多源域自适应脑网络分类方法、系统、设备及存储介质技术方案

本发明专利技术公开了一种多源域自适应脑网络分类方法、系统、设备及存储介质，方法包括：采用滑动窗口沿时间轴对具有多个时间点的4D rs

【技术实现步骤摘要】
多源域自适应脑网络分类方法、系统、设备及存储介质


[0001]本专利技术属于迁移学习领域，具体涉及一种多源域自适应脑网络分类方法、系统、设备及存储介质。

技术介绍

[0002]静息态功能磁共振成像（resting
‑
state fMRI，rs
‑
fMRI）技术是研究脑部疾病的重要工具。rs
‑
fMRI与深度学习算法的结合被认为可以揭示隐藏在脑功能连接中的病理特征，从而协助脑部疾病的早期诊断和预测。深度学习在分类任务上表现好的前提是输入数据的特征遵循独立同分布的假设，然而在医学图像研究领域，这个条件往往很难同时满足。一般来说，各个医学中心使用的数据采集仪器、采集参数和采集协议不尽相同，数据采集的过程也存在不可控的因素，导致了各个医学中心（领域）采集的数据在分布上存在较大的差异性。
[0003]不同于自然图像领域，在医学图像研究领域获得带有标签的样本是非常困难的，因为为医学图像制作标签是十分昂贵且耗时的任务。为了对无标签的数据进行分类，之前的方法是将一些相关领域（源域）的经过预训练的模型迁移到当前的领域（目标域）中来，但是由于源域与目标域的数据分布存在较大的差异性，直接迁移会导致模型对无标签数据分类的效果低于预期。域自适应方法作为一种解决医学图像数据集之间数据分布不一致问题的一种较好的解决方案，可以最大限度地减小领域与领域之间的数据分布差异。
[0004]一些多源域自适应研究方法试图将所有的源域及目标域的数据映射到同一公共空间，以此学习域不变特征，然而源域与源域之间的数据分布也可能会存在较大差异，如果强行在多个源域之间将数据映射到同一空间，不仅来自源域和目标域的所有数据会被混淆，而且区分结构也会被混淆，导致性能表现不如使用单个源域。其次，现有的方法在对目标域样本的标签进行预测时会综合考虑多个特定于域的分类器的结果。然而对于处于分类边界的样本而言，不同特定于域的分类器对其的分类结果可能会存在较大差异，因此不能简单的认为来自目标域的数据可以全部被特定于域的分类器分类。最后，对于rs
‑
fMRI这种同时具有空域信息和时域信息的数据而言，其在时序上的依赖关系结构复杂，如果直接使用最大均值差异这种常用于度量静态数据分布之间距离的方法，会给原有的时序依赖结构增加很多冗余的关系，导致严重的过拟合现象。
[0005]此外，rs
‑
fMRI包含了空域信息和时域信息，仅使用三维卷积神经网络（3D CNN）或者循环神经网络（RNN）都无法很好地同时处理这两种信息。针对rs
‑
fMRI数据的处理，现有的方法一般是将其转换为功能连接矩阵或者切片为2D或3D的图片来使用，然而这个过程存在着大量的信息损失，导致最后的结果可信度和可解释性都较差。

