一种注意缺陷多动障碍辅助诊断方法及系统

1.本发明涉及医学影像处理和辅助诊断技术领域，具体为一种注意缺陷多动障碍辅助诊断方法及系统。


背景技术：

2.注意力缺陷多动障碍(attention deficit andhyperactivity disorder，adhd)是一种常见的神经发育性疾病，主要症状主要表现为注意力不集中、多动以及冲动等行为，给患者的学习、工作和社交都会造成一定的影响。注意力缺陷多动障碍的发病机制仍不明确，其诊断主要依据患者的病史和临床症状表现，高度依赖医生的临床经验具有高度的主观性。因此，揭示可靠、客观的诊断指标实现注意力缺陷多动障碍的早期诊断和临床干预具有重要意义。
3.作为一种非介入无创成像技术，静息态功能磁共振成像(resting-state functional magnetic resonance imaging，rs-fmri)是一种研究大脑生理活动的重要手段，为挖掘人脑潜在的与疾病相关的生物标志提供了重要途径。基于rs-fmri数据构建的脑功能连接(functional connectivity，fc)网络能够表征大脑区域之间神经相互作用，已经成功应用于各种脑疾病的计算机辅助诊断。研究表明注意力缺陷多动障碍脑网络连接存在异常，因此基于fc的方法被广泛应用于辅助诊断注意力缺陷多动障碍。
4.在传统的fc网络分析中，通常假设rs-fmri在整个扫描期间是稳定的。然而，最近的研究表明，即使在静息状态下，功能性脑功能连接也呈现动态变化特性，揭示脑功能连接的动态变化规律有助于发现更敏感的影像学生物标记，为理解脑疾病提供了一种新的视角和手段。现有的研究通常基于滑动窗技术构建动态fc，即采用滑动窗将整个时间序列划分为多个不重叠的子时间窗，在每个时间窗上计算成对脑区之间时间序列信号的统计依赖性构建功能连接网络，分析其在时间上的动态变化。然而，先前的研究仅关注成对脑区之间局部关系的学习，忽略了大脑自发活动中的高阶交互作用。


技术实现要素：

5.(一)解决的技术问题
6.针对现有技术的不足，本发明提供了一种注意缺陷多动障碍辅助诊断方法及系统，对大脑fc的动态高阶特性进行建模，提高脑功能连接网络表征能力，提升脑疾病辅助诊断性能。
7.(二)技术方案
8.为实现以上目的，本发明通过以下技术方案予以实现：
9.第一方面，提供了一种注意缺陷多动障碍辅助诊断方法，包括：
10.将获取的大脑时间序列数据划分成至少一个连续且不重叠的子时间窗；
11.提取每个子时间窗的判别性特征，并通过提取的判别性特征获取高阶功能连接网络；
12.通过预设的tcn模块捕获获取的每个子时间窗的高阶功能连接网络的动态特征，刻画大脑功能连接随时间变化的关系，获得脑疾病的动态变化规律；
13.通过脑疾病的动态变化规律获得每个子时间窗和疾病相关性的值，并将每个子时间窗和疾病的相关性的值作为权重对每个子时间窗的高阶功能连接网络进行特征融合；
14.将特征融合的结果输入到三层全连接层进行分类转换，得到脑疾病预测分类结果。
15.优选的，所述将获取的大脑时间序列数据划分成至少一个连续且不重叠的子时间窗：
16.获取受试者静息状态下的功能磁共振脑成像数据，对功能磁共振脑成像数据进行预处理，获得在每个感兴趣区域的血氧水平依赖信号的时间序列；
17.使用滑动窗技术，将时间序列数据划分成t个连续且不重叠的子时间窗，每个子时间窗的长度为l。
18.优选的，所述提取每个子时间窗的判别性特征，并通过提取的判别性特征获取高阶功能连接网络，具体包括：
19.对于第t个子窗体，使用三层cnn卷积操作获取更具判别性的数据表示，计算公式具体如下：
[0020][0021]
