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 PDF

Info

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
Application number
CN201910604444.9A
Other languages
English (en)
Other versions
CN110335685A (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

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

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
Figure BDA0002120247770000031
和健康个体假设
Figure BDA0002120247770000032
分别简称为
Figure BDA0002120247770000033
假设和
Figure BDA0002120247770000034
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
Figure BDA0002120247770000035
假设和
Figure BDA0002120247770000036
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
Figure BDA0002120247770000037
假设下的对偶子空间
Figure BDA0002120247770000038
和
Figure BDA0002120247770000039
假设下的对偶子空间
Figure BDA00021202477700000310
其中，
Figure BDA00021202477700000311
表示在
Figure BDA00021202477700000312
假设下健康脑连接特征子空间，
Figure BDA00021202477700000313
表示在
Figure BDA00021202477700000314
假设下ADHD脑连接特征子空间,
Figure BDA00021202477700000315
表示在
Figure BDA00021202477700000316
假设下健康脑连接特征子空间，
Figure BDA00021202477700000317
表示在
Figure BDA00021202477700000318
假设下ADHD脑连接特征子空间；
步骤3：分别计算测试数据在
Figure BDA00021202477700000319
假设和
Figure BDA00021202477700000320
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
Figure BDA00021202477700000321
为测试数据在
Figure BDA00021202477700000322
假设下训练数据典型脑连接特征在对偶子空间
Figure BDA00021202477700000323
上投影成分的能量和，记
Figure BDA00021202477700000324
为测试数据在
Figure BDA00021202477700000325
假设下训练数据典型脑连接特征在对偶子空间
Figure BDA00021202477700000326
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
Figure BDA00021202477700000327
假设和
Figure BDA00021202477700000328
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
Figure BDA00021202477700000329
假设和
Figure BDA00021202477700000330
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
Figure BDA00021202477700000331
和
Figure BDA00021202477700000332
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
Figure BDA0002120247770000041
假设下训练数据典型脑连接特征为
Figure BDA0002120247770000042
测试数据在
Figure BDA0002120247770000043
假设下训练数据典型脑连接特征为
Figure BDA0002120247770000044
在此，令
Figure BDA0002120247770000045
为训练数据健康个体典型脑连接特征集合，
Figure BDA0002120247770000046
为训练数据ADHD个体典型脑连接特征集合，
Figure BDA0002120247770000047
和
Figure BDA0002120247770000048
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
Figure BDA0002120247770000049
假设和
Figure BDA00021202477700000410
假设下的训练数据健康个体典型脑连接特征分别表示为
Figure BDA00021202477700000411
和
Figure BDA00021202477700000412
在
Figure BDA00021202477700000413
假设和
Figure BDA00021202477700000414
假设下的训练数据ADHD个体典型脑连接特征分别表示为
Figure BDA00021202477700000415
和
Figure BDA00021202477700000416
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：
Figure BDA0002120247770000051
式(1)中，
Figure BDA0002120247770000052
为ADHD脑连接特征子空间，
Figure BDA0002120247770000053
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，
Figure BDA0002120247770000054
和
Figure BDA0002120247770000055
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：
Figure BDA0002120247770000056
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：
Figure BDA0002120247770000057
其中，
Figure BDA0002120247770000058
和
Figure BDA0002120247770000059
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：
Figure BDA0002120247770000061
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：
Figure BDA0002120247770000062
式(5)中，α、γ、η、λ均为权重系数，记
Figure BDA0002120247770000063
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
Figure BDA0002120247770000064
假设和
Figure BDA0002120247770000065
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
Figure BDA0002120247770000066
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
Figure BDA0002120247770000067
Figure BDA0002120247770000068
为在
Figure BDA0002120247770000069
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：
Figure BDA00021202477700000610
步骤3-2：计算测试数据在
Figure BDA00021202477700000611
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
Figure BDA00021202477700000612
Figure BDA00021202477700000613
为
Figure BDA00021202477700000614
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：
Figure BDA0002120247770000071
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
Figure BDA0002120247770000072
假设和
Figure BDA0002120247770000073
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
Figure BDA0002120247770000074
和
Figure BDA0002120247770000075
比较测试数据
Figure BDA0002120247770000076
