[发明专利]一种基于社区检测和双路自编码的脑网络分类方法

说明书

本发明公开了一种基于社区检测和双路自编码的脑网络分类方法。我们引入社区检测方法，检测脑网络中潜在的社区结构，然后，根据社区检测的结果，重新调整网络中节点的排序顺序。一方面，它使得网络中的模块化结构得以保留，另一方面，经过调整之后的脑网络更加适用于深度学习方法中的矩形卷积核。由于脑网络数据有两个模态，分别是结构模态和功能模态。为了更好的融合两个模态的信息，本发明采用双路自编码技术进行脑网络分类。首先，我们采用结构模态指导功能模态网络的社区检测与网络结构调整方法。然后，采用带注意力机制的双路自编码技术，提取网络中重要的高阶信息。最后，综合利用结构模态和功能模态的互补信息完成脑网络的分类任务。

技术领域

本发明属于机器学习领域，具体涉及一种基于社区检测和双路自编码的脑网络分类方法。

背景技术

近年来，神经成像技术发展迅速，为我们带来了各种形式的脑成像数据，为我们研究人脑内部组织，活动，提供了很大的支持。因此，依赖于神经成像技术的脑网络分析方法受到了越来越多的关注，并逐渐成为主流。并且，相关的研究工作都表明，脑网络分析方法可以取得很好的效果。在脑网络分析研究中，最常使用的成像技术为功能磁共振成像(fMRI)和弥散张量成像(DTI)。fMRI可以反映大脑区域BLOD信号之间的时间相关性，通过fMRI数据可以构建大脑的功能连接网络。DTI可以揭示功能相关灰质区域之间的物理连接，从而构建大脑的结构连接网络。无论是单模态网络分析，还是多模态网络分析，寻找合适的方法挖掘大脑网络的潜在内部结构，提取有效的特征，从而提高脑网络分类精度，都是关键任务。

然而，在脑网络分析任务中，却存在着以下几点困难。1)噪声：在医学影像采集的过程中，很容易收到客观环境的干扰，所以往往存在着很多的噪声。比如，同一个受试者，在一天中的不同时间段采集出来的数据可能是不一样的，这给我们的分析任务带来了困难。2)高度非线形：图结构数据往往有潜在的高度非线性的关系，而脑网络，做为一种典型的图结构数据，其内部也是存在一定的非线性关系的。如何捕捉脑网络中的非线性关系一直是一个研究的热点；3)结构保存：很多相关研究表明，脑网络内部往往存在着一些结构，比如小世界，模块，社区结构，它们在脑网络分析过程中起着很重要的作用。然而，很多传统的脑网络分析方法，都会把表示网络的矩阵拉成一个向量处理，损失了这种重要的结构信息。在学习大脑网络嵌入的同时，保持社区结构是很重要的；4)多模态网络分析：目前，结合功能和结构模态的多模态脑网络分析变得很流行。由于结构网络和功能网络的特性不同，因此，在多模态脑网络分析的时候，我们不能简单的使用同一种方法对它们分析，也不能直接融合。如何在多模态脑网络分析任务上，同时考虑结构连接和功能连接，一直是一个关键问题。

很多方法被提出用以解决这些困难。比较典型的有子图挖掘方法和图核方法。图核方法通常基于子结构计算两个网络之间的相似性，如最短路径，随机游走，或其他子图。图核方法可用于集成脑网络的局部连通性，或全局拓扑属性。但是，由于用图核方法构建的模型都是浅层模型，所以图核方法只能提取到浅层的特征，在复杂情况下的特征学习能力较弱，因而不能有效的捕获到脑网络中潜在的复杂高度非线性关系。子图挖掘方法是一种无监督方法，目的是通过采用一些特定的标准从一组图中提取出有用的子图特征。目前流行的做法是通过连通子图模式选择频繁的子结构。但是，由于脑网络数据的巨大复杂性，这种方法很难精确的捕获到脑网络的高度非线性特征。并且，无法探测出网络内部的结构信息。