基于多模态特征相似性的脑部疾病分类系统、方法、设备

技术领域

本发明涉及磁共振影像技术领域，特别涉及基于多模态特征相似性的脑部疾病分类系统、方法、设备。

背景技术

磁共振技术的发展对脑疾病的诊断与分析起到了积极作用，已有的研究表明，使用机器学习方法利用sMRI(structural Magnetic Resonance Imaging，结构性磁共振成像)与fMRI(functional Magnetic Resonance Imaging，功能性磁共振成像)对正常人与脑疾病患者进行分析可以有效促进对脑疾病的了解与诊断。

机器学习促进了人们使用磁共振影像分析脑疾病的能力，但是不同年龄性别的人群具有巨大差异，而经典的机器学习算法往往不能根据不同年龄性别的人群采用不同的疾病分析方法。

综上，如何针对不同年龄性别人群计算不同相似性，增强机器学习方法对不同年龄性别人群分析的能力，减少个体差异对磁共振影像分类误差，提升分类准确率是本领域有待解决的技术问题。

发明内容

有鉴于此，本发明的目的在于提供基于多模态特征相似性的脑部疾病分类系统、方法、设备，能够针对不同年龄性别人群计算不同相似性，增强机器学习方法对不同年龄性别人群分析的能力，减少个体差异对磁共振影像分类误差，提升分类准确率。其具体方案如下：

第一方面，本申请公开了一种基于多模态特征相似性的脑部疾病分类系统，包括：

特征拼接模块，用于基于训练后的功能态数据筛选模型对功能态数据进行筛选，以获取目标功能态数据，并将结构态数据的结构态数据特征和所述目标功能态数据的功能态数据特征输入至数据拼接模型中，以便所述数据拼接模型进行数据特征拼接，输出磁共振脑影像特征；

相似度计算模块，用于对所述脑影像特征与训练样本影像特征进行第一相似度计算，获取第一相似度；对训练样本集中的各个训练样本之间的样本影像特征进行第二相似度计算，获取第二相似度；将表征各个训练样本间的疾病分类因素的第二相似度作为构建相似度图的边，以所述第一相似度作为所述相似度图中的节点值，以获取目标相似度图；

图分类模块，用于将所述目标相似度图输入至疾病分类预测模型中，以便所述疾病分类预测模型输出是否为疾病的标签。

可选的，所述基于多模态特征相似性的脑部疾病分类系统，还包括：

数据转化模块，用于基于统计方式对所述结构态数据进行筛选，以获取不同差异位置体素状态的目标结构态数据，并将所述目标结构态数据转化为点云数据。

可选的，所述特征拼接模块，包括：

特征调整单元，用于构建包含相邻点云数据的权重差值的正则项的数据拼接模型，以便所述数据拼接模型利用所述正则项的不同正则化参数对所述目标结构态数据的结构态数据特征和目标功能态数据的功能态数据特征进行特征调整；

特征拼接单元，用于对调整后的结构态数据特征和功能态数据特征进行数据特征拼接，输出磁共振图像数据的脑影像特征。

可选的，所述基于多模态特征相似性的脑部疾病分类系统，还包括：

正则项构建单元，用于从所述点云数据中确定出相邻点对，并获取所述相邻点对中点云数据的权重；计算所述相邻点对中点云数据的权重差的绝对值，并基于所述权重差的绝对值和正则化参数构建权重损失量，以便基于所述权重损失量构建正则项。

可选的，所述特征拼接模块，包括：

数据筛选单元，用于利用目标结构态数据对功能态数据筛选模型进行预训练，以获取包含目标脑区权重的用于筛选与所述目标功能态数据所在目标脑区对应的目标功能态数据的训练后的功能态数据筛选模型；基于所述训练后的功能态数据筛选模型对所述功能态数据筛选，以获取所述目标脑区的目标功能态数据。

可选的，所述相似度计算模块，包括：

相似度计算单元，用于计算所述脑影像特征与训练样本集中的各个训练样本影像特征之间的相似度，以获取多个第一相似度；计算所述训练样本集中各个训练样本之间的年龄、性别因素的第二相似度；

