一种基于自监督学习和迁移学习的抑郁症分类方法

技术领域

本专利涉及医学图像处理与机器学习领域，特别是指一种自监督学习和迁移学习的抑郁症分类方法。

背景技术

抑郁症是一种全球范围内普遍存在的精神疾病，主要表现为情绪低落、兴趣减退、认知功能受损以及睡眠和食欲障碍，已成为全球关注的重大公共卫生问题。抑郁症的早期诊断和治疗对抑郁症患者的康复至关重要。抑郁症诊断主要依靠专业医生对患者的临床访谈，评估患者症状。由于不同精神疾病所表现的临床症状有重叠，并且抑郁症是一种异质性疾病，因此抑郁症的临床诊断非常复杂并且依赖于医生的经验，具有一定的主观性。神经成像技术为抑郁症的诊断提供了客观的证据，有利于提高诊断的精确性。

弥散张量成像(DTI)是磁共振成像(MRI)技术的一个模态，它通过测量水分子的弥散过程来评估生物组织的结构和形态，能够有效观察和跟踪脑白质纤维束。已有研究发现抑郁症是一种失连接的疾病，也就是说抑郁症与脑区间的交互作用密切相关。弥散张量成像技术提供了一种有效的非侵入式方法来建模脑区间的白质纤维束连接，这种连接是脑区间交互作用的基础。

目前基于弥散张量成像技术的白质纤维束研究主要有基于感兴趣纤维束的研究和全脑纤维束连接网络研究。基于感兴趣纤维束的研究主要基于先验知识，选取和抑郁症相关的白质纤维束，分析抑郁症对这些特定白质纤维束形态和结构的影响，很有针对性，但是不利于发现未知的新纤维。全脑白质纤维束连接网络主要基于图论的思想，构建脑区和脑区之间的白质纤维束连接网络，可以利用最新的复杂网络分析方法和机器学习算法提取新的白质纤维束特征，用于疾病的分类和预测。受限于抑郁症患者磁共振成像数据入组和采集难度较大，抑郁症分类研究存在样本数较少的问题。

发明内容

为了解决现有脑网络分析方法特征挖掘能力不足和脑网络标注样本较少的问题，受计算机视觉领域对比学习的启发，本发明提出了一种基于自监督学习和迁移学习的抑郁症分类方法，可以充分快速、高效地提取多模态脑网络特征用于抑郁症分类。

本发明解决其技术问题所采用的技术方案是：

一种基于自监督学习和迁移学习的抑郁症分类方法，包括如下步骤：

步骤一：弥散张量成像数据预处理；

步骤二：构建全脑结构网络：将AAL模板配准到个体DTI空间，使用确定跟踪算法获得全脑白质纤维束，得到AAL模板中任意两个脑区之间的白质纤维束，构建全脑结构连接矩阵A

步骤三：扩增原始全脑结构网络得到对比视图：将邻接矩阵A

S

S

其中，A

步骤四：邻接矩阵和扩散矩阵作为对比结构视图分别传入图卷积网络GCN，分别学习两个视图的节点表征，将经过GCN层学习到的节点表征传入投射头(projection head)，即一个有两个隐层和PReLU函数的多层感知机MLP，得到对应两个视图的节点表征集合H

步骤五：对于每个视图，使用图池化函数将图神经网络学习到的节点表征聚集到一个图表征，

其中，

步骤六：为了端对端地训练编码器学习网络与下游任务无关的节点和图表征，使用深度InfoMax方法最大化两个视图之间的互信息，通过对比一个视图的节点表征和另一个视图的图表征，反之亦然；目标函数定义为：

其中，θ，ω，φ，ψ表示图编码器和投射头参数，|G|表示训练集中图数目，|g|表示图g的节点数目，

步骤七：经过脑网络自监督对比学习，每个脑网络的图表征和节点表征来自两个视图的整合，分别表示为：

步骤八：基于每个脑网络的图表征和每个被试的非影像表型信息，所述非影像表型信息包括性别和年龄，构建群组网络，将抑郁症分类问题转换为图节点分类问题，群组网络的节点是被试，连边是被试之间相似性，对于一个群组网络G，其对应的邻接矩阵定义为：

其中，v和w表示群组网络中的节点，H表示非影像表型特征的数量，M表示非影像表型特征集，Sim(S

步骤九：使用基于谱图卷积的图卷积神经网络模型对群组网络节点分类从而实现抑郁症分类，训练集包括一个带标签的图节点子集，在其上评估损失函数，梯度被反向传播，训练过程中观察到测试集特征，所述测试集特征为剩余的未标记图节点，未标记节点也会影响标记样本上的卷积；为了克服抑郁症数据集数据量较小的缺点，引入迁移学习，首先基于正常人群大样本训练图卷积神经网络模型用于正常被试抑郁评分预测，然后将预训练好的模型迁移到抑郁症分类问题。