技术实现思路

[0006]本专利技术旨在至少解决现有技术中存在的技术问题。为此，本专利技术提出一种多源域自适应脑网络分类方法、系统、设备及存储介质，对4D rs
‑
fMRI进行预处理后，将预处理后
的4D rs
‑
fMRI采用滑动窗口沿时间轴进行采样并将样本输入分类神经网络模型提取特征，保留其空域信息和时域信息，其次对来自多个源域的样本，通过为每个源域设置特定于域的鉴别器，利用对抗性学习的方法将每一对源域与目标域的数据映射到不同的特征空间，避免了混淆原有数据的时序依赖结构，实现每一对源域与目标域数据分布的对齐，让分类神经网络学习多个源域的公共特征，一定程度上解决了源域和目标域的数据分布不同的问题，通过总损失利用反向传播机制，更新分类神经网络模型，使处在分类边界附近的目标域样本在不同特定于域的分类器上的分类结果的差异性变小，从而对齐各个特定于域的分类器。
[0007]第一方面，本专利技术的实施例提供了一种多源域自适应脑网络分类方法，包括以下步骤：步骤S101、对具有多个时间点的4D rs
‑
fMRI进行预处理，采用滑动窗口沿时间轴对预处理后的4D rs
‑
fMRI进行采样得到样本集，总共获取N个来自不同源域的源域样本集和一个来自目标域的目标域样本集；步骤S102、利用所述源域样本集和所述目标域样本集对预先构建的分类神经网络模型进行训练，其中，所述分类神经网络模型包括N+1个共享权重的特征提取器、N个域鉴别器以及N个分类器，每个所述域鉴别器与唯一对应的所述特征提取器之间进行对抗性学习，所述分类神经网络模型的训练过程包括：步骤S1021、将所述源域样本集的样本输入至其所述源域对应的所述特征提取器中，得到所述特征提取器输出的第一公共特征，将所述第一公共特征分别输入至所述源域对应的所述域鉴别器和所述分类器中，得到所述域鉴别器输出的第一鉴别结果和所述分类器输出的第一分类结果；步骤S1022、将所述目标域样本集的样本输入至其所述目标域对应的所述特征提取器中，得到所述特征提取器输出的第二公共特征，将所述第二公共特征分别输入至每个所述域鉴别器和每个所述分类器中，得到每个所述域鉴别器输出的第二鉴别结果和每个所述分类器输出的第二分类结果；步骤S1023、根据所述第一鉴别结果、所述第二鉴别结果、所述第一分类结果和所述第二分类结果计算所述分类神经网络模型的总损失；步骤S1024、根据所述总损失，采用反向传播机制更新所述分类神经网络模型；步骤S103、重复步骤S101至步骤S102，直至得到训练完成的所述分类神经网络模型。
[0008]根据本专利技术的实施例，至少具有如下技术效果：对4D rs
‑
fMRI进行预处理后采用滑窗方法沿着时间轴进行采样得到样本集，保留其空域信息和时域信息；为每个源域设置一个对应的域鉴别器，将目标域的样本输入每一个与源域对应的域鉴别器，利用对抗性学习的方法将每一对源域与目标域的数据映射到不同的特征空间，保留原有数据的时序依赖结构，避免了过拟合现象，实现每一对源域与目标域数据分布的对齐，一定程度上解决了源域和目标域的数据分布不同的问题；通过域鉴别器和分类器的输出结果利用损失函数计算出总损失，并采用反向传播机制更新分类神经网络模型，最小化分类神经网络模型的损失，使处在分类边界附近的目标域样本在特定于域的分类器上的分类结果的差异性变小，从而对齐各个特定于域的分类器，让目标域样本的
分类结果具有鲁棒性。
[0009]根据本专利技术的一些实施例，所述特征提取器包括用于提取空域特征的3D CNN网络和用于提取时域特征的LSTM网络。
[0010]根据本专利技术的一些实施例，所述域鉴别器和所述分类器均采用Softmax函数作为结果层的激活函数。
[0011]根据本专利技术的一些实施例，所述总损失的计算公式包括：根据本专利技术的一些实施例，所述总损失的计算公式包括：其中，表示总损失，表示根据所述第一分类结果计算损失函数的结果，表示根据所述第一鉴别结果计算损失函数的结果，表示根据所述第二鉴别结果计算损失函数的结果，表示根据所述第二分类结果计算损失函数的结果，和表示预设的0至1之间的超参数；表示源域的样本，表本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多源域自适应脑网络分类方法，其特征在于，包括以下步骤：步骤S101、对具有多个时间点的4D rs
‑
fMRI进行预处理，采用滑动窗口沿时间轴对预处理后的4D rs
‑
fMRI进行采样得到样本集，总共获取N个来自不同源域的源域样本集和一个来自目标域的目标域样本集；步骤S102、利用所述源域样本集和所述目标域样本集对预先构建的分类神经网络模型进行训练，其中，所述分类神经网络模型包括N+1个共享权重的特征提取器、N个域鉴别器以及N个分类器，每个所述域鉴别器与唯一对应的所述特征提取器之间进行对抗性学习，所述分类神经网络模型的训练过程包括：步骤S1021、将所述源域样本集的样本输入至其所述源域对应的所述特征提取器中，得到所述特征提取器输出的第一公共特征，将所述第一公共特征分别输入至其所述源域对应的所述域鉴别器和所述分类器中，得到所述域鉴别器输出的第一鉴别结果和所述分类器输出的第一分类结果；步骤S1022、将所述目标域样本集的样本输入至其所述目标域对应的所述特征提取器中，得到所述特征提取器输出的第二公共特征，将所述第二公共特征分别输入至每个所述域鉴别器和每个所述分类器中，得到每个所述域鉴别器输出的第二鉴别结果和每个所述分类器输出的第二分类结果；步骤S1023、根据所述第一鉴别结果、所述第二鉴别结果、所述第一分类结果和所述第二分类结果计算所述分类神经网络模型的总损失；步骤S1024、根据所述总损失，采用反向传播机制更新所述分类神经网络模型；步骤S103、重复步骤S101至步骤S102，直至得到训练完成的所述分类神经网络模型。2.根据权利要求1所述的一种多源域自适应脑网络分类方法，其特征在于，所述特征提取器包括用于提取空域特征的3D CNN网络和用于提取时域特征的LSTM网络。3.根据权利要求1所述的一种多源域自适应脑网络分类方法，其特征在于，所述域鉴别器和所述分类器均采用Softmax函数作为结果层的激活函数。4.根据权利要求1所述的一种多源域自适应脑网络分类方法，其特征在于，所述总损失的计算公式包括：其中，表示总损失，表示根据所述第一分类结果计算损失函数的结果，表示根
据所述第一鉴别结果计算损失函数的结果，表示根据所述第二鉴别结果计算损失函数的结果，表示根据所述第二分类结果计算损失函数的结果，和表示预设的0至1之间的超参数；表示源域的样本，表示从所述源域的样本提取的公共特征，表示所述第一分类结果，表示源域的样本对应的分类标签，表示交叉损失熵函数，表示所述源域的个数，表示数学期望，表示所述目标域用于所述域鉴别器的样本，表示从所述目标域用于所述域鉴别器的样本提取的公共特征，表示所述第二鉴别结果，表示目标域样本对应的鉴别标签，表示所述目...

【专利技术属性】
技术研发人员：唐艳，童干，彭春华，张昊，
申请(专利权)人：中南大学，
类型：发明
国别省市：