其中，是脑区i的第k个特征图，*表示卷积操作，wk表示第k个过滤器的权重，其宽度为l，bk是偏置项；是第t个时间窗内脑区i的时间序列数据；σ表示激活函数；cnn卷积模块有三层，每层分别进行batchnormalization、relu激活和dropout操作，每层过滤器个数分别为f1、f2和f3，每个过滤器的长度分别为d1、d2和d3，然后进行双线性池化操作，获取高阶功能连接网络，其计算公式具体如下：
[0022][0023]
其中，f
t
表示第t个窗口cnn卷积的输出，是第t个窗体内脑区i的张量表示；h是所构建的高阶功能连接网络，是特征空间的整体表示，用于捕获特征激活的二阶统计信息，实现对大脑的表征。
[0024]
优选的，所述通过预设的tcn模块捕获获取的每个子时间窗的高阶功能连接网络的动态特征，刻画大脑功能连接随时间变化的关系，获得脑疾病的动态变化规律，具体包括：
[0025]
提取每个子时间窗的高阶功能连接网络h
t
的上三角元素，将每个子时间窗的高阶功能连接网络h
t
的上三角元素拉伸成向量形式，然后通过tcn模块捕获脑功能连接网络的动态特性；在tcn模块中，每一层都采用膨胀因果卷积，随后进行batchnormalization，relu激活和dropout操作，进一步使用残差连接来促进梯度流动；每一层的计算公式如下：
[0026]
[0027][0028]
其中，是第t个窗口在第l层的输出，*表示卷积操作，w1和w2是膨胀因子卷积，核大小为3，卷积滤波器的个数为f4个；
[0029]
取出所生成的高阶功能连接网络n
×
t
×r×
r的四维张量数据，将四维张量数据的后两维展平成向量，四维张量变为n
×
t
×
(r
×
(r-1)/2)的三维张量数据，送入tcn模块后，三维张量数据的形状变为n
×
t
×
f4，其中f4是卷积滤波器的个数。
[0030]
优选的，所述通过脑疾病的动态变化规律获得每个子时间窗和疾病相关性的值，并将每个子时间窗和疾病的相关性的值作为权重对每个子时间窗的高阶功能连接网络进行特征融合，具体包括：
[0031]
对tcn模块输出应用1d的1
×
1卷积获取每个子时间窗与疾病的相关程度，将获取的值与tcn模块的输入相乘并进行融合，得到动态高阶脑网络融合特征；
[0032]
通过使用1d的1
×
1卷积，在不增加计算成本的情况下，进一步增强模型的表达能力；
[0033]n×
t
×
f4的张量数据在经过1d的1
×
1卷积后变为形状为n
×
t
×
1的张量数据，进一步压缩通道后得到n
×
t形状的二维张量数据，n
×
t形状的二维张量数据代表了每个窗口和疾病的相关性。
[0034]
优选的，所述将特征融合的结果输入到三层全连接层进行分类转换，得到脑疾病预测分类结果，具体包括：
[0035]
三层全连接层的大小分别为512、128和2，特征融合的结果经三层全连接层后送入softmax函数实现分类输出值的转换；
[0036]n×
t形状的张量数据经三层全连接层分别变为n
×
512、n
×
128和n
×
2；将n
×
2送入softmax函数，使二维张量中的元素映射到{0，1}的二值空间。
[0037]
第二方面，提供了一种注意缺陷多动障碍辅助诊断系统，所述系统包括以下模块：
[0038]
划分模块，用于将获取的大脑时间序列数据划分成至少一个连续且不重叠的子时间窗；
[0039]
第一处理模块，用于提取每个子时间窗的判别性特征，并通过提取的判别性特征获取高阶功能连接网络；
[0040]
第二处理模块，用于通过预设的tcn模块捕获获取的每个子时间窗的高阶功能连接网络的动态特征，刻画大脑功能连接随时间变化的关系，获得脑疾病的动态变化规律；
[0041]
特征融合模块，用于通过脑疾病的动态变化规律获得每个子时间窗和疾病相关性的值，并将每个子时间窗和疾病的相关性的值作为权重对每个子时间窗的高阶功能连接网络进行特征融合；
[0042]
分类模块，用于将特征融合的结果输入到三层全连接层进行分类转换，得到脑疾病预测分类结果。