假设和
Figure BDA0002120247770000077
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
Figure BDA0002120247770000081
和健康个体假设
Figure BDA0002120247770000082
分别简称为
Figure BDA0002120247770000083
假设和
Figure BDA0002120247770000084
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
Figure BDA0002120247770000085
假设和
Figure BDA0002120247770000086
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
Figure BDA0002120247770000087
假设下的对偶子空间
Figure BDA0002120247770000088
和
Figure BDA0002120247770000089
假设下的对偶子空间
Figure BDA00021202477700000810
其中，
Figure BDA00021202477700000811
表示在
Figure BDA00021202477700000812
假设下健康脑连接特征子空间，
Figure BDA00021202477700000813
表示在
Figure BDA00021202477700000814
假设下ADHD脑连接特征子空间,
Figure BDA00021202477700000815
表示在
Figure BDA00021202477700000816
假设下健康脑连接特征子空间，
Figure BDA00021202477700000817
表示在
Figure BDA00021202477700000818
假设下ADHD脑连接特征子空间；
步骤3：分别计算测试数据在
Figure BDA0002120247770000091
假设和
Figure BDA0002120247770000092
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
Figure BDA0002120247770000093
为测试数据在
Figure BDA0002120247770000094
假设下训练数据典型脑连接特征在对偶子空间
Figure BDA0002120247770000095
上投影成分的能量和，记
Figure BDA0002120247770000096
为测试数据在
Figure BDA0002120247770000097
假设下训练数据典型脑连接特征在对偶子空间
Figure BDA0002120247770000098
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
Figure BDA0002120247770000099
假设和
Figure BDA00021202477700000910
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
Figure BDA00021202477700000911
假设和
Figure BDA00021202477700000912
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
Figure BDA00021202477700000913
和
Figure BDA00021202477700000914
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
Figure BDA00021202477700000915
假设下训练数据典型脑连接特征为
Figure BDA00021202477700000916
测试数据在
Figure BDA00021202477700000917
假设下训练数据典型脑连接特征为
Figure BDA0002120247770000101
在此，令
Figure BDA0002120247770000102
为训练数据健康个体典型脑连接特征集合，
Figure BDA0002120247770000103
为训练数据ADHD个体典型脑连接特征集合，
Figure BDA0002120247770000104
和
Figure BDA0002120247770000105
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
Figure BDA0002120247770000106
假设和
Figure BDA0002120247770000107
假设下的训练数据健康个体典型脑连接特征分别表示为
Figure BDA0002120247770000108
和
Figure BDA0002120247770000109
在
Figure BDA00021202477700001010
假设和
Figure BDA00021202477700001011
假设下的训练数据ADHD个体典型脑连接特征分别表示为
Figure BDA00021202477700001012
和
Figure BDA00021202477700001013
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：
Figure BDA00021202477700001014
式(1)中，
Figure BDA00021202477700001015
为ADHD脑连接特征子空间，
Figure BDA00021202477700001016
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，
Figure BDA00021202477700001017
和
Figure BDA00021202477700001018
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：
Figure BDA0002120247770000111
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：
Figure BDA0002120247770000112
其中，
Figure BDA0002120247770000113
和
Figure BDA0002120247770000114
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：
Figure BDA0002120247770000115
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：
Figure BDA0002120247770000116
式(5)中，α、γ、η、λ均为权重系数，记
Figure BDA0002120247770000117
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
Figure BDA0002120247770000121
假设和
Figure BDA0002120247770000122
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
Figure BDA0002120247770000123
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
Figure BDA0002120247770000124
Figure BDA0002120247770000125
为在
Figure BDA0002120247770000126
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：
Figure BDA0002120247770000127
步骤3-2：计算测试数据在
Figure BDA0002120247770000128
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
Figure BDA0002120247770000129
Figure BDA00021202477700001210
为
Figure BDA00021202477700001211
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：
Figure BDA00021202477700001212
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
Figure BDA00021202477700001213
和健康个体假设
Figure BDA00021202477700001214
分别简称为
Figure BDA00021202477700001215
假设和
Figure BDA00021202477700001216
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
Figure BDA0002120247770000137
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
Figure BDA0002120247770000138
假设和
Figure BDA0002120247770000139
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
Figure BDA00021202477700001310
假设和
Figure BDA00021202477700001311
假设下训练数据典型脑连接特征在对偶子空间