相似度图构建单元，用于基于所述第二相似度构建所述脑影像特征对应的目标相似度图的边，将所述第一相似度作为所述目标相似度图的节点值。

可选的，所述图分类模块，包括：

特征降维单元，用于将所述目标相似度图输入至所述疾病分类预测模型，以便基于所述疾病分类预测模型利用图卷积策略去掉所述目标相似度图的中包含年龄、性别的疾病分类因素的图像特征，以得到清洁后的目标相似度图；

图分类单元，用于利用所述疾病分类预测模型中的二分类模块对所述清洁后的目标相似度图进行拟合分类，以输出所述清洁后的目标相似度图对应的是否为疾病的分类结果标签。

第二方面，本申请公开了一种基于相似度图的脑部疾病分类方法，包括：

基于训练后的功能态数据筛选模型对功能态数据进行筛选，以获取目标功能态数据，并将结构态数据的结构态数据特征和所述目标功能态数据的功能态数据特征输入至数据拼接模型中，以便所述数据拼接模型进行数据特征拼接，输出磁共振图像数据的脑影像特征；

对所述脑影像特征与训练样本影像特征进行第一相似度计算，获取第一相似度；对训练样本集中的各个训练样本之间的样本影像特征进行第二相似度计算，获取第二相似度；将表征各个训练样本间的疾病分类因素的第二相似度作为构建相似度图的边，以所述第一相似度作为所述相似度图中的节点值，以获取目标相似度图；

将所述目标相似度图输入至疾病分类预测模型中，以便所述疾病分类预测模型输出是否为疾病的标签。

第三方面，本申请公开了一种电子设备，包括：

存储器，用于保存计算机程序；

处理器，用于执行所述计算机程序，以实现前述公开的基于相似度图的脑部疾病分类方法的步骤。

由此可见，本申请公开了一种基于多模态特征相似性的脑部疾病分类系统，包括：特征拼接模块，用于基于训练后的功能态数据筛选模型对功能态数据进行筛选，以获取目标功能态数据，并将结构态数据的结构态数据特征和所述目标功能态数据的功能态数据特征输入至数据拼接模型中，以便所述数据拼接模型进行数据特征拼接，输出磁共振脑影像特征；相似度计算模块，用于对所述脑影像特征与训练样本影像特征进行第一相似度计算，获取第一相似度；对训练样本集中的各个训练样本之间的样本影像特征进行第二相似度计算，获取第二相似度；将表征各个训练样本间的疾病分类因素的第二相似度作为构建相似度图的边，以所述第一相似度作为所述相似度图中的节点值，以获取目标相似度图；图分类模块，用于将所述目标相似度图输入至疾病分类预测模型中，以便所述疾病分类预测模型输出是否为疾病的标签。由此可见，通过对待分类的磁共振影像中的功能态数据进行筛选，获取目标功能态数据，然后再将结构态数据的结构态数据特征和目标功能态数据的功能态数据特征一同输入至数据拼接模型，对二者进行数据特征拼接，获取待分类的磁共振影像的脑影像特征，然后对该脑影像特征进行相似度计算，同时还要对训练样本集的训练样本之间进行相似度计算，根据两方的相似度计算出的相似度分别作为相似度图的边和节点值，通过对相似度图进行相似性分析，能够针对不同年龄性别人群计算不同的相似性，增加机器学习方法对不同年龄性别人群分析的能力，减少个体差异对疾病分类造成的影响提高对重度抑郁者的分类准确率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本申请公开的一种基于多模态特征相似性的脑部疾病分类系统结构示意图；

图2为本申请公开的一种结构态数据转化为点云数据过程示意图；

图3为本申请公开的一种不同强度正则化的多特征拼接过程示意图；

图4为本申请公开的一种具体的基于多模态特征相似性的脑部疾病分类系统结构示意图；

图5为本申请公开的一种功能态数据筛选过程示意图；

图6为本申请公开的一种相似度计算、相似度图构建过程示意图；

图7为本申请公开的一种对目标相似度图拟合和疾病分类过程示意图；

图8为本申请公开的一种基于相似度图的脑部疾病分类方法流程图；

图9为本申请公开的一种电子设备结构图。

具体实施方式

下面将结合本申请实施例中的附图，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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

