一种脑疾病数据的纵向分析方法、系统及装置制造方法及图纸

本发明专利技术公开了一种脑疾病数据的纵向分析方法、系统及装置，所述方法包括步骤：对多中心多时间点rs

【技术实现步骤摘要】
一种脑疾病数据的纵向分析方法、系统及装置


[0001]本专利技术涉及疾病数据分析
，特别涉及一种脑疾病数据的纵向分析方法、存储介质、系统及装置。

技术介绍

[0002]阿尔茨海默病(Alzheimer
’
s Disease，AD)是神经退行性疾病中最严重的病证之一，全球约60-80％的痴呆病例是由AD引起的。记忆与认知能力下降是其主要早期的症状，严重者将生活不能自理，并将在3-10年内死亡。据2018年世界阿尔茨海默病协会报告显示，目前全球的AD患者总数约为5000万，预计到2050年这个数字将增加到约1.52亿。研究表明，2015年全球估计在痴呆病的花费将超过9755.6亿美元，远高于2015年世界阿尔茨海默病报告的预测值8000多亿美元，预计到2030年这一花费将飙升至2.54万亿美元。由此可见，AD已经成为全世界共同面对的难题。具体到国内而言，随着我国老龄化的不断加剧，目前中国AD患者约有1000多万，中国已经成为世界上AD患者人数最多的国家。到目前为止仍未有效的药物用于治疗AD，因此尽早的发现AD的早期阶段，并进行及时的预防和干预是十分必要的。轻度认知障碍(MCI)作为介于AD和正常人之间的一种特殊状态，因其对AD的高转化率以及是AD最佳诊断和干预时期而受到广泛关注，因此临床上对AD的研究广泛集中在对MCI的研究上。
[0003]近年来，人们对MCI的研究主要集中在脑功能连接网络(brain function connected network,BFCN)上，它是以研究静息状态功能性磁共振成像(rs-fMRI)数据的时间序列为基础，通过在脑区之间建立BFCN，以达到从功能上解释MCI的早期脑功能变化的目的。然而，大多数现有的MCI诊断方法是基于单一中心单一时间点的数据，他们忽略了不同中心数据扫描参数、扫描时间点和扫描方式存在明显差异等带来的模型泛化性能差的问题，也忽略了多时间点数据可以提供更多有助于学习的信息和脑疾病是一个动态变化的过程，因此纵向分析可以帮助临床医生了解相关脑区的生理变化，是一个更有意义的研究。