[0043]
第三方面，提供了一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行所述的方法中的任一方法。
[0044]
第四方面，提供了一种计算设备，包括：
[0045]
一个或多个处理器、存储器以及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行所述的方法中的任一方法的指令。
[0046]
(三)有益效果
[0047]
本发明一种注意缺陷多动障碍辅助诊断方法及系统，区别于静态功能连接分析方法，基于滑动窗口的动态方法构建了动态高阶功能连接脑网络；不同于传统算法将提取特征和分类器学习作为两个独立的学习任务，该方法将特征提取和分类器学习统一到端到端的深度模型中；设计了cnn模块和tcn模块，融合功能连接的动态高阶特性进行脑疾病的分类。本发明可以辅助医生进行注意缺陷多动障碍的诊断，有助于量化评估注意缺陷多动障碍，为医生提供临床辅助诊断的手段。
附图说明
[0048]
图1为本发明方法流程图。
[0049]
图2为本发明实施例中kki站点所学fc的组间差异性图。
[0050]
图3为本发明实施例中ht-net方法所学出来的动态变化规律图。
具体实施方式
[0051]
下面将结合本发明的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0052]
实施例
[0053]
如图1所示，本发明实施例提供一种注意缺陷多动障碍辅助诊断方法，包括：
[0054]
步骤(1)、将获取的大脑时间序列数据划分成至少一个连续且不重叠的子时间窗；
[0055]
步骤(2)、提取每个子时间窗的判别性特征，并通过提取的判别性特征获取高阶功能连接网络；
[0056]
步骤(3)、通过预设的tcn模块捕获获取的每个子时间窗的高阶功能连接网络的动态特征，刻画大脑功能连接随时间变化的关系，获得脑疾病的动态变化规律；
[0057]
步骤(4)、通过脑疾病的动态变化规律获得每个子时间窗和疾病相关性的值，并将每个子时间窗和疾病的相关性的值作为权重对每个子时间窗的高阶功能连接网络进行特征融合；
[0058]
步骤(5)、将特征融合的结果输入到三层全连接层进行分类转换，得到脑疾病预测分类结果。
[0059]
进一步的，步骤(1)对每个样本，采用滑动窗技术将大脑时间序列数据划分成t个连续且不重叠的子时间窗；
[0060]
获取受试者静息状态下的功能磁共振脑成像数据，然后对其进行预处理，获得在每个感兴趣区域的血氧水平依赖信号的时间序列。
[0061]
为了确保信号的稳定性，去除前4个时间点进行磁化平衡。对于功能磁共振脑成像数据进行预处理主要包括如下步骤；(1)时间校正，由于扫描的顺序为隔层扫描，所以对采
集期间每层进行一个时间校正；(2)头动校正，是将实验序列中的每一帧图像都和这个序列的中间桢图像按照一定的算法进行对齐，以校正头动；(3)空间标准化，将不同的个体采集到的图像统一配准到标准的大脑图谱(montreal neurological institute，mni)模板上，便于后续处理。(4)空间平滑，为了减少图像的噪声影响而使数据模糊，从而提高信噪比，将图像进行高斯核为6mm的空间平滑；(5)空间滤波以及时间信号提取，功能磁共振的信号属于低频信号，所以对信号进行带通滤波(0.009hz《f《0.08hz)，并按脑区提取时间序列信号。
[0062]
然后使用滑动窗技术，使用长度为l的子滑动窗将时间序列数据划分成t个长度相等、连续、非重叠的子时间窗。
[0063]
在每一个实施例中，经滑动窗技术数据变为t组n
×r×
l形状的张量数据。其中，n为样本个数，r表示感兴趣区域个数。
[0064]
进一步的，步骤(2)通过三层cnn卷积提取每个滑动窗时间序列的判别性表征，并使用双线性池化操作构建高阶功能连接网络；
