多通道稀疏图变换网络用于早期阿尔茨海默病识别.pdf
《多通道稀疏图变换网络用于早期阿尔茨海默病识别.pdf》由会员分享,可在线阅读,更多相关《多通道稀疏图变换网络用于早期阿尔茨海默病识别.pdf(11页珍藏版)》请在咨信网上搜索。
1、Chinese Journal of Biomedical Engineering2023年8 月August2023中国医生42卷4期No.4Vol.42报程物学学多通道稀疏图变换网络用于早期阿尔茨海默病识别邱雅利刮朱云余双至宋雪刚汪天富雷柏英(深圳大学医学部生物医学工程学院,广东省生物医学信息检测和超声成像重点实验室,广东深圳518060)摘要:目前阿尔茨海默病(AD)尚无有效的防治方法,早期临床干预可以延缓其进展,改善预后。然而现有的方法只考虑从群体关系中学习到的神经影像学特征而不考虑被试的个体特征。本研究设计了一种新颖的多模态多通道稀疏图变换网络(MSGTN)以期实现早期AD识别。首先
2、,获取并处理每个被试者的影像信息如弥散张量成像(DTI)和功能磁共振成像(fMRI)等】以及其相应的非影像信息(如年龄、性别等);其次,利用局部加权聚类系数(LW CC)将功能信息和结构信息进行融合,并将已融合的多模态影像特征与受试者的性别和年龄信息相结合来构建稀疏图;最后,将构建的稀疏图输入所设计的MSGTN网络模型用于早期AD识别。从公共数据库ADNI上获得共17 0 个受试者,其中38 个晚期轻度认知障碍(LMCI)患者,44个早期轻度认知障碍(EMCI)患者,44个显著记忆下降(SMC)患者和44个正常对照(NC)。结果表明,SMC与NC的准确度为8 7.0 2%,EMCI与NC的准确
3、度为87.40%,LM CI与NC的准确度为9 1.49%,SMC与EMCI的准确度为8 8.9 3%、SMC与LMCI的准确度为8 6.7 4%、EMCI与LMCI的准确度为9 2.12%。所提出的诊断模型不仅能够分析出NC与3种不同早期AD疾病状态,而且在3种不同早期AD疾病状态中也取得了优越的分类性能。关键词:阿尔茨海默病;多模态信息融合;早期识别;多通道学习;图稀疏变换网络中图分类号:R318文献标志码:A文章编号:0 2 58-8 0 2 1(2 0 2 3)0 4-0 442-11Multi-Channel Sparse Graph Transformer Network for
4、EarlyIdentification of Alzheimers DiseaseQiuYaliiZhu YunYu ShuangzhiSong XuegangWang TianfuLei Baiying(School of Biomedical Engineering,Shenzhen University,National-Regional Key Technology Engineering Laboratory for Medical Ultrasound,Guangdong Key Laboratory for Biomedical Measurements and Ultrasou
5、nd Imaging,Shenzhen 518060,Guangdong,China.)Abstract:Currently,there is no effective treatment for Alzheimers disease(AD).Clinical intervention viaearly diagnosis can delay the AD progression and improve its prognosis.However,the existing methods onlyconsider the neuroimaging features learned from g
6、roup relationships,not the individual characteristics of thesubjects.In this work,we designed a novel multi-modal multi-channel sparse graph transformer network(MSGTN).Our proposed network model included two parts,they are multi-modal data optimization and multi-modal feature learning.Firstly,we acq
7、uired the image information(e.g.,diffusion tensor imaging(DTI)andfunctional magnetic resonance imaging(fMRI)and non-image information(e.g.,age and sex)of eachsubject.Secondly,we utilized locally weighted clustering coefficients(LWCC)to fuse functional and structuralinformation.After that,the fused m
8、ulti-modal image features were combined with the gender and ageinformation of the subjects to construct a sparse graph.Finally,we input the sparse graph into the MSCTNnetwork for early AD identification.We obtained a total of 170 subjects from the public database ADNI(Alzheimers disease neuroimaging