技术实现思路

[0004]本专利技术要解决的技术问题在于，针对现有技术的不足，提供一种脑疾病数据的纵向分析方法、存储介质、系统及装置，旨在解决现有技术基于单一中心单一时间点的rs-fMRI数据进行分析，不便于获取更多相关脑区的生理变化的问题。
[0005]为了解决上述技术问题，本专利技术所采用的技术方案如下：
[0006]一种脑疾病数据的纵向分析方法，其中，包括步骤：
[0007]对多中心多时间点rs-fMRI数据进行预处理；
[0008]采用相似性组稀疏网络对经过预处理的rs-fMRI数据分别构建脑功能连接网络；
[0009]利用双向LSTM从所述脑功能连接网络中提取特征，得到代表性特征；
[0010]采用自注意力机制的方法从所述代表性特征提取学习特征，将所述学习特征送入Softmax进行分类。
[0011]所述脑疾病数据的纵向分析方法，其中，所述对多中心多时间点rs-fMRI数据进行预处理包括步骤：
[0012]从ADNI-2和ADNI-3数据库中获得基线和一年后的rs-fMRI数据，作为多中心多时间点rs-fMRI数据；
[0013]丢弃所述多中心多时间点rs-fMRI数据的前10个rs-fMRI序列，得到第一rs-fMRI数据；
[0014]采用头部运动校正、时间配准、平滑和空间归一化方法对所述第一rs-fMRI数据进行扫描差异消除处理，得到第二rs-fMRI数据；
[0015]采用去除基线漂移和滤波高频信号干扰对所述第二rs-fMRI数据进行噪声消除处理，得到第三rs-fMRI数据；
[0016]使用自动解剖标记模板与所述第三rs-fMRI数据进行比对，将大脑空间划分为90个感兴趣区域，并取平均值作为经过预处理的rs-fMRI数据。
[0017]所述脑疾病数据的纵向分析方法，其中，所述采用相似性组稀疏网络对经过预处理的rs-fMRI数据分别构建脑功能连接网络的步骤包括：
[0018]构建相似性组稀疏网络，其目标函数表示为：
[0019]其中，R
g
(W
i
)和R
s
(W
i
)是分别为组稀疏正则化项和相似性约束项；
[0020]其中，
[0021]其中，λ1和λ2分别表示组稀疏正则化项和相似性约束项参数，||W
i
||
2，1
表示的l
2-范数之和，是使相同组的两个连续加权矢量之间的差异性变得尽量小；
[0022]将所述经过预处理的rs-fMRI数据输入到所述相似性组稀疏网络中，构建脑功能连接网络。
[0023]所述脑疾病数据的纵向分析方法，其中，还包括步骤：
[0024]将所述相似性组稀疏网络的目标函数划分为相似性约束和非相似性约束，其中，相似性约束表达式为：非相似性约束表达式为：
[0025]采用公式和对所述相似性约束进行优化，其中，和γ
k
来表示s(W
i
)在处的梯度和步长，γ
k
是通过线搜索确定；
[0026]采用公式和对非相似性约束进行优化，其中，α
n
是一个预训练的值，和γ
j
表示s(W
i
)在处的梯度和步长。
[0027]所述脑疾病数据的纵向分析方法，其中，所述利用双向LSTM从所述脑功能连接网络中提取特征并选择出有代表性的特征包括步骤：
[0028]构建双向LSTM，所述双向LSTM包括向前LSTM和向后LSTM，所述向前LSTM表示为：所述向后LSTM表示为：其中，和分别为向前LSTM的权重,和分别代表向后LSTM的权重,和分别为向前LSTM和向后LSTM的偏差；
[0029]将向前LSTM和向后LSTM相加的最终输出作为双向LSTM的最终输出，其表达式为：
[0030]采用所述双向LSTM表达式从所述脑功能连接网络中提取特征并选择出有代表性的特征。
[0031]所述脑疾病数据的纵向分析方法，其中，所述采用自注意力机制的方法对所述有代表性的特征进行进一步提取学习特征，将所述学习特征送入Softmax进行分类，实现脑疾病的纵向分析的步骤包括：
[0032]构建自注意力机制，其表达式为：其中，Q为查询向量，且Q＝xw
Q
；V为值向量，且V＝xw
v
；K为键向量，且K＝x
r
w
K
；
[0033]将所述有代表性的特征作为所述自注意力机制的输入特征，得到输出结果，实现脑疾病的纵向分析。
[0034]一种纵向分析脑疾病的系统，其中，包括：
[0035]预处理模块，用于对多中心多时间点rs-fMRI数据进行预处理；
[0036]相似性组稀疏网本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种脑疾病数据的纵向分析方法，其特征在于，包括步骤：对多中心多时间点rs-fMRI数据进行预处理；采用相似性组稀疏网络对经过预处理的rs-fMRI数据分别构建脑功能连接网络；利用双向LSTM从所述脑功能连接网络中提取特征，得到代表性特征；采用自注意力机制的方法从所述代表性特征中提取学习特征，将所述学习特征送入Softmax进行分类。2.根据权利要求1所述脑疾病数据的纵向分析方法，其特征在于，所述对多中心多时间点rs-fMRI数据进行预处理包括步骤：从ADNI-2和ADNI-3数据库中获得基线和一年后的rs-fMRI数据，作为多中心多时间点rs-fMRI数据；丢弃所述多中心多时间点rs-fMRI数据的前10个rs-fMRI序列，得到第一rs-fMRI数据；采用头部运动校正、时间配准、平滑和空间归一化方法对所述第一rs-fMRI数据进行扫描差异消除处理，得到第二rs-fMRI数据；采用去除基线漂移和滤波高频信号干扰对所述第二rs-fMRI数据进行噪声消除处理，得到第三rs-fMRI数据；使用自动解剖标记模板与所述第三rs-fMRI数据进行比对，将大脑空间划分为90个感兴趣区域，并取平均值作为经过预处理的rs-fMRI数据。3.根据权利要求1所述脑疾病数据的纵向分析方法，其特征在于，所述采用相似性组稀疏网络对经过预处理的rs-fMRI数据分别构建脑功能连接网络的步骤包括：构建相似性组稀疏网络，其目标函数表示为：其中，R
g
(W
i
)和R
s
(W
i
)是分别为组稀疏正则化项和相似性约束项；其中，其中，其中，λ1和λ2分别表示组稀疏正则化项和相似性约束项参数，||W
i
||
2，1
表示的l
2-范数之和，是使相同组的两个连续加权矢量之间的差异性变得尽量小；将所述经过预处理的rs-fMRI数据输入到所述相似性组稀疏网络中，构建脑功能连接网络。4.根据权利要求3所述脑疾病数据的纵向分析方法，其特征在于，还包括步骤：将所述相似性组稀疏网络的目标函数划分为相似性约束和非相似性约束，其中，相似性约束表达式为：非相似性约束表达式为：采用公式和对所述相似
性约束进行优化，其中，和γ
k
来表示s(W
i
)在处的梯度和步长，γ
k

【专利技术属性】
技术研发人员：雷柏英，刘冬冬，汪天富，杨鹏，
申请(专利权)人：深圳大学，
类型：发明
国别省市：