Figure BDA00021202477700001312
和
Figure BDA00021202477700001313
上投影成分的能量和，即
Figure BDA00021202477700001314
和
Figure BDA00021202477700001315
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
Figure BDA00021202477700001316
假设和
Figure BDA00021202477700001317
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
Figure BDA00021202477700001318
和
Figure BDA00021202477700001319
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
Figure BDA0002120247770000151
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
Figure FDA0002120247760000011
和健康个体假设
Figure FDA0002120247760000012
分别简称为
Figure FDA0002120247760000013
假设和
Figure FDA0002120247760000014
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
Figure FDA0002120247760000015
假设和
Figure FDA0002120247760000016
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
Figure FDA0002120247760000017
假设下的对偶子空间
Figure FDA0002120247760000018
和
Figure FDA0002120247760000019
假设下的对偶子空间
Figure FDA00021202477600000110
其中，
Figure FDA00021202477600000111
表示在
Figure FDA00021202477600000112
假设下健康脑连接特征子空间，
Figure FDA00021202477600000113
表示在
Figure FDA00021202477600000114
假设下ADHD脑连接特征子空间,
Figure FDA00021202477600000115
表示在
Figure FDA00021202477600000116
假设下健康脑连接特征子空间，
Figure FDA00021202477600000117
表示在
Figure FDA00021202477600000118
假设下ADHD脑连接特征子空间；
步骤3：分别计算测试数据在
Figure FDA00021202477600000119
假设和
Figure FDA00021202477600000120
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
Figure FDA00021202477600000121
为测试数据在
Figure FDA00021202477600000122
假设下训练数据典型脑连接特征在对偶子空间
Figure FDA00021202477600000123
上投影成分的能量和，记
Figure FDA00021202477600000124
为测试数据在
Figure FDA00021202477600000125
假设下训练数据典型脑连接特征在对偶子空间
Figure FDA00021202477600000126
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
Figure FDA00021202477600000127
假设和
Figure FDA00021202477600000128
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
Figure FDA0002120247760000021
假设和
Figure FDA0002120247760000022
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
Figure FDA0002120247760000023
和
Figure FDA0002120247760000024
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
Figure FDA0002120247760000025
假设下训练数据典型脑连接特征为
Figure FDA0002120247760000026
测试数据在
Figure FDA0002120247760000027
假设下训练数据典型脑连接特征为
Figure FDA0002120247760000028
在此，令
Figure FDA0002120247760000029
为训练数据健康个体典型脑连接特征集合，
Figure FDA00021202477600000210
为训练数据ADHD个体典型脑连接特征集合，
Figure FDA00021202477600000211
和
Figure FDA00021202477600000212
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
Figure FDA00021202477600000213
假设和
Figure FDA00021202477600000214
假设下的训练数据健康个体典型脑连接特征分别表示为
Figure FDA00021202477600000313
和
Figure FDA0002120247760000032
在
Figure FDA0002120247760000033
假设和
Figure FDA0002120247760000034
假设下的训练数据ADHD个体典型脑连接特征分别表示为
Figure FDA0002120247760000035
和
Figure FDA0002120247760000036
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：
Figure FDA0002120247760000037
式(1)中，
Figure FDA0002120247760000038
为ADHD脑连接特征子空间，
Figure FDA0002120247760000039
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，
Figure FDA00021202477600000310
和
Figure FDA00021202477600000311
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：
Figure FDA00021202477600000312
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：
Figure FDA0002120247760000041
其中，
Figure FDA0002120247760000042
和
Figure FDA0002120247760000043
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：
Figure FDA0002120247760000044
式(5)中，α、γ、η、λ均为权重系数，记
Figure FDA0002120247760000045
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
Figure FDA0002120247760000046
假设和
Figure FDA0002120247760000047
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
Figure FDA0002120247760000051
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
Figure FDA0002120247760000052
为在
Figure FDA0002120247760000059
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：
Figure FDA0002120247760000054
步骤3-2：计算测试数据在
Figure FDA0002120247760000055
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
Figure FDA0002120247760000056
为
Figure FDA0002120247760000057
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：
Figure FDA0002120247760000058
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 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)

* 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
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

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