9、 initiative),including 38 LMCI,44 EMCI,44 SMC,and 44 normal controls(NC).Our method achieved classification accuracy of 87.02%,87.40%,91.49%,88.93%,86.74%and92.12%,respectively.The experimental results have proved that our proposed model not only can analyze NCdoi:10.3969/j.issn.0258-8021.2023.04.00
10、7收稿日期:2 0 2 1-0 7-11,录用日期:2 0 2 2-0 9-17基金项目:国家自然科学基金(6 18 7 12 7 4)*通信作者(Corresponding author),E-mail:leiby 443夏景明,等:LMD-UNet网络在脑肿瘤多模态MRI图像分割中的应用4期versus three different early AD disease states,but also achieved superior classification performance in threedifferent early AD disease states.Key words
11、:Alzheimers disease(A D);mu l t i-mo d a l f u s i o n;e a r l y i d e n t i f i c a t i o n;mu l t i-c h a n n e l l e a r n i n g;graph sparse transformer network.引言阿尔茨海默病(Alzheimers disease,A D),是当今世界面临的最严重的神经退行性疾病之一,目前临床上还没有成熟的治疗手段 2 。由于AD存在长达2 0 年的临床前期,学者们将早期AD分成晚期轻度认知障碍(late mild cognitive imp
12、airment,L M CI)、早期轻度认知障碍(earlymild cognitive impairment,EMCI)和显著记忆下降(significantmemoryconcerns,SMC)3。在疾病的早期阶段对患者进行干预治疗,能够有效地延缓阿尔茨海默病的发生。影像学检查是目前诊断AD不可或缺的重要手段 4。不同的成像技术可以捕捉不同类型的大脑信息,如结构、功能和形态信息。弥散张量成像(d i f f u s i o n t e n s o r i ma g i n g,D T I)5】和功能磁共振成像(functional magnetic resonance imaging,fM
13、RI)6)被广泛应用于构建脑功能连接网络(brainfunctionalconnectivity network,BFCN)以自动识别早期AD7。通过DTI从静态功能连接网络构建的结构连接(s t r u c t u r e c o n n e c t i v i t y,SC)可以揭示脑部结构的全局平稳性情况;而通过fMRI从动态功能连接网络构建的功能连接(functional connectivity,FC)可以揭示真正的局部动态 8-12 。利用机器学习技术进行脑网络估计和特征提取,并且融合多模态成像信息,实现信息互补,提高特征表达的鲁棒性 13-1。现有研究利用FC与SC互补特性,通过
14、局部加权聚类系数(local weighted clustering coefficients,L W CC)融合SC和FC可以提高特征的表达能力 15-1。随着神经影像和模式识别技术的空前发展,研究人员利用卷积学习方法进一步提升计算机辅助早期AD诊断的准确率 17 。其中,深度图卷积网络以其卓越的图表示能力,在各种疾病的诊断中得到了广泛的应用 18 。图论可以应用在节点分类、图分类、图生成和链接预测等学习任务中 19-2 。图论通常使用单通道特征学习进行目标检测和图像分类。Chandra等 2 3 提出了一种多单元单通道在线实时网络来实现动作电位的检测。Zhu等 2 4 提出了一种基于单通道
15、EEG信号的差异可见性图用于睡眠阶段的分类。由于传统的单通道特征提取方法在网络运行过程中的真实性较差,研究者提出用多通道特征学习方法代替传统的单通道特征提取方法,其中多通道特征学习可以充分捕捉图像中的上下文信息,获得更好的特征表示 2 5图卷积网络(graphconvolutional network,G CN)是图论的常用形式 2 6 ,以一种强大而直观的方式建立个体与群体之间的关系。图变换网络(graphtransformernetwork,G T N)2 7 可以学习到输人图像或特征的空间变换。变换网络是一种注意机制,它缩短了不同位置之间的距离。通过多个不同的图结构可以学习不同的节点表示
16、。为此,本研究提出了一种新的多通道稀疏图变换网络(multi-channelsparse graph transformer network,MSGTN),从多模态图像数据中获取丰富的被试特征来提升早期AD的识别率。从同一个受试者中获得FC和SC信息,并通过LWCC连接FC和SC信息来提高特征的表达能力。该模型利用个体和群体之间的图像和非图像信息,有效地学习丰富的特征信息,与传统的特征提取方法相比,该方法量化了每个节点的聚类,有效地降低了特征维数。从阿尔茨海默病神经影像学倡议数据库(Alzheimers Disease NeuroimagingInitiative,A D NI,h t t p
17、:/a d n i.l o n i.u s c.e d u/)获得共170名受试者数据并进行实验。实验表明,提出的方法取得了良好性能。1材料和方法本研究主要通过多模态数据处理优化和多模态数据特征模型学习来实现早期AD智能诊断。模型主要分为:脑网络构建、图构建、特征模型学习和疾病分类这4个步骤,其模型结构示意图如图1所示,具体内容包括:1)利用静息态功能磁共振成像(r s-f M R I)构建动态高阶功能脑网络,利用弥散张量成像(DTI)构建结构脑网络;2)从每个受试者的脑网络中提取特征向量以构建图节点,结合节点与非影像信息(性别、年龄等),利用皮尔森相关系数模拟受试者之间的关系以构建图的边,最
