间的学习使得ADHD脑连接特征子空间Qa和健康脑连接特征子空间Qc分离度较好，有利于通过训练数据典型脑连接特征在对偶子空间上投影成分的能量和的比较确定真实假设，从而对测试数据获得可靠的诊断结果。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (4)

1.一种基于脑连接对偶子空间学习的ADHD分类诊断方法，其特征是，具体步骤如下：
步骤1：获取测试数据在不同类别假设下的训练数据典型脑连接特征，其中，所述测试数据为待诊断的个体脑连接数据，对所述测试数据做不同的类别假设标注，所述类别假设包括ADHD疾病个体假设和健康个体假设分别简称为假设和假设，并将已进行类别假设标注的测试数据和训练数据一起进行典型脑连接特征选择，获得测试数据在不同类别假设下对应训练数据的典型脑连接特征，其中，所述训练数据为已进行诊断标注的一组个体脑连接数据集；
步骤2：对偶子空间学习，根据测试数据在假设和假设下对应训练数据的典型脑连接特征，利用对偶子空间学习方法获得假设下的对偶子空间和假设下的对偶子空间其中，表示在假设下健康脑连接特征子空间，表示在假设下ADHD脑连接特征子空间,表示在假设下健康脑连接特征子空间，表示在假设下ADHD脑连接特征子空间；
步骤3：分别计算测试数据在假设和假设下对应训练数据典型脑连接特征在对偶子空间上投影成分的能量和，其中，记为测试数据在假设下训练数据典型脑连接特征在对偶子空间上投影成分的能量和，记为测试数据在假设下训练数据典型脑连接特征在对偶子空间上投影成分的能量和；
步骤4：基于步骤3求得的测试数据在假设和假设下对应训练数据典型脑连接特征在对偶子空间上投影成分的能量和，进行ADHD分类诊断，比较测试数据分别在假设和假设下对应训练数据典型脑连接特征在对偶子空间上投影成分的能量和，即和选取能量和大的对应假设作为测试数据的真实假设，从而确定测试数据所属个体为ADHD疾病或健康个体，最终完成ADHD疾病诊断分类过程。
2.根据权利要求1所述的一种基于脑连接对偶子空间学习的ADHD分类诊断方法，其特征在于，所述步骤1中获取测试数据在不同的类别假设下对应训练数据的典型脑连接特征的具体步骤如下：
步骤1-1：对所述测试数据做不同的类别假设标注，将已给定类别假设的测试数据与训练数据一起参加典型脑连接特征选择过程；
步骤1-2：利用特征选择方法，获得该类别假设下训练数据脑连接特征的可靠性排序，并按脑连接特征的可靠性由大至小对训练数据中各个体的脑连接样本截取前k条对应脑连接特征作为个体典型脑连接特征；
步骤1-3：随后将步骤1-2所述的个体典型脑连接特征构成训练数据典型脑连接特征，按不同的类别假设，可得测试数据在假设下训练数据典型脑连接特征为测试数据在假设下训练数据典型脑连接特征为在此，令为训练数据健康个体典型脑连接特征集合，为训练数据ADHD个体典型脑连接特征集合，和分别表示训练数据健康个体典型脑连接特征和训练数据ADHD个体典型脑连接特征，nc和na分别为健康个体和ADHD个体的样本个数，则在假设和假设下的训练数据健康个体典型脑连接特征分别表示为和在假设和假设下的训练数据ADHD个体典型脑连接特征分别表示为和
3.根据权利要求1所述的一种基于脑连接对偶子空间学习的ADHD分类诊断方法，其特征在于：所述步骤2中对偶子空间学习，通过设计多个子空间度量，从而学习获得ADHD脑连接特征子空间Qa和健康脑连接特征子空间Qc，具体步骤如下：
步骤2-1：设计子空间能量度量，所述子空间能量度量为训练数据健康个体和ADHD个体典型脑连接特征集合在所属子空间上投影成分的能量和，标识为Emajor，如式(1)表示：
式(1)中，为ADHD脑连接特征子空间，为健康脑连接特征子空间，且子空间Qc和Qa定义为互为对偶的子空间，其中，和分别为ADHD脑连接特征子空间和健康脑连接特征子空间的正交基，r为正交基的个数；
步骤2-2：设计子空间干扰能量度量，所述子空间干扰能量度量为训练数据健康个体和ADHD个体典型脑连接特征集合在各自对偶子空间上的投影成分的能量和，标识为Einf，如式(2)所示：
步骤2-3：设计子空间距离度量，所述子空间距离度量为训练数据健康个体和ADHD个体典型脑连接特征集合在各自所属子空间上所有投影成分与对应对偶子空间上所有投影成分的差的能量和，如式(3)所示：
其中，和分别表示训练数据第i个健康个体典型脑连接特征和训练数据第j个ADHD个体典型脑连接特征；
步骤2-4：设计图平滑度量，所述图平滑度量采用平滑矩阵描述训练数据健康个体和ADHD个体典型脑连接特征集合在所属子空间和对应对偶子空间中投影成分之间渐变的平滑度，所述图平滑度量定义如式(4)所示：
G＝tr(Qc TXcLcXc TQc+Qa TXcLcXc TQa)+tr(Qc TXaLaXa TQc+Qa TXaLaXa TQa)(4)；
其中，Lc＝Dc-Wc和La＝Da-Wa分别为训练数据健康个体和ADHD个体典型脑连接特征集合的平滑矩阵，其中，Wc为nc×nc的全1矩阵，Wa为na×na的全1矩阵，Dc为nc×nc的对角线元素数值全为Nc的对角阵，Da为na×na的对角线元素数值全为Na的对角阵；
步骤2-5：根据上述步骤中设计的多个子空间度量，构建对偶子空间学习模型，用于获得的最优对偶子空间，所述对偶子空间学习模型如式(5)所示：
式(5)中，α、γ、η、λ均为权重系数，记为根据对偶子空间模型获得的最优对偶子空间。
4.根据权利要求1所述的一种基于脑连接对偶子空间学习的ADHD分类诊断方法，其特征在于，所述步骤3中的测试数据分别在假设和假设下对应训练数据典型脑连接特征在对偶子空间上投影成分的能量和的具体计算步骤如下：
步骤3-1：计算测试数据在假设下训练数据典型脑连接特征在最优对偶子空间上投影成分的能量和为在假设下训练数据典型脑连接特征的子空间能量和子空间干扰能量之和，如式(6)所示：
步骤3-2：计算测试数据在假设下训练数据典型脑连接特征在最优对偶子空间上投影成分的能量和为假设下训练数据典型脑连接特征的子空间能量和子空间干扰能量之和，如式(7)所示：
CN201910604444.9A 2019-07-05 2019-07-05 一种基于脑连接对偶子空间学习的adhd分类诊断方法 Active CN110335685B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910604444.9A CN110335685B (zh) 2019-07-05 2019-07-05 一种基于脑连接对偶子空间学习的adhd分类诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910604444.9A CN110335685B (zh) 2019-07-05 2019-07-05 一种基于脑连接对偶子空间学习的adhd分类诊断方法

