一种基于双流编码器的脑功能疾病识别系统

1.本发明涉及医疗诊断技术领域，具体为脑功能疾病识别技术领域，尤其涉及一种基于双流编码器的脑功能疾病识别系统。


背景技术：

2.已知的人类大脑结构非常复杂。静息态功能磁共振成像是研究人脑功能和功能障碍的强有力工具，被广泛用在脑疾病的诊断与识别中。近年来，越来越多的研究者在类似于阿尔兹海默症(ad)、抑郁症(asd)、注意力缺陷多动障碍(adhd)、创伤后应激障碍(ptsd)等脑功能疾病上进行了研究。通过对静息态功能磁共振成像的数据进行处理获得功能性脑连接数据来辅助脑部疾病诊断是现阶段的常用手法。
3.不同于传统的图像数据，脑疾病数据是一种图结构数据。图卷积网络基于图结构的方式让每一个节点学习到相邻节点的信息，即对节点的局部结构信息进行了融合，大概进行两三层网络就能学习到好的特征。
4.此外，利用自动编码器对脑疾病数据提取潜在特征是当前的研究热点。自动编码器由编码器和解码器组成，编码器能学到脑疾病数据的隐式特征，解码器对学习到的特征进行重构使得嵌入特征尽可能保持原始脑疾病数据的局部信息。利用自动编码器不仅可以实现对脑疾病数据的降维，还可以提取到脑网络中更有效的新特征。
5.然而，现有的单一编码器识别对于小样本脑疾病数据的特征提取的信息有限，无法挖掘出更多潜在信息，识别精度有限。
6.因此，亟需一种基于双流编码器的脑功能疾病识别系统，采用双流编码器从不同角度挖掘脑疾病数据中低维且有效的特征，提高脑功能疾病的识别精度。


技术实现要素：

7.针对现有技术的不足，本发明提供一种基于双流编码器的脑功能疾病识别系统，采用双流编码器从不同角度挖掘脑疾病数据中低维且有效的特征，提高脑功能疾病的识别精度。
8.一种基于双流编码器的脑功能疾病识别系统，包括：获取模块，用于获取待识别的静息态脑功能磁共振成像数据；处理模块，用于提取待识别的静息态脑功能磁共振成像数据中的脑功能连接特征；识别模块，用于基于脑功能识别双流编码器，根据脑功能连接特征对脑功能疾病进行识别，输出识别结果。
9.作为本发明的一种实施例，获取模块利用神经成像机器学习工具从待识别的静息态脑功能磁共振成像数据中提取到脑功能连接特征。
10.作为本发明的一种实施例，脑功能识别双流编码器的训练过程包括如下步骤：预设两个不同的编码器，获取若干训练用脑功能连接特征；通过预处理模块对若干训练用脑功能连接特征进行预处理，得到邻接数k；根据邻接数k和训练用脑功能连接特征构造邻接矩阵；基于两个不同的编码器，分别根据脑功能连接特征和邻接矩阵进行编码，生成节点级
信息和第二特征；基于正交约束，对节点级信息和第二特征施加约束作为第一损失值，同时根据预设权重将节点级信息和第二特征投射到另一新子空间生成低维的脑功能特征；根据低维的脑功能特征重构邻接矩阵，得到新的邻接矩阵；预设解码器，基于解码器对低维的脑功能特征进行反编码，生成第三特征，同时计算脑功能连接特征和第三特征的误差作为第二损失值；预设双流编码器网络，每次迭代开始前，将脑功能连接特征和新的邻接矩阵作为本轮迭代的输入，基于第一损失值和第二损失值更新迭代网络层需要学习的网络权重和偏置项，直至满足预设迭代条件终止；训练结束后，提取低维的脑功能特征进行k-means聚类，确定聚类标签。
11.作为本发明的一种实施例，预处理模块包括：对训练用脑功能连接特征交叉验证和计算验证集，得到符合预处理条件的邻接数k；基于knn算法模块，根据邻接数k构造出训练用脑功能连接特征的底层拓扑结构，得到邻接矩阵。
12.作为本发明的一种实施例，脑功能连接特征和邻接矩阵进行编码时，其中任一项或多项至一编码器进行编码，生成节点级信息；输入脑功能连接特征和邻接矩阵其中任一项或多项至另一编码器进行编码，生成第二特征。
13.作为本发明的一种实施例，预设解码器，基于解码器对低维的脑功能特征进行反编码，生成第三特征，包括：预设解码器，将低维的脑功能特征还原至预设原始维度，生成第三特征。
14.本发明的有益效果为：
15.本发明提供一种基于双流编码器的脑功能疾病识别系统，采用双流编码器从不同角度挖掘脑疾病数据中低维且有效的特征，提高脑功能疾病的识别精度。
16.本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
17.下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
18.附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
19.图1为本发明实施例中一种基于双流编码器的脑功能疾病识别系统的流程图；
20.图2为本发明实施例中一种基于双流编码器的脑功能疾病识别系统中脑功能识别双流编码器的训练过程流程图；
21.图3为本发明实施例中一种基于双流编码器的脑功能疾病识别系统中双流编码器的脑疾病识别模块流程图；
22.图4为本发明实施例中一种基于双流编码器的脑功能疾病识别系统的系统模块示意图。
具体实施方式
23.以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
24.请参阅图1，本发明实施例提供了一种基于双流编码器的脑功能疾病识系统，包括：获取模块，用于获取待识别的静息态脑功能磁共振成像数据；处理模块，用于提取待识别的静息态脑功能磁共振成像数据中的脑功能连接特征；识别模块，用于基于脑功能识别双流编码器，根据脑功能连接特征对脑功能疾病进行识别，输出识别结果；
25.上述技术方案的工作原理为：利用神经成像机器学习工具箱从静息态功能磁共振成像数据中提取到脑功能连接特征作为待输入的数据；接着，将脑疾病数据输入至双流编码器中处理，通过作用不同的两个编码器学习到不同的特征，将学习到的两个具有差异性特征投射到一个新的空间融合生成新特征，训练结束后提取特征并对其k-means聚类；最后，接受到聚类标签后，系统自动进行判别，输出待识别数据是否异常；
26.上述技术方案的有益效果为：通过上述技术方案，采用双流编码器从不同角度挖掘脑疾病数据中低维且有效的特征，提高脑功能疾病的识别精度，相较于单一编码器识别精度更高。
27.在一个实施例中，提取待识别的静息态脑功能磁共振成像数据中的脑功能连接特征包括：利用神经成像机器学习工具从待识别的静息态脑功能磁共振成像数据中提取到脑功能连接特征。更进一步地，也可采用其他更加方便的工具提取脑功能连接特征。
28.请参阅图2，在一个实施例中，脑功能识别双流编码器的训练过程包括：预设两个不同的编码器，获取若干训练用脑功能连接特征；对若干训练用脑功能连接特征进行预处理，得到邻接数k；根据邻接数k和训练用脑功能连接特征构造邻接矩阵；基于两个不同的编码器，分别根据脑功能连接特征和邻接矩阵进行编码，生成节点级信息和第二特征；基于正交约束，对节点级信息和第二特征施加约束作为第一损失值，同时根据预设权重将节点级信息和第二特征投射到另一新子空间生成低维的脑功能特征；根据低维的脑功能特征重构邻接矩阵，得到新的邻接矩阵；预设解码器，基于解码器对低维的脑功能特征进行反编码，生成第三特征，同时计算脑功能连接特征和第三特征的误差作为第二损失值；预设双流编码器网络，每次迭代开始前，将脑功能连接特征和新的邻接矩阵作为本轮迭代的输入，基于第一损失值和第二损失值更新迭代网络层需要学习的网络权重和偏置项，直至满足预设迭代条件终止；训练结束后，提取低维的脑功能特征进行k-means聚类，确定聚类标签；
29.其中，对训练用脑功能连接特征交叉验证和计算验证集的方法，得到符合预处理条件的邻接数k；基于knn算法，根据邻接数k构造出训练用脑功能连接特征的底层拓扑结构，得到邻接矩阵；
30.脑功能连接特征和邻接矩阵其中任一项或多项至一编码器进行编码，生成节点级信息；输入脑功能连接特征和邻接矩阵其中任一项或多项至另一编码器进行编码，生成第二特征；
31.预设解码器，基于解码器对低维的脑功能特征进行反编码，生成第三特征，包括：预设解码器，将低维的脑功能特征还原至预设原始维度，生成第三特征；
32.上述技术方案的工作原理为：本发明所采用的双流编码器中的两个编码器的选择可以不同，其中，本发明以图卷积网络编码器和堆栈编码器为例进行说明；本发明基于双流编码器的脑功能疾病识别的算法处理脑疾病数据的过程主要包含若干个步骤：a、待输入的数据集x中有n个样本，每个样本有d个属性；具体来说，首先对数据集中的特征使用k近邻(knn)算法模块计算每个样本与之最近的k个节点：如果样本i与样本j有邻居关系，则认为
样本j与样本i也有邻居关系，从而得到无向图，即邻接矩阵a；b、基于图卷积网络作为编码器1对数据进行编码，特征x和邻接矩阵a作为输入，生成节点级信息g；
33.c、基于堆栈编码器作为编码器2对数据进行编码，特征x作为输入，生成特征h；d、对g和h进行施加正交约束来减少冗余和避免负编码，并对g，h根据权重映射到新的特征空间中，生成特征z，利用z重新计算a；e、利用解码器对要提取的特征进行解码，施加误差目标函数进行约束，特征z作为输入，生成重构的特征x’，计算原始特征x和特征x’的误差作为损失值；f、循环b-e，直到达到迭代终止条件，提取特征z，并对z进行k-means聚类；
34.请参阅图3，具体的，获取待输入数据包括：利用神经成像机器学习工具箱从静息态脑功能磁共振成像数据中提取到脑功能连接特征作为待输入的数据；
35.预处理构造邻接矩阵包括：将待输入的特征(即数据集x)通过交叉验证，选取一个较小的k值开始，不断增加k的值，然后以计算验证集的方法，最终找到一个比较合适的k值；接着，采用knn算法构造出原始特征的底层拓扑结构，即邻接矩阵模块；
[0036][0037]
其中，a
ij
为邻接矩阵，xi和xj属于数据集x；
[0038]
图卷积编码器编码包括：由两个图卷积网络层组成，输入数据为特征x(n*d)，邻接矩阵a(n*n)，生成数据为特征g(即节点级信息)；第一个图卷积网络层包括一个图卷积加一个激活层(relu)，将特征的维度降维至128；第二个图卷积网络层包括图卷积加一个归一化层，将特征的维度降维至64；
[0039]
所述图卷积网络编码公式为：
[0040][0041]
其中，l为网络的层数，w
(l)
和b
(l)
分别是网络层里第l层学习的权重和偏置，表示具有自表达的邻接矩阵，d是的度矩阵；分别表示图卷积编码器在第l层的权重和偏置项；在第一层为relu，第二层为softmax；
[0042]
堆栈编码器编码包括：由多个非线性变换函数组成，输入数据为特征x(即脑功能连接特征)，生成数据为特征h(即第二特征)，分别降维至256，128，64；所述堆栈编码器的公式如下：
[0043][0044]
其中，σ为激活函数，在最后一层时为softmax，其他层为relu；分别表示编码器第l层的权重和偏置项；
[0045]
正交约束、提取低维特征、重构邻接矩阵包括：对两个编码器施加约束，为正交约束，目标函数如下：
[0046]
l
con
＝g*h
[0047]
接着根据权重将g、h投射到一个新的子空间中生成新的特征z，投射的函数为：
[0048]
z＝αg+(1-α)h
[0049]
其中，α为权重系数；
[0050]
再接着，重构邻接矩阵a作为下一轮迭代图卷积编码器的输入：
[0051][0052]
a＝a
′
[0053]
其中，为sigmoid激活函数；
[0054]
其中，正交约束对特征g和h施加约束，使得两个特征的特征尽量处于不同子空间中，保证了低维空间中特征的丰富性；提取低维特征时，将两个特征根据权重同时映射到新的子空间中，生成特征z；此时，再根据z重构邻接矩阵a，通过优化a来作为下一轮迭代中图卷积网络的输入；
[0055]
解码器解码包括：解码器对编码器进行反编码，将特征z还原至原始维度d，生成特征x’，分别将维度提升为128，256，d；编码规则如下：
[0056][0057][0058]
其中，为激活函数relu，最后一层不起作用；分别表示解码器第l层的权重和偏置项；在解码器中，定义一个目标函数来衡量当前的输出和真实结果的差异；损失函数如下所示：
[0059][0060]
其中，解码器对特征z解码，使得所提取的特征能够保持局部结构；
[0061]
网络训练包括：在windows系统的pytorch框架下，该双流编码器网络在开始训练时进行初始化实现对样本特征的初步提取，采用反向传播学习算法，通过adam优化器，计算损失函数的值，根据loss值的大小，更新迭代网络层需要学习的权重和偏置项；训练200个epoch时，loss值就趋于收敛了；
[0062]
损失值的计算公式为l＝tl
con
+(1-t)l
dec
；α，t都是人为设置的参数；
[0063]
脑疾病的识别包括：训练结束之后对特征z进行k-means聚类，得到样本簇的划分；只需要正常人中的一个样本，就能根据这个信息，去识别某个病人的情况，最后系统输出该病人是否异常；
[0064]
上述技术方案的有益效果为：通过上述技术方案，解决了使用单一编码器对脑疾病数据进行聚类的过程中由于数据量小、维度高而导致精度不高问题；采用双流编码器对脑疾病数据进行编码，可以提取出丰富的特征信息，解决了小样本信息不足的问题；同时，对生成的两个特征进行约束，保证了生成特征的信息是不冗余的，避免网络模型在负编码，并且在迭代过程中，每次迭代的输入根据上一轮输入进行更新，有益于避免底层拓扑结构带来的噪音问题。
[0065]
请参阅图4，一种基于双流编码器的脑功能疾病识别系统，包括：
[0066]
获取模块1，用于获取待识别的静息态脑功能磁共振成像数据；处理模块2，用于提取待识别的静息态脑功能磁共振成像数据中的脑功能连接特征；识别模块3，用于基于脑功
能识别双流编码器，根据脑功能连接特征对脑功能疾病进行识别，输出识别结果。
[0067]
根据本专利的技术实施方案，可以在windows、ubuntu系统版本的计算机上开发出一种基于双流编码器的脑功能疾病识别系统，模块可以通过软件编写实现。
[0068]
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

技术特征：
1.一种基于双流编码器的脑功能疾病识别系统，其特征在于，包括：获取模块，用于获取待识别的静息态脑功能磁共振成像数据；处理模块，用于提取待识别的静息态脑功能磁共振成像数据中的脑功能连接特征；识别模块，用于基于脑功能识别双流编码器，根据脑功能连接特征对脑功能疾病进行识别，输出识别结果。2.根据权利要求1所述的一种基于双流编码器的脑功能疾病识别系统，其特征在于，获取模块利用神经成像机器学习工具从待识别的静息态脑功能磁共振成像数据中提取到脑功能连接特征。3.根据权利要求1所述的一种基于双流编码器的脑功能疾病识别系统，其特征在于，脑功能识别双流编码器中包括预设的两个不同的编码器，用于获取若干训练用脑功能连接特征；对若干训练用脑功能连接特征进行预处理，得到邻接数k；根据邻接数k和训练用脑功能连接特征构造邻接矩阵模块；基于两个不同的编码器，分别根据脑功能连接特征和邻接矩阵进行编码，生成节点级信息和第二特征；基于正交约束，对节点级信息和第二特征施加约束作为第一损失值，同时根据预设权重将节点级信息和第二特征投射到另一新子空间生成低维的脑功能特征；根据低维的脑功能特征重构邻接矩阵，得到新的邻接矩阵；预设解码器，基于解码器对低维的脑功能特征进行反编码，生成第三特征，同时计算脑功能连接特征和第三特征的误差作为第二损失值；预设双流编码器网络，每次迭代开始前，将脑功能连接特征和新的邻接矩阵作为本轮迭代的输入，基于第一损失值和第二损失值更新迭代网络层需要学习的网络权重和偏置项，直至满足预设迭代条件终止；训练结束后，提取低维的脑功能特征进行k-means聚类，确定聚类标签。4.根据权利要求3所述的一种基于双流编码器的脑功能疾病识别系统，其特征在于，脑功能连接特征和邻接矩阵进行编码时，其中任一项或多项至一编码器进行编码，生成节点级信息；输入脑功能连接特征和邻接矩阵其中任一项或多项至另一编码器进行编码，生成第二特征。5.根据权利要求3所述的一种基于双流编码器的脑功能疾病识别系统，其特征在于，预设解码器，基于解码器对低维的脑功能特征进行反编码，生成第三特征包括：预设解码器，将低维的脑功能特征还原至预设原始维度，生成第三特征。

技术总结
本发明提供了一种基于双流编码器的脑功能疾病识别系统，包括：获取待识别的静息态脑功能磁共振成像数据；提取待识别的静息态脑功能磁共振成像数据中的脑功能连接特征输入至训练完成的脑功能识别双流编码器中，输出脑功能疾病识别结果。本发明针对由于现有脑疾病数据集样本量小、数据维度大和结构复杂的特点，单一编码器无法挖掘出更多有效的特征的问题，提出一种基于双流编码器的脑功能疾病识别方法和系统，用于提取脑疾病数据中更多有效的特征，对脑功能疾病实现更精准的识别。对脑功能疾病实现更精准的识别。对脑功能疾病实现更精准的识别。


技术研发人员：金婷婷 陆虎
受保护的技术使用者：江苏大学
技术研发日：2023.04.10
技术公布日：2023/7/7