18、终构建一个完整的图3)使用图学习的方法,主要基于多通道稀疏图变换网络(MSGTN)完成图建模,构建数据学习、特征学习、模型学习的智能诊断流程;4)利用网444中42卷生医国报学程学物受试者脑网络构建图构建MSGTN疾病分类DTIAALSCExtractedSexAgeFeaturesGTNLayer1分数各向异性ClassifierWGTNLayer2rs-fMRIAALFCNCEMCIGTNLayerpSMCLMCI滑动窗口Output图1研究方法框架Fig.1The flowchart of our proposed methods表117 0 个受试者年龄与性别信息汇总Tab.1Summ
19、ary of age and gender information of 170 subjectsGroupNCSMCEMCILMCIMale/Female22/2217/2722/2219/19Age(Mean SD)76.404.5076.315.4176.526.1475.97 7.66络运行结果实现对早期AD的识别与诊断。1.1数据采集研究主要采取的数据来源于公开数据集ADNI。该数据库包括了AD、L M C I、EM C I、SM C 和NC不同阶段的个体数据,以及各阶段个体不同时间点的数据。拟就ADNI的DTI和fMRI两种多模态数据进行研究,详细统计信息可见表1。实验总共采集17
20、 0个受试者,其中包含44SMC、38 L M CI、44EM CI 和44 NC。1.2数据预处理由于数据库中采集到的数据来自不同的数据采集人员以及采集设备,因此成像质量参差不齐。为了尽可能减小这些原因造成的数据异质性问题,本研究拟采用标准的预处理流程。DTI的成像数据处理采用PANDA工具包 2 8 ,主要考察两组被试蛋白质各向异性分数(fractionalanisotropy,FA)的差异。具体处理步骤如下:利用MRIeron软件将DTI原始dicom数据转换成FSL29可以处理的4D数据格式,利用FSL自带的BET工具将4D图像进行去脑壳操作。使用DTIFIT工具在每个体素点处构建张量
21、模型和张量矩阵,对该矩阵进行对角化操作得到特征和特征向量,基于每个体素计算FA值,生成被试的FA值图,得到每位被试对应的结构连接网络。rs-fMRI数据处理采用基于Matlab的SPM30和FSL软件进行预处理。在预处理中,利用窗函数傅立叶插值校正所有图像层之间的时间差异,并依次完成运动校正、空间标准化;通过数据平滑处理提高信噪比,回归数据中的运动参数寻求有效降低头部运动造成的影响。根据形态分析结果,将大脑体积异常的脑区取为感兴趣区域(region of interest,ROI),进行功能连接度分析,提取ROI平均响应时间序列,将其与大脑其它体素的时间序列进行相关分析,采用Fisher Z变
22、换得到相关系数转化为近似高斯分布,得到每位被试对应的功能连接网络。1.3构建脑连接网络结构脑连接网络的构建:结构是功能的基础,结构的改变往往会影响功能的活动,所以构建脑结构网络对于理解大脑的神经元之间信息传递非常重要。考虑到脑网络内在相关性和局部流形结构,将权重图矩阵用来约束脑网络构建。功能脑连接网络的构建:功能是结构的反映,但又反过来影响结构的变化,所以构建脑功能网络会帮助对大脑更好的理解。在本研究中考虑大脑的动态特性基于滑动窗口与皮尔逊相关系数构建动态脑网络。1.4特征提取由上述方法得到的所有样本的动态高阶脑网络是全连接的,为了获取更具判别力的特征、提高分类性能,本研究提取网络的局部权重聚
23、类系数作4454期邱雅利,等:多通道稀疏图变换网络用于早期阿尔茨海默病识别为功能连接网络的特征。这样就能够量化加权网络中每个节点的团簇性,相比局部聚类系数,它在计算过程中考虑了网络权重的影响,描述了网络中每个节点的局部拓扑,是一种更加有效的网络表示。具体来说,对给定的具有K个顶点的网络,边缘权重由w,(1ijK)表示。每个网络权重w;第i个节点的局部聚类系数可以定义为2j:je6i(1)18,1(1 8,1-1)式中,8;表示连接到顶点i的一系列顶点,18,1是8;的元素个数。从所有节点提取特征后,将它们连接起来生成一个特征向量。1.5图构建MCI-graph图是图学习分类中的一个关键部分,其
24、建立了个体与群体之间的相互作用。合理的图结构可以在特征输入和特征传播过程中纠正特征。如果MCI-graph图的构造不准确,其性能可能会比简单的分类器更差。图包括非图像信息的图边和表示每个个体图像信息特征的图顶点。图边的定义决定了MCI-graph的性能,图的边的作用是利用相邻图的特征来过滤特征,而不是单独处理个体的特征。图像信息是在不同的设备,不同的成像协议和扫描仪被使用。这样,从同一类型设备获取的特征之间的图像信息将有更好的可比性关系。除了设备,性别也是一个很有价值的信息,因为不同的性别会导致图像的一些差异。考虑非图像表型信息,性别和获取设备等因素。因此,MCI-graph图的邻接矩阵W定义
25、为W(v,w)=Sim(A,A)(rc(M,(v),M,(w)+re(M,(),M(w)(2)式中,Sim(A,A)表示被试与被试w之间的图像特征相似度;M,代表非图像表型信息;r表示表型特征之间的距离,Tc表示性别距离,T表示获取设备的距离。将r定义为一个单位阶跃函数,有1,ifsamer(M,(v),M,(w)(3)o,otherwise相似度测度定义为p(x(v),x(w)Sim(A,A.)=exp(4)202式中,p表示相关距离,表示核的宽度。1.6图频谱卷积GCN有效地实现了非欧几里德空间数据的卷积运算 2 6 。对于图形数据的卷积运算,可以看作是滤波器和信号在傅里叶域的乘积。信号的
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 通道 稀疏 变换 网络 用于 早期 阿尔茨海默病 识别
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。