技术领域
[0001] 本
发明涉及脑成像智能计算领域的一种基于深度信念网络的ADHD判别分析。技术背景
[0003]
注意缺陷多动障碍(Attention deficit hyperactivity disorder,ADHD),是儿童最常见的
疾病之一,它可以延续到青春期甚至成年期,主要表现为注意
力不集中,多动和行事冲动的问题。美国
精神病协会的诊断和统计手册第五版通常用来帮助精神健康专家诊断多动症。然而,仅仅根据临床和评级的诊断可能是不可靠的,因为它可以与临床医师的自身,文化和国家等有关。因此,客观的ADHD诊断方法将具有十分重要的意义。
[0004] 功能
磁共振成像(fMRI)是一种脑功能成像技术,其根据血
氧依赖
水平(BOLD),建立了健康和患病的人的大脑活动。近年来,许多研究围绕利用
模式识别和
机器学习的方法进行ADHD诊断的课题展开。Cheng W等人总结了健康人和ADHD患者之间的神经影响学的特征,整合了脑关联研究和特征集成,提取出最敏感的特征,发现了额叶和小脑这两个区域与ADHD的紧密关系。当然,越来越多的功能神经影像学已经在ADHD的研究中得到应用。据悉,在分析与任务相关的fMRI数据时,背侧前扣带皮层(dACC),腹侧内侧前额叶皮层(vmPFC)和小脑出现了异常。Wolf等使用
独立分量分析12个健康人和12个多动症的成年人的工作记忆任务。Zhu等人首次提出了采用静息态功能磁共振成像的局部一致性(ReHo值)基于PC–FDA来分类儿童多动症,其留一法交叉验证正确率可以高达85%,但实验的被试者只有20个。由于数据的缺乏,研究多动症的自动诊断很少。幸运的是,1000FCP(Functional Connectomes Project)提供了一个模型,其中包括大规模数据集。在此模型上,ADHD-200协会成立了静息态功能磁共振数据集,在全球ADHD-200竞赛中,约翰·霍普金斯大学Eloyan A等人取得了最好的预测成绩。
[0005] ●深度信念网
[0006] 深信念网络(Deep Belief Network,DBN)是一个概率生成模型,其因为成功利用受限制
玻尔兹曼机(Restricted Boltzmann Machine,RBM)的逐层贪婪训练而引起了各界的兴趣。一个深层信念网络的架构主要是
受限玻尔兹曼机,受限玻尔兹曼机主要由一个可视层和
隐藏层组成,可视层和隐藏层之间有联系,但是彼此内部之间却没有任何联系。DBN训练模型之上添加一层softmax分类层可用于多类分类问题,其中softmax回归是logistic回归的泛化,与logistic回归只能用于二分分类问题不同,softmax能够计算多类概率并用于分类。目前,深度信念网已经被广泛用于
图像处理,音频分类,目标识别,
自然语言处理等领域。
[0007] Mohamed等人使用5层DBN代替GMM-HMM中的高斯混合模型,并利用单
音素状态作为建模单元进行
语音识别。虽然该模型使用单音单元,这种方式还是取得了近似于三音素GMM-HMM的识别准确率。Nair和Hinton开发了一种DBN
变形,其中最顶层由第三阶Boltzmann机构成。他们将这种模型运用于NORB
数据库,完成三维
物体识别任务。其错误率与当时最先进水平齐肩,更打败了SVMs等浅层结构。Ruhi Sarikaya等成功利用DBN处理自然语言呼叫路由选择任务。DBNs的分类结果优于基于最大熵等方法的分类器,与最佳表现的SVMs相当。研究者进一步将DBNs作为特征生成器,并将所得到的结果运用SVM分类,此方法所得的结果优于所有模型。然而,DBN从来没有被应用到多动症的分类领域中。
发明内容
[0008] 为了克服上述
现有技术的局限,本发明针对fMRI功能磁共振数据提出一种基于深度信念网络ADHD的分类方法。深度信念网络是一种概率生成模型,通过堆叠多个含有隐藏层和可视层的受限波尔兹曼机构成,它模拟了人脑处理
信号的逐层抽象特征的过程,抽象出原始信号的等效特征表达。
[0009] 为实现上述目的,本发明给出的技术方案为:
[0010] 概括的说,本方法为了实现ADHD的分类,主要分为数据的预处理、特征提取和分类两大部分。获得的fMRI数据是大小为49*58*47的3D图像的时间序列,数据的预处理负责排除实验实施造成的数据差异以及数据的规范化,特征提取负责提取利于分类的抽象更具表现力的特征,分类则负责根据提取到的特征进行分类分析工作。
[0011] 一种基于深度信念网络的ADHD判别分析方法,其特征在于,包括步骤为:
[0012] 步骤1,预处理:
