CN110335685B - 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 PDFInfo
- Publication number
- CN110335685B CN110335685B CN201910604444.9A CN201910604444A CN110335685B CN 110335685 B CN110335685 B CN 110335685B CN 201910604444 A CN201910604444 A CN 201910604444A CN 110335685 B CN110335685 B CN 110335685B
- Authority
- CN
- China
- Prior art keywords
- subspace
- training data
- dual
- brain
- adhd
- 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.)
- Active
Links
- 210000004556 brain Anatomy 0.000 title claims abstract description 210
- 208000006096 Attention Deficit Disorder with Hyperactivity Diseases 0.000 title claims abstract description 97
- 208000036864 Attention deficit/hyperactivity disease Diseases 0.000 title claims abstract description 96
- 230000009977 dual effect Effects 0.000 title claims abstract description 94
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000003745 diagnosis Methods 0.000 title claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 128
- 238000012360 testing method Methods 0.000 claims abstract description 102
- 230000008569 process Effects 0.000 claims abstract description 16
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 15
- 238000002372 labelling Methods 0.000 claims abstract description 12
- 238000009499 grossing Methods 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000010187 selection method Methods 0.000 claims description 3
- 239000003054 catalyst Substances 0.000 claims 1
- 208000015802 attention deficit-hyperactivity disease Diseases 0.000 description 68
- 238000002599 functional magnetic resonance imaging Methods 0.000 description 12
- 230000000694 effects Effects 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000011541 reaction mixture Substances 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 102000001554 Hemoglobins Human genes 0.000 description 1
- 108010054147 Hemoglobins Proteins 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005821 brain abnormality Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000005389 magnetism Effects 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 208000020016 psychiatric disease Diseases 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Developmental Disabilities (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Child & Adolescent Psychology (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Epidemiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Educational Technology (AREA)
- Hospice & Palliative Care (AREA)
- Psychiatry (AREA)
- Psychology (AREA)
- Social Psychology (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (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
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:
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:
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:
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:
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:
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:
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;
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;
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:
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:
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:
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 CN110335685A (zh) | 2019-10-15 |
CN110335685B true 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) |
Family Cites Families (4)
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 |
CN109359403B (zh) * | 2018-10-29 | 2023-04-18 | 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 |
-
2019
- 2019-07-05 CN CN201910604444.9A patent/CN110335685B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110335685A (zh) | 2019-10-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gros et al. | Automatic segmentation of the spinal cord and intramedullary multiple sclerosis lesions with convolutional neural networks | |
CN110506278B (zh) | 隐空间中的目标检测 | |
Dimitriadis et al. | Improving the reliability of network metrics in structural brain networks by integrating different network weighting strategies into a single graph | |
CN113616184A (zh) | 基于多模态磁共振图像的脑网络建模与个体预测方法 | |
CN110503630A (zh) | 一种基于三维深度学习模型的脑出血分类、定位与预测方法 | |
CN101111865A (zh) | 用于在心脏图像中分割左心室的***和方法 | |
US11769237B2 (en) | Multimodal medical image fusion method based on darts network | |
CN103996196A (zh) | 一种基于多变量的dti图像分析方法 | |
CN112418337B (zh) | 基于脑功能超网络模型的多特征融合数据分类方法 | |
Guo et al. | Simultaneous classification and segmentation of intracranial hemorrhage using a fully convolutional neural network | |
CN113610808A (zh) | 基于个体脑连接图的群体脑图谱个体化方法、***和设备 | |
Tan et al. | Combined analysis of sMRI and fMRI imaging data provides accurate disease markers for hearing impairment | |
Ciceri et al. | Review on deep learning fetal brain segmentation from Magnetic Resonance images | |
Eskildsen et al. | Detecting Alzheimer’s disease by morphological MRI using hippocampal grading and cortical thickness | |
CN108197661B (zh) | 基于体素水平脑功能信息的认知活动状态分类***和方法 | |
Uus et al. | 3D black blood cardiovascular magnetic resonance atlases of congenital aortic arch anomalies and the normal fetal heart: application to automated multi-label segmentation | |
CN110335685B (zh) | 一种基于脑连接对偶子空间学习的adhd分类诊断方法 | |
Gómez et al. | APIS: A paired CT-MRI dataset for ischemic stroke segmentation challenge | |
CN113378898B (zh) | 基于相对熵损失函数卷积神经网络的脑龄预测方法 | |
CN114723937A (zh) | 一种基于核磁共振影像的血管周围间隙分类方法及*** | |
Mani | Deep learning models for semantic multi-modal medical image segmentation | |
Zhang et al. | Self-supervised recurrent neural network for 4D abdominal and in-utero MR imaging | |
CN109711467B (zh) | 数据处理装置及方法、计算机*** | |
KR20230015706A (ko) | 구조적, 확산 및 기능적 신경영상과 apoe 유전형을 포함하는 다중모드 특징을 이용하여 알츠하이머병에 대한 진단정보 제공방법 | |
Shi et al. | An unsupervised region of interest extraction model for tau PET images and its application in the diagnosis of Alzheimer's disease |
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 |