磁共振技术的发展对脑疾病的诊断与分析起到了积极作用，已有的研究表明，使用机器学习方法利用sMRI与fMRI对正常人与脑疾病患者进行分析可以有效促进对脑疾病的了解与诊断。

机器学习促进了人们使用磁共振影像分析脑疾病的能力，但是不同年龄性别的人群具有巨大差异，而经典的机器学习算法往往不能根据不同年龄性别的人群采用不同的疾病分析方法。

为此，本申请提供了基于相似度图的脑部疾病分类方案，能够针对不同年龄性别人群计算不同相似性，增强机器学习方法对不同年龄性别人群分析的能力，减少个体差异对磁共振影像分类误差，提升分类准确率。

参照图1所示，本发明实施例公开了一种基于多模态特征相似性的脑部疾病分类系统，包括：

特征拼接模块11，用于基于训练后的功能态数据筛选模型对功能态数据进行筛选，以获取目标功能态数据，并将结构态数据的结构态数据特征和所述目标功能态数据的功能态数据特征输入至数据拼接模型中，以便所述数据拼接模型进行数据特征拼接，输出磁共振脑影像特征；

相似度计算模块12，用于对所述脑影像特征与训练样本影像特征进行第一相似度计算，获取第一相似度；对训练样本集中的各个训练样本之间的样本影像特征进行第二相似度计算，获取第二相似度；将表征各个训练样本间的疾病分类因素的第二相似度作为构建相似度图的边，以所述第一相似度作为所述相似度图中的节点值，以获取目标相似度图；

图分类模块13，用于将所述目标相似度图输入至疾病分类预测模型中，以便所述疾病分类预测模型输出是否为疾病的标签。

所述的基于多模态特征相似性的脑部疾病分类系统，还包括：

数据转化模块，用于基于统计方式对所述结构态数据进行筛选，以获取不同差异位置体素状态的目标结构态数据，并将所述目标结构态数据转化为点云数据。

所述的基于多模态特征相似性的脑部疾病分类系统，所述特征拼接模块，包括：

特征调整单元，用于构建包含相邻点云数据的权重差值的正则项的数据拼接模型，以便所述数据拼接模型利用所述正则项的不同正则化参数对所述目标结构态数据的结构态数据特征和目标功能态数据的功能态数据特征进行特征调整；

特征拼接单元，用于对调整后的结构态数据特征和功能态数据特征进行数据特征拼接，输出磁共振图像数据的脑影像特征。

所述的基于多模态特征相似性的脑部疾病分类系统，还包括：

正则项构建单元，用于从所述点云数据中确定出相邻点对，并获取所述相邻点对中点云数据的权重；计算所述相邻点对中点云数据的权重差的绝对值，并基于所述权重差的绝对值和正则化参数构建权重损失量，以便基于所述权重损失量构建正则项。

可以理解的是，利用数据获取模块获取待分类脑部的结构态和功能态的磁共振图像数据，其中结构态数据具体为sMRI数据，用于通过sMRI来检测脑中器官结构有没有增长，萎缩，变形等的结构变化，功能态数据为fMRI数据，用于检测不同活动时脑区的活跃状态、脑区信号升高等。但是获取的结构态数据和功能态数据需要筛选处理，具体的，利用数据转化模块对结构态数据SMRI的筛选分析，通过统计方法将结构态数据SMRI进行筛选，将体素状态的结构态数据SMRI转化为点云数据，从而方便下一步进一步求解相似度，需要注意的是，在筛选结构态数据时，只保留具有差异的位置的结构态数据，然后利用筛选的具有差异的位置的结构态数据转化为点云数据，以构建类点云，如图2所示。

可以理解的是，将从功能态数据筛选后得到的目标功能态数据和筛选后的结构态数据的功能态数据特征和结构态数据特征一同输入至数据拼接模型中，以便该数据拼接模型对二者进行数据特征拼接，以获取拼接降维后的脑影像特征，其中，数据拼接模型的获取过程如下：利用特征调整单元构建一个包含相邻点云数据的权重差值的正则项的数据拼接模型，然后利用该数据拼接模型对结构态数据特征和功能态数据特征进行不同正则化参数下的特征提取，以获取不同正则化强度下的数据特征，然后利用特征拼接单元对该数据特征进行拼接，并将拼接后的数据特征作为脑影像特征。其中，在数据拼接模型的构建过程中，还包括：正则项构建单元，具体的，将相邻点云的权重差值作为正则化项加入到神经网络中，从而减少神经网络的过拟合现象。例如：如果点A与点B为相邻点，使用神经网络进行计算时点A的权重为W

可以理解的是，当获取脑影像特征后，利用相似度计算模块13进行特征的相似度计算，其中，需要计算第一相似度和第二相似度，需要注意的是，所述第一相似度为脑影像特征和训练样本影像特征之间的相似度，第二相似度为各个训练样本之间特征相似度，第二相似度表征了各个训练样本之间的疾病分类因素，然后以第二相似度作为边构建一个图结构，然后将第一相似度作为图结构的节点的值，以获取脑影像特征的目标相似度图结构。最后将该目标相似度图结构输入至疾病分类预测模型中，通过该疾病分类预测模型对目标相似度图结构的边和值进行分类分析，最终输出磁共振图像数据的疾病分类结果。

由此可见，本申请公开了一种基于多模态特征相似性的脑部疾病分类系统，包括：特征拼接模块，用于基于训练后的功能态数据筛选模型对功能态数据进行筛选，以获取目标功能态数据，并将结构态数据的结构态数据特征和所述目标功能态数据的功能态数据特征输入至数据拼接模型中，以便所述数据拼接模型进行数据特征拼接，输出磁共振图像数据的脑影像特征；相似度计算模块，用于对所述脑影像特征与训练样本影像特征进行第一相似度计算，获取第一相似度；对训练样本集中的各个训练样本之间的样本影像特征进行第二相似度计算，获取第二相似度；将表征各个训练样本间的疾病分类因素的第二相似度作为构建相似度图的边，以所述第一相似度作为所述相似度图中的节点值，以获取目标相似度图；图分类模块，用于将所述目标相似度图输入至疾病分类预测模型中，以便所述疾病分类预测模型输出是否为疾病的标签。由此可见，通过对待分类的磁共振影像中的功能态数据进行筛选，获取目标功能态数据，然后再将结构态数据的结构态数据特征和目标功能态数据的功能态数据特征一同输入至数据拼接模型，对二者进行数据特征拼接，获取待分类的磁共振影像的脑影像特征，然后对该脑影像特征进行相似度计算，同时还要对训练样本集的训练样本之间进行相似度计算，根据两方的相似度计算出的相似度分别作为相似度图的边和节点值，通过对相似度图进行相似性分析，能够针对不同年龄性别人群计算不同的相似性，增加机器学习方法对不同年龄性别人群分析的能力，减少个体差异对疾病分类造成的影响提高对重度抑郁者的分类准确率。

参照图4所示，本发明实施例公开了一种具体的基于多模态特征相似性的脑部疾病分类系统，相对于上一实施例，本实施例对技术方案作了进一步的说明和优化。具体的：

所述特征拼接模块11，包括：

数据筛选单元111，用于利用目标结构态数据对功能态数据筛选模型进行预训练，以获取包含目标脑区权重的用于筛选与所述目标功能态数据所在目标脑区对应的目标功能态数据的训练后的功能态数据筛选模型；基于所述训练后的功能态数据筛选模型对所述功能态数据筛选，以获取所述目标脑区的目标功能态数据。

所述相似度计算模块12，包括：

相似度计算单元121，用于计算所述脑影像特征与训练样本集中的各个训练样本影像特征之间的相似度，以获取多个第一相似度；计算所述训练样本集中各个训练样本之间的包含年龄、性别的疾病分类因素的第二相似度；

相似度图构建单元122，用于基于所述第二相似度构建所述脑影像特征对应的目标相似度图的边，将所述第一相似度作为所述目标相似度图的节点值。

所述图分类模块13，包括：

特征降维单元131，用于将所述目标相似度图输入至所述疾病分类预测模型，以便基于所述疾病分类预测模型利用图卷积策略去掉所述目标相似度图的中包含年龄、性别的疾病分类因素的图像特征，以得到清洁后的目标相似度图；

图分类单元132，用于利用所述疾病分类预测模型中的二分类模块对所述清洁后的目标相似度图进行拟合分类，以输出所述清洁后的目标相似度图对应的是否为疾病的分类结果标签。

可以理解的是，所述数据筛选单元111对功能态数据进行筛选，其中，功能态数据的筛选需要利用训练后的神经网络作为功能态数据筛选模型进行筛选，在功能态数据筛选模型训练过程还需要利用筛选的结构态数据sMRI对神经网络进行预训练，初步获取脑区权重，然后利用训练后的神经网络作为功能态数据筛选模型进行功能态数据的筛选，并使用筛选后的fMRI数据计算皮尔逊相关矩阵从而实现功能脑网络的构建。将从被处理的磁共振图像数据中以方框、圆、椭圆、不规则多边形等方式勾勒出需要处理的区域，称为感兴趣区域ROI(Region Of Interest，感兴趣区)，如图5所示，将116个待筛选的功能态数据ROI1、ROI2、ROI3……ROI116统一输入至使用结构态数据训练后的功能态数据筛选模型，以便该功能态数据筛选模型筛选出目标功能态数据，去掉n个无效功能态数据，以获取116-n个目标功能态数据。

可以理解的是，相似度计算单元121在每个磁共振图像数据样本获得了一个脑影像特征后，将对应的脑影像特征放入一个统一的集合作为测试集，计算测试集中的脑影像特征与训练集中的每一个训练样本影像特征的第一相似度。测试集是对各个未知脑疾病类型的人的磁共振脑影像分别处理后得到的脑影像特征所构成的集合。计算训练集中每个样本之间的第二相似度。需要注意的是，计算的第二相似度用于表征年龄、性别等疾病分类影响因素。训练集是对各个已知脑疾病类型的人的磁共振脑影像分别处理后得到的脑影像特征所构成的集合。需要注意的是，训练集与测试集都是使用sMRI和fMRI数据进行特征提取拼接后获得的特征，它们的特征提取步骤和特征拼接步骤都是相同的。但是训练集和测试集使用的人群不同，总体而言，训练集人群中所有人的脑疾病类型为已知，但是测试集人群中所有人的脑疾病类型为未知，因此使用训练集人群的脑影像数据训练疾病分类预测模型，然后使用疾病分类预测模型预测测试集人群的脑疾病类型。

如图6所示，相似度图构建单元122使用训练集中每个样本之间的第二相似度作为每个样本之间的边，构建一个图结构，并将一个测试集样本与所有训练集中样本分别计算获得的第一相似度作为这个图结构的节点的值，为每个测试集样本获得了一个相似性图结构。训练集中包含的样本为a，b，c，d，e，然后根据训练集的样本的第二相似度组建边，其中，每个样本与样本之间的边表示的即为边连接的两个样本之间的相似度。测试集中包含的样本为1和2。然后分别计算样本1与各个a，b，c，d，e之间的第一相似度a

可以理解的是，当获取到目标相似度图后，如图7所示，特征降维单元131将目标相似度图输入疾病分类预测模型，以便通过该模型中的图卷积神经网络自编码器对每个测试集样本对应的目标相似度图进行降维，其中，使用图卷积策略减少不是由年龄性别引起的特征差异，从而减少年龄性别因素对疾病分类造成的影响。

图分类单元132将使用图卷积神经网络降维获得的特征使用SVM(Support VectorMachines，二分类模型)进行拟合并分类，从而为每个测试集中的样本获得一个是否为疾病的标签。