[0013] 首先,依次完成原始数据的预处理如头动校正,时间层校正,空间归一化,平滑等操作。这些预处理是常规的用来进行影像学处理的方法,详细可见文献[1]([1]:Huettel S A,Song A W,McCarthy G.Functional magnetic resonance imaging[M].Sunderland,MA:Sinauer Associates,2004.)。
[0014] 接着,为了减小数据维度,采用了三步策略:
[0015] 1)根据布罗德曼模板按大脑皮层中的区域分割3D图像成48个区域;
[0016] 2)假设扫描过程中一些脑区的脑
体素的最高
频率是不同的,因此,利用快速
傅立叶变换算法(FFT)将数据从时域变换到频域;
[0017] 3)最后从每个分区里执行最大化选择,选择具有最大振幅的频率。
[0018] 步骤2,所述特征提取和分类:
[0019] 所述特征提取和分类主要依赖于深度信念网络。深度信念网络主要由限制玻尔兹曼机堆叠组成最后由softmax分类并逐层进行反向调节。限制玻尔兹曼机逐层训练时目标是最大化概率函数的似然函数并引入对比散度,利用△ω=ε(
data-recon)(其中△ω代表权重的增量,ε表示学习率,vi表示可视层的第i个节点的值,hj表示隐藏层第j个节点的值,data和recon分别代表了)更新权重,使得隐藏层成为可视层的近似表示,并且将第一层的隐藏层作为第二层的可视层,以此类推,得到DBN的RBM层(受限制玻尔兹曼机层),最后,将最后一个隐藏层作为softmax的输入,得到相应的输出即分类,并比较得到的分类标签与真实的标签之间的差距来反向调节整个网络的权重。[0020] 与现有技术相比,本发明创新点及有益效果:将深度信念网络(DBN)用于fMRI的ADHD判别分析,提供了一个对fMRI数据的处理和分析判别的方法,利用深度信念网络进行特征提取,提供了一种更加客观的表示原始信号的特征选择方法,利用这些特征能够提高对fMRI的ADHD分类判别效果。此外,为了利用深度信念网模型,对原始的3D时间序列数据除了进行常规的包括头动校正等预处理外,还进行了一些特殊的预处理,包括布罗德曼分区投影,FFT变换以及基于最大幅值的频率挑选,这样的处理使得数据能够有效地进行DBN训练和学习。
附图说明
[0021] 图1ADHD判别分析的总体步骤
[0023] 图3DBN训练模型过程
[0024] 图4正常人和ADHD的对比分析图
具体实施方式
[0025] 以下结合附图和案例对本发明方案作进一步说明。
[0026] 本发明利用深度信念网络的优势,通过对ADHD的fMRI数据进行特征处理并分类。同时,基于本文提出的判别方法获得的判别效果高于原先的结果。如图1所示,本发明方法分为两大组成部分:预处理,特征提取与分类。其中预处理主要利用专
门针对核磁
数据处理的spm
软件(软件产品已商业化,其功能设计、开发实现、操作使用方法都已属于现有技术)进行相关预处理操作,并且根据数据特征进行预处理和特征选择使得数据能够被深度信念模型有效训练和识别。特征提取与分类主要依赖于深度信念网络。最终,能够对原始图像输入经过一系列操作和分类可以判别该图像属于正常人还是ADHD的一类。具体的内容包括:
[0027] (1)基于SPM软件的fMRI数据的预处理
[0028] (2)基于布罗德曼模板、FFT(
快速傅立叶变换算法,属于现有技术)和最大化选择的数据分割
[0029] (3)基于48个布罗德曼分区深度信念网络的数据特征提取和分类判别[0030] (4)基于三个功能联合分区的深度信念网络的特征提取与分类分析[0031] 案例
[0032] 本发明的执行过程如图2所示,主要分为数据的预处理,深度信念网络的构建学习和基于深度信念网络的ADHD判别分析。
[0033] 如图3所示,原始的fMRI图片是一个静息态的大脑切面扫描图经过spm的校正,归一化,平滑等操作后的状态,从图示可以看出,ADHD的fMRI图像与非ADHD的fMRI图像有差别,如何识别出这样的差别却具有很大的挑战性。本发明针对这样的图像的时间序列,首先,进行了布罗德曼脑区的数据提取,通过FFT(快速傅立叶变换算法)进行时频域信号转换以及最大振幅的频率挑选这样的预处理,预处理后的数据如图4所示,对于正常人和ADHD来说,数据量依旧很大,而且区别不是特别明显。但是,经过我们提出的利用DBN的模型进行特征提取后,提取出的特征如图4最后的结果,可以发现两者之间特征的差异比较明显,这样的特征进而被用来对ADHD和正常人进行判别分类,实验中的结果显示这种方法的分类效果高于原先的结果。此外,基于布罗德曼功能分区提取比较了三个功能区的分类效果,这三个功能区分别为前额叶、视觉皮层和扣带皮层。将这三个功能分区分别作为一个整体,并提取其中的频率特征作为DBN训练的原始特征进行训练和测试。分类效果显示在前额叶和扣带皮层的分类效果高于视觉皮层。这种方法在区分ADHD和正常人时,不仅不需要人工挑选特征,同时产生的特征还具有更有效分类的效果。