【技術實現步驟摘要】
本專利技術涉及腦磁功能共振圖像，尤其涉及一種基于圖像注意力的帕金森輔助判斷模型。
技術介紹
1、帕金森病(parkinson's?disease，pd)是一種常見的神經系統退行性疾病，主要影響中老年人。該病的發病機制復雜，目前認為是由于大腦黑質(substantia?nigra)中的多巴胺(dopamine)能神經元逐漸喪失，導致多巴胺水平下降，從而引起運動功能障礙。帕金森病的典型癥狀包括靜止性震顫、肌強直、運動遲緩和姿勢平衡障礙等。
2、近年來，隨著全球老齡化的加劇，帕金森病的發病率呈上升趨勢，已成為嚴重影響人類健康和生活質量的疾病之一。盡管目前尚無法徹底治愈帕金森病，但藥物治療、手術治療、康復治療及心理干預等綜合治療方法可以顯著改善患者的癥狀和生活質量；針對帕金森病的治療，研究者們一直在尋找新的藥物和治療方法。近年來，隨著生物技術的發展，基因治療、細胞替代治療等新型治療策略逐漸成為研究熱點。此外，醫療器械領域也在不斷發展，各種輔助設備和康復設備為帕金森病患者提供了更好的生活支持。
3、在我國，帕金森病的研究和治療取得了顯著進展，國家政策對神經系統疾病的研發給予了大力支持，推動了一批創新藥物和醫療器械的上市，在帕金森病的發病機制、診斷技術和治療方法等方面取得了一系列重要突破，但是對于帕金森病的輔助診斷并沒有十分明確的標準，不過通過對患者的腦部進行磁共振成像，基于利用的數據類型，通過計算機輔助診斷判斷圖像大概有3種方法，基于語音信號的方法、基于功能磁共振成像的方法以及基于正電子發射型計算機斷層顯像的方法；
4、對于腦功能連接圖的處理，目前較為常用的圖卷積神經網絡通過聚合局部鄰域更新節點信息，未能充分利用全局節點特征，并且隨著網絡層數增加，節點特征會逐漸趨同，變得難以區分，出現過平滑現象。
技術實現思路
1、針對上述技術中存在無法解決對腦功能連接圖的節點特征出現過平滑和部分節點信息聚合不充分的不足之處，本專利技術提供一種基于圖像注意力的帕金森輔助判斷模型。
2、為實現上述目的，本專利技術提供一種基于圖像注意力的帕金森輔助判斷模型，包括以下步驟：
3、s1-1，首先對個體進行靜息態功能磁共振圖像，對原始圖像數據進行預處理；
4、s1-2，將個體原始靜息態功能磁共振圖像數據從原始空間配準到標準模板空間；
5、s1-3，根據自動解剖標記(aal)大腦圖譜分區模板，將靜息態功能磁共振圖像影像劃分為90個腦區，平均各個大腦分區所包含體素的血氧水平依賴信號，獲得每個腦區的平均時間序列；
6、s1-4，計算各腦區間的皮爾森相關系數矩陣p，大小為90×90，從而得到不同腦區之間的腦功能連接強度；
7、s1-5，以腦區作為圖節點，對所述腦功能連接強度矩陣p取前20％大的值賦為1，其余賦0，量化為鄰接矩陣a，腦區與其他腦區的連接強度作為節點特征，建立腦功能連接圖，通過腦功能連接圖得到帕金森患者和健康人兩種結果。
8、其中，生成圖節點位置編碼和圖核，對所述腦功能連圖的拉普拉斯矩陣進行特征分解并構造拉普拉斯位置編碼。
9、其中，計算鄰接矩陣圖核，鄰接矩陣圖核描述直接的一階連接關系，有相互連接的關系賦值，沒有相互連接的關系為0。
10、其中，通過圖注意力網絡，對腦功能連接圖進行分類，構建包含圖節點位置編碼和圖節點特征的圖節點組合嵌入作為網絡輸入；將圖節點組合嵌入輸入到圖注意力網絡的主體部分圖注意力堆棧，該堆棧共包含3層，每一層結構相同，均包含基于圖核的注意力子層和前向傳播子層兩部分。
11、其中，將所述圖注意力堆棧各層的輸出，輸入到跳躍知識讀出圖池化模塊，所述圖注意力模塊堆棧有多層，將每一層學習到的表示信息拼接后，得到全圖節點表示。
12、其中，通過全連接層，將得到的圖表示向量轉換為二維向量輸出，兩個維度分別表示帕金森病與正常對照兩個類別，樣本的真實標簽為one-hot二維向量，其類別對應的維度為1，其余維度為0，使用交叉熵作為損失函數，得到整個圖注意力網絡的損失函數。
13、其中，p為s3計算的皮爾森相關系數矩陣，每一行代表一個圖節點與其他圖節點的功能連接強度，將初始節點特征皮爾森相關系數矩陣p映射到圖節點嵌入空間中。
14、其中，拉普拉斯矩陣l特征分解后的公式為：
15、
16、，上式中，a為鄰接矩陣，d為度矩陣，l為腦功能連圖的拉普拉斯矩陣，u表示l的特征向量矩陣，λ表示特征值對角矩陣；
17、構造拉普拉斯位置編碼pelap的公式為：
18、pelap＝ψ1(u[:k])
19、，上式中，ψ1表示可學習的編碼器，k表示取前k(k<n)小特征值所對應的特征向量u。
20、其中，計算鄰接矩陣圖核ka的公式為：
21、
22、，上式中，a為鄰接矩陣，d為度矩陣。
23、其中，計算鄰接矩陣圖核ka的公式為：
24、
25、其中，注意力子層公式multihead(x,x,ka)為：
26、
27、上式中，n為圖的節點數，x為該層的輸入，在第一層即為節點嵌入，ka為鄰接矩陣圖核，||表示拼接，h為注意力頭數，wo為可學習的投影矩陣，headh的計算公式為：
28、
29、上式中，為可學習的投影矩陣，posattention(·)的計算公式為：
30、
31、上式中，q為query矩陣，v為value矩陣。
32、其中，全圖節點表示h具體公式為：
33、
34、隨后采用readout讀出方法，通過readout聚合池化獲得一維的圖表示，具體公式為：
35、
36、其中，n為圖節點數，hi為矩陣h中的一行，||表示拼接，max是在n個行向量中取每一維度的最大值。
37、本專利技術的有益效果是：與現有技術相比，本專利技術提供的一種基于圖像注意力的帕金森輔助判斷模型，利用自注意力機制將圖節點間信息交流拓展到圖全局，充分學習帕金森氏病患者的腦功能連接圖的節點特征，并通過基于圖表示的位置編碼和基于圖核的注意力機制充分學習圖的拓撲特征，此外，采用了基于跳躍知識連接的圖池化融合了不同transformer?encoder層的多尺度的節點表示，解決了過平滑和部分節點信息聚合不充分的問題。與現有的帕金森氏病計算機輔助診斷方法相比，本專利技術方法診斷準確率更高，并且本專利技術方法發現的帕金森氏病診斷的高鑒別腦區與已往帕金森氏病腦功能研究結果具有高度的相關性，因此，本專利技術提出的框架為尋找診斷帕金森氏病的影像學標志物提供了新的策略。
本文檔來自技高網...【技術保護點】
1.一種基于圖像注意力的帕金森輔助判斷模型，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于圖像注意力的帕金森輔助判斷模型，其特征在于，生成圖節點位置編碼和圖核，對所述腦功能連圖的拉普拉斯矩陣L進行特征分解并構造拉普拉斯位置編碼PELap。
3.根據權利要求2所述的基于圖像注意力的帕金森輔助判斷模型，其特征在于，計算鄰接矩陣圖核KA，鄰接矩陣圖核KA描述直接的一階連接關系，有相互連接的關系賦值，沒有相互連接的關系為0。
4.根據權利要求3所述的基于圖像注意力的帕金森輔助判斷模型，其特征在于，通過圖注意力網絡，對腦功能連接圖進行分類，構建包含圖節點位置編碼和圖節點特征的圖節點組合嵌入作為網絡輸入；將圖節點組合嵌入輸入到圖注意力網絡的主體部分圖注意力堆棧，該堆棧有多層，每一層結構相同，均包含基于圖核的注意力子層和前向傳播子層兩部分。
5.根據權利要求4所述的基于圖像注意力的帕金森輔助判斷模型，其特征在于，將所述圖注意力堆棧各層的輸出，輸入到跳躍知識讀出圖池化模塊，所述圖注意力模塊堆棧有多層，將每一層學習到的表示信息拼接后，得到全
6.根據權利要求5所述的基于圖像注意力的帕金森輔助判斷模型，其特征在于，將得到的圖表示向量轉換為二維向量輸出，兩個維度分別表示帕金森病與正常對照兩個類別，樣本的真實標簽為one-hot二維向量，其類別對應的維度為1，其余維度為0，使用交叉熵作為損失函數，得到整個圖注意力網絡的損失函數LOSS。
7.根據權利要求6所述的基于圖像注意力的帕金森輔助判斷模型，其特征在于，拉普拉斯矩陣L特征分解后的公式為：
8.根據權利要求7所述的基于圖像注意力的帕金森輔助判斷模型，其特征在于，計算鄰接矩陣圖核KA的公式為：
9.根據權利要求8所述的基于圖像注意力的帕金森輔助判斷模型，其特征在于，其中，注意力子層公式MultiHead(X,X,KA)為：
10.根據權利要求9所述的基于圖像注意力的帕金森輔助判斷模型，其特征在于，全圖節點表示H具體公式為：
...【技術特征摘要】
1.一種基于圖像注意力的帕金森輔助判斷模型，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于圖像注意力的帕金森輔助判斷模型，其特征在于，生成圖節點位置編碼和圖核，對所述腦功能連圖的拉普拉斯矩陣l進行特征分解并構造拉普拉斯位置編碼pelap。
3.根據權利要求2所述的基于圖像注意力的帕金森輔助判斷模型，其特征在于，計算鄰接矩陣圖核ka，鄰接矩陣圖核ka描述直接的一階連接關系，有相互連接的關系賦值，沒有相互連接的關系為0。
4.根據權利要求3所述的基于圖像注意力的帕金森輔助判斷模型，其特征在于，通過圖注意力網絡，對腦功能連接圖進行分類，構建包含圖節點位置編碼和圖節點特征的圖節點組合嵌入作為網絡輸入；將圖節點組合嵌入輸入到圖注意力網絡的主體部分圖注意力堆棧，該堆棧有多層，每一層結構相同，均包含基于圖核的注意力子層和前向傳播子層兩部分。
5.根據權利要求4所述的基于圖像注意力的帕金森輔助判斷模型，其特征在于，將所述圖注意力堆棧各層的輸出，輸入到跳...
【專利技術屬性】
技術研發人員：張克忠，孔佑勇，甘彩婷，朱益輝，袁永勝，
申請(專利權)人：江蘇省人民醫院南京醫科大學第一附屬醫院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。