由此可见，通过疾病分类预测模型中的图卷积神经网络自编码器对构建的目标相似度图进行降维，使用该降维能够大大减少个体差异对疾病分类造成的影响，特别是第二相似度中表征的年龄、性别的疾病分类影响因素对疾病分类造成的影响，提高了现有机器学习算法对磁共振影像分类准确率2％-10％。

参照图8所示，本发明还相应公开了一种基于相似度图的脑部疾病分类方法，包括：

步骤S11：基于训练后的功能态数据筛选模型对功能态数据进行筛选，以获取目标功能态数据，并将结构态数据的结构态数据特征和所述目标功能态数据的功能态数据特征输入至数据拼接模型中，以便所述数据拼接模型进行数据特征拼接，输出磁共振脑影像特征。

本实施例中，利用训练后的神经网络作为功能态数据筛选模型进行筛选，在功能态数据筛选模型训练过程还需要利用筛选的结构态数据SMRI对神经网络进行预训练，初步获取脑区权重，然后利用训练后的神经网络作为功能态数据筛选模型进行功能态数据的筛选，并使用筛选后的FMRI数据计算皮尔逊相关矩阵从而实现功能脑网络的构建。获取筛选后的目标功能态数据，并将该目标功能态数据和结构态数据各自的功能态数据特征和结构态数据特征输入至数据拼接模型中，以便该数据拼接模型对二者进行数据特征拼接，以获取拼接降维后的脑影像特征，其中，数据拼接模型的获取过程如下：利用特征调整单元构建一个包含相邻点云数据的权重差值的正则项的数据拼接模型，然后利用该数据拼接模型对结构态数据特征和功能态数据特征进行不同正则化参数下的特征提取，以获取不同正则化强度下的数据特征，然后利用特征拼接单元对该数据特征进行拼接，并将拼接后的数据特征作为脑影像特征。其中，在数据拼接模型的构建过程中，还包括：正则项构建单元，具体的，将相邻点云的权重差值作为正则化项加入到神经网络中，从而减少神经网络的过拟合现象。例如：如果点A与点B为相邻点，使用神经网络进行计算时点A的权重为W

本实施例中，基于训练后的功能态数据筛选模型对所述功能态数据进行筛选之前，还包括：获取包含待分类脑部的结构态和功能态的磁共振图像数据。具体的，获取待分类脑部的结构态数据和功能态数据，其中，所述结构态数据具体为SMRI数据，用于通过SMRI来检测脑中器官结构有没有增长，萎缩，变形等的结构变化，所述功能态数据为FMRI数据，用于检测不同活动时脑区的活跃状态、脑区信号升高等。然后对结构态数据SMRI进行筛选分析，具体的，通过统计方法将结构态数据SMRI进行筛选，将体素状态的结构态数据SMRI转化为点云数据，从而方便下一步进一步求解相似度，需要注意的是，在筛选结构态数据时，只保留具有差异的位置的结构态数据，然后利用筛选的具有差异的位置的结构态数据转化为点云数据，以构建类点云。

步骤S12：对所述脑影像特征与训练样本影像特征进行第一相似度计算，获取第一相似度；对训练样本集中的各个训练样本之间的样本影像特征进行第二相似度计算，获取第二相似度；将表征各个训练样本间的疾病分类因素的第二相似度作为构建相似度图的边，以所述第一相似度作为所述相似度图中的节点值，以获取目标相似度图。

本实施例中，计算第一相似度和第二相似度，需要注意的是，所述第一相似度为脑影像特征和训练样本影像特征之间的相似度，第二相似度为各个训练样本之间特征相似度，第二相似度表征了各个训练样本之间的疾病分类因素，然后以第二相似度作为边构建一个图结构，然后将第一相似度作为图结构的节点的值，以获取脑影像特征的目标相似度图结构。

步骤S13：将所述目标相似度图输入至疾病分类预测模型中，以便所述疾病分类预测模型输出是否为疾病的标签。

本实施例中，将该目标相似度图结构输入至疾病分类预测模型中，以便通过该模型中的图卷积神经网络自编码器对每个测试集样本对应的目标相似度图进行降维，其中，使用图卷积策略减少不是由年龄性别引起的特征差异，从而减少年龄性别因素对疾病分类造成的影响。然后使用SVM对使用图卷积神经网络降维获得的特征进行拟合并分类，从而为每个测试集中的样本获得一个是否为疾病的标签。

由此可见，本申请公开了基于训练后的功能态数据筛选模型对功能态数据进行筛选，以获取目标功能态数据，并将结构态数据的结构态数据特征和所述目标功能态数据的功能态数据特征输入至数据拼接模型中，以便所述数据拼接模型进行数据特征拼接，输出磁共振图像数据的脑影像特征；对所述脑影像特征与训练样本影像特征进行第一相似度计算，获取第一相似度；对训练样本集中的各个训练样本之间的样本影像特征进行第二相似度计算，获取第二相似度；将表征各个训练样本间的疾病分类因素的第二相似度作为构建相似度图的边，以所述第一相似度作为所述相似度图中的节点值，以获取目标相似度图；将所述目标相似度图输入至疾病分类预测模型中，以便所述疾病分类预测模型输出是否为疾病的标签。由此可见，通过对待分类的磁共振影像中的功能态数据进行筛选，获取目标功能态数据，然后再将结构态数据的结构态数据特征和目标功能态数据的功能态数据特征一同输入至数据拼接模型，对二者进行数据特征拼接，获取待分类的磁共振影像的脑影像特征，然后对该脑影像特征进行相似度计算，同时还要对训练样本集的训练样本之间进行相似度计算，根据两方的相似度计算出的相似度分别作为相似度图的边和节点值，通过对相似度图进行相似性分析，能够针对不同年龄性别人群计算不同的相似性，增加机器学习方法对不同年龄性别人群分析的能力，减少个体差异对疾病分类造成的影响提高对重度抑郁者的分类准确率。

进一步的，本申请实施例还公开了一种电子设备，图9是根据一示例性实施例示出的电子设备20结构图，图中的内容不能认为是对本申请的使用范围的任何限制。

图9为本申请实施例提供的一种电子设备20的结构示意图。该电子设备20，具体可以包括：至少一个处理器21、至少一个存储器22、电源23、通信接口24、输入输出接口25和通信总线26。其中，所述存储器22用于存储计算机程序，所述计算机程序由所述处理器21加载并执行，以实现前述任一实施例公开的基于相似度图的脑部疾病分类方法中的相关步骤。另外，本实施例中的电子设备20具体可以为电子计算机。

本实施例中，电源23用于为电子设备20上的各硬件设备提供工作电压；通信接口24能够为电子设备20创建与外界设备之间的数据传输通道，其所遵循的通信协议是能够适用于本申请技术方案的任意通信协议，在此不对其进行具体限定；输入输出接口25，用于获取外界输入数据或向外界输出数据，其具体的接口类型可以根据具体应用需要进行选取，在此不进行具体限定。

其中，处理器21可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器21可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器21也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central ProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器21可以在集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器21还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关机器学习的计算操作。

另外，存储器22作为资源存储的载体，可以是只读存储器、随机存储器、磁盘或者光盘等，其上所存储的资源可以包括操作系统221、计算机程序222等，存储方式可以是短暂存储或者永久存储。

其中，操作系统221用于管理与控制电子设备20上的各硬件设备以及计算机程序222，以实现处理器21对存储器22中海量数据223的运算与处理，其可以是Windows Server、Netware、Unix、Linux等。计算机程序222除了包括能够用于完成前述任一实施例公开的由电子设备20执行的基于相似度图的脑部疾病分类方法的计算机程序之外，还可以进一步包括能够用于完成其他特定工作的计算机程序。数据223除了可以包括电子设备接收到的由外部设备传输进来的数据，也可以包括由自身输入输出接口25采集到的数据等。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上对本发明所提供的基于多模态特征相似性的脑部疾病分类系统、方法、设备进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。