Publications (2)

Publication Number Publication Date
CN110335685A true CN110335685A (zh) 2019-10-15
CN110335685B CN110335685B (zh) 2022-08-05

Family

ID=68143205

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910604444.9A Active CN110335685B (zh) 2019-07-05 2019-07-05 一种基于脑连接对偶子空间学习的adhd分类诊断方法

Country Status (1)

Country Link
CN (1) CN110335685B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107679461A (zh) * 2017-09-12 2018-02-09 国家新闻出版广电总局广播科学研究院 基于对偶综合‑解析字典学习的行人再识别方法
CN108229066A (zh) * 2018-02-07 2018-06-29 北京航空航天大学 一种基于多模态超连接脑网络建模的帕金森自动识别方法
CN108937922A (zh) * 2018-04-13 2018-12-07 中国地质大学（武汉） 一种adhd的诊断模型建立方法、存储模块以及处理设备
CN109359403A (zh) * 2018-10-29 2019-02-19 上海市同济医院 一种基于面孔表情识别磁共振成像的精神***症早期诊断模型及其应用

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107679461A (zh) * 2017-09-12 2018-02-09 国家新闻出版广电总局广播科学研究院 基于对偶综合‑解析字典学习的行人再识别方法
CN108229066A (zh) * 2018-02-07 2018-06-29 北京航空航天大学 一种基于多模态超连接脑网络建模的帕金森自动识别方法
CN108937922A (zh) * 2018-04-13 2018-12-07 中国地质大学（武汉） 一种adhd的诊断模型建立方法、存储模块以及处理设备
CN109359403A (zh) * 2018-10-29 2019-02-19 上海市同济医院 一种基于面孔表情识别磁共振成像的精神***症早期诊断模型及其应用

Also Published As

Publication number Publication date
CN110335685B (zh) 2022-08-05

Similar Documents

Publication Publication Date Title
Schilling et al. Tractography dissection variability: What happens when 42 groups dissect 14 white matter bundles on the same dataset?
CN113255728B (zh) 一种基于图嵌入和多模态脑网络的抑郁症分类方法
CN109509552A (zh) 一种基于功能连接网络的多层次特征融合的精神病自动判别方法
CN111415324B (zh) 基于磁共振成像的脑病灶图像空间分布特征的分类鉴别方法
CN110097968A (zh) 基于静息态功能磁共振影像的婴儿脑龄预测方法、***
CN109528197A (zh) 基于脑功能图谱的猴-人跨物种迁移进行精神疾病的个体化预测方法和***
CN111009321A (zh) 一种机器学习分类模型在青少年孤独症辅助诊断中的应用方法
Coupé et al. LesionBrain: an online tool for white matter lesion segmentation
CN109522894A (zh) 一种探测fMRI脑网络动态协变的方法
Bonacchi et al. Role of artificial intelligence in MS clinical practice
CN112418337B (zh) 基于脑功能超网络模型的多特征融合数据分类方法
Han et al. A novel convolutional variation of broad learning system for Alzheimer’s disease diagnosis by using MRI images
CN109190699A (zh) 一种基于多任务学习的多疾病联合测定方法
Osmanlıoğlu et al. Connectomic assessment of injury burden and longitudinal structural network alterations in moderate‐to‐severe traumatic brain injury
Singh MRI Brain Tumor Segmentation using Cuckoo Optimization and Ensemble CNNs
CN113255734A (zh) 一种基于自监督学习和迁移学习的抑郁症分类方法
Koch et al. Evaluating reproducibility and subject-specificity of microstructure-informed connectivity
CN110335685A (zh) 一种基于脑连接对偶子空间学习的adhd分类诊断方法
de Vos et al. Pre-trained MRI-based Alzheimer's disease classification models to classify memory clinic patients
CN109522968A (zh) 一种基于串行双任务网络的病灶区检测方法及***
CN114723937A (zh) 一种基于核磁共振影像的血管周围间隙分类方法及***
Kelly et al. Machine learning-optimized Combinatorial MRI scale (COMRISv2) correlates highly with cognitive and physical disability scales in Multiple Sclerosis patients
CN113378898A (zh) 基于相对熵损失函数卷积神经网络的脑龄预测方法
Operto et al. Structural group analysis of cortical curvature and depth patterns in the developing brain
CN115240014B (zh) 基于残差神经网络的医学图像分类***

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant