基于脑功能连接和深度学习的自闭症分类研究

阅读量：

465

作者：

贾楠

展开

摘要：

在2018年的两会上,全国人大代表王欣会提到:自闭症儿童需要更多的关爱。对自闭症诊断和预后越来越引起人们的重视。研究者早已发现自闭症患者(Autism spectrum disorder,ASD)与正常人(Typically developing individuals,TD)的大脑有明显的异常,但是对具体的构造差异还没有得到定论。目前,医生是借助行为量表来主观地判断个体是否有自闭症倾向,但这种方法不能完全作为诊断依据。因此,需要一些新的方法来帮助诊断自闭症。随着功能核磁共振(functional magnetic resonance imaging,f MRI)技术的兴起,对研究自闭症提供了一种新的研究方向。静息态磁共振成像(resting state functional magnetic resonance imaging,rs-f MRI)是在静息态下通过检测血氧水平获得高分辨率的图像。本文对大脑的功能连接采用全脑相关分析,通过对静息态下的不同脑区的血氧平衡信号波动性求得时间序列的相关性,提取脑功能连接相关矩阵,再利用深度学习的堆栈自编码(Stacked autoencoder,SAE)进行特征提取训练,最后通过Softmax分类器来对ASD和TD分类。本论文的主要工作内容如下:(1)对rs-f MRI数据进行脑功能连接分析。这些数据来自于公开的ABIDE网站,将这些数据进行预处理和规范化,然后对它们做进一步的脑功能连接分析,得到对应的相关矩阵,并选取相关矩阵有用的元素来进行后续的特征选择。(2)将上面做了相关分析的矩阵根据标签分出ASD组和TD组,然后采用深度学习的堆栈自编码对数据进行特征选择和提取,最后用Softmax分类器和交叉验证的方法对ASD和TD分类,发现使用留一法交叉验证可得到高达95.27%的准确率。(3)为了防止ASD分类系统的过拟合现象,还加入了Dropout算法,同时也增强了网络模型在缺失个体连接信息情况下的鲁棒性,使得准确率有所提升。本文采用基于脑功能连接和深度学习的方法来对自闭症进行分类,利用堆栈自编码的逐层分析进行特征提取,通过无监督的预训练、有监督的微调以及Dropout算法,有效解决了传统神经网络在训练中容易陷入局部最优的困难,并且使得特征提取和选择更具有普遍性。通过多次实验,发现该方法不仅对分类准确率有所提升,而且可以为计算机辅助诊断ASD提供参考,希望对临床医学诊断和预后提供帮助。

展开

关键词：

自闭症；脑功能连接相关矩阵；深度学习；堆栈自编码；分类

学位级别：

硕士

DOI：

CNKI:CDMD:2.1018.148202