本发明的技术构思为：基于弥散张量成像数据跟踪全脑白质纤维束，构建全脑白质纤维束网络。考虑到抑郁症脑网络数据标注少的问题，利用自监督学习策略通过对比学习自动学习与下游任务无关的脑网络节点表征和网络表征。基于脑网络表征和和非影像表型信息，构建群组网络，将抑郁症分类问题转换为网络节点分类问题，使用基于谱图卷积的图卷积神经网络模型对抑郁症患者和正常对照分类。

本发明的有益效果为：基于弥散张量成像数据构建全脑白质纤维束网络考察了脑区间交互作用的基础。利用自监督学习策略自主学习脑网络的节点表征和网络表征，部分解决了抑郁症样本脑网络数据标注不足的问题。同时，利用迁移学习，在正常人群大样本数据集上训练自监督图卷积神经网络模型和抑郁症分类模型，有效挖掘了抑郁症相关的脑网络水平特征，提高了抑郁症分类的精度。

附图说明

图1为本发明的流程图。

具体实施方式

下面结合附图对本发明做进一步说明。

参照图1，一种基于自监督学习和迁移学习的抑郁症分类方法，包括如下步骤：

步骤一：弥散张量成像数据预处理。弥散张量成像数据预处理步骤包括：估计和校正磁化率引起的畸变、去脑壳、涡流校正；

步骤二：构建全脑结构网络：将AAL模板配准到个体DTI空间，使用确定跟踪算法获得全脑白质纤维束，得到AAL模板中任意两个脑区之间的白质纤维束，构建全脑结构连接矩阵A

步骤三：扩增原始全脑结构网络得到对比视图，将邻接矩阵A

S

S

其中，A

步骤四：邻接矩阵和扩散矩阵作为对照结构视图分别传入图卷积网络GCN，分别学习两个视图的节点表征，将经过GCN层学习到的节点表征传入投射头(projection head)，即一个有两个隐层和PReLU函数的多层感知机MLP，得到对应两个视图的节点表征集合H

步骤五：对于每个视图，使用图池化函数将图神经网络学习到的节点表征聚集到一个图表征，

其中，

步骤六：为了端对端地训练编码器学习网络与下游任务无关的节点和图表征，使用深度InfoMax方法最大化两个视图之间的互信息，通过对比一个视图的节点表征和另一个视图的图表征，反之亦然；目标函数定义为：

其中，θ，ω，φ，ψ表示图编码器和投射头参数，|G|表示训练集中图数目，|g表示图g的节点数目，

步骤七：经过脑网络自监督对比学习，每个脑网络的图表征和节点表征来自两个视图的整合，分别表示为：

步骤八：基于每个脑网络的图表征和每个被试的非影像表型信息，所述非影像表型信息包括性别和年龄，构建群组网络，将抑郁症分类问题转换为图节点分类问题，群组网络的节点是被试，连边是被试之间相似性，对于一个群组网络G，其对应的邻接矩阵定义为：

其中，v和w表示群组网络中的节点，H表示非影像表型特征的数量，M表示非影像表型特征集，Sim(S

步骤九：使用基于谱图卷积的图卷积神经网络模型对群组网络节点分类从而实现抑郁症分类，训练集包括一个带标签的图节点子集，在其上评估损失函数，梯度被反向传播，训练过程中观察到测试集特征，所述测试集特征为剩余的未标记图节点，未标记节点也会影响标记样本上的卷积；为了克服抑郁症数据集数据量较小的缺点，引入迁移学习，首先基于正常人群大样本训练图卷积神经网络模型用于正常被试抑郁评分预测，，然后将预训练好的模型迁移到抑郁症分类问题。

本实施例中，构建每个被试全脑白质纤维束连接网络，得到一个116×116的结构邻接矩阵，然后使用自监督图卷积神经网络模型学习每个被试全脑结构网络的节点表征和图表征，得到116个512维的节点向量和1个512维的图向量，将图向量作为特征用于抑郁症分类，使用基于谱图卷积的图卷积神经网络模型对抑郁症患者和正常对照进行分类，参考参数为：L＝1，dropout rate＝0.3，learning rate＝0.005，epochs＝150，采用10折交叉验证评估分类模型，将数据集分为10份，其中9份是训练集，剩余1份是测试集，基于训练集训练分类模型，然后对测试集进行分类，计算分类准确率，最后求多次分类准确率的平均值，该方法的分类准确率可达85.3％。

如上所述，本专利实施的具体实现步骤使本发明更加清晰。在本发明的精神和权利要求的保护范围内，对本发明做出的任何修改和改变，都落入本发明的保护范围。