[0065]
为能够使用多通道的卷积操作，将原始数据升维，重塑为t组n
×c×r×
l形状的张量数据。将数据送入三层卷积操作获取更具判别下的数据表示，三层卷积的计算公式如下：
[0066][0067]
其中，是脑区i的第k个特征图，*表示卷积操作，wk表示第k个过滤器的权重，其宽度为l，bk是偏置项。是第t个时间窗内脑区i的时间序列数据。σ表示激活函数。cnn卷积模块有三层，每层分别进行卷积操作，batch normalization，relu激活和dropout操作，每层过滤器个数分别为f1、f2和f3，每个过滤器的长度分别为d1、d2和1。
[0068]
在每一个实施例中，经三层cnn卷积后数据变为t组n
×1×r×
l’形状的张量数据，其中l’表示卷积后滑动窗口的长度。
[0069]
然后进行双线性池化操作，获取高阶功能连接网络，其计算公式具体如下：
[0070][0071]
其中，f
t
表示第t个窗口cnn卷积的输出，是第t个窗体内脑区i的张量表示。h是所构建的高阶功能连接网络，是特征空间的整体表示，可以捕获特征激活的二阶统计信息，能更好的实现对大脑的表征。
[0072]
在每一个实施例中，经双线性池化操作后，获得t组n
×1×r×
r形状的张量数据。使用concatenate函数将t组张量数据按照第二个维度拼接在一起，生成一个更高维度的张量，即生成n
×
t
×r×
r的高阶功能连接网络。
[0073]
进一步的，步骤(3)通过tcn模块刻画大脑功能连接随时间变化的关系，以获得脑疾病的动态变化规律；
[0074]
提取每个滑动窗所构建高阶功能连接网络ht的上三角元素，将其拉伸成向量形式，然后通过tcn模块捕获脑功能连接网络的动态特性。不同于传统的cnn卷积，在tcn模块中，每一层都采用膨胀因果卷积，随后进行batch normalization，relu激活和dropout操
作，进一步使用残差连接来促进梯度流动。每一层的计算公式如下：
[0075][0076][0077]
其中，是第t个窗口在第l层的输出，*表示卷积操作，w1和w2是膨胀因子卷积，核大小为k
t
，卷积滤波器的个数为f4个。使用膨胀因子卷积增加了感受野，而不需要通过增加层数或核大小来增加参数的数量。三层顺序堆叠多个tcn模块，可以对前几个阶段的预测进行逐步改进。由于每个阶段的输出都是初始预测，因此网络能够捕获不同时间点功能连接之间的依赖关系并学习合理的动态变化。
[0078]
在每一个实施例中，取出所生成的高阶功能连接网络n
×
t
×r×
r的四维张量数据，将其后两维展平成向量，此时四维张量变为n
×
t
×
(r
×
(r-1)/2)的三维张量数据，送入tcn模块后，三维张量数据的形状变为n
×
t
×
f4，其中f4是卷积滤波器的个数。
[0079]
进一步的，步骤(4)在tcn模块的输出张量上应用1d的1
×
1卷积，获得到每个窗口和疾病的相关性，并将其作为权重对多个滑动窗的功能连接网络进行特征融合；
[0080]
对tcn模块输出应用1d的1
×
1卷积获取每个子窗体与疾病的相关程度，将获取的值与tcn模块的输入相乘并进行融合，从而得到动态高阶脑网络融合特征。
[0081]
通过使用1d的1
×
1卷积，可以在不增加计算成本的情况下，进一步增强模型的表达能力。
[0082]
在每一个实施例中，n
×
t
×
f4的张量数据在经过1d的1
×
1卷积后变为形状为n
×
t
×
1的张量数据，进一步压缩通道后得到n
×
t形状的二维张量数据，该二维的张量数据代表了每个窗口和疾病的相关性，例如，ni
×
tj代表了第i个样本中的第j个时间窗和对注意力缺陷多动障碍诊断的相关程度。
[0083]
进一步的，步骤(5)动态高阶脑网络融合特征输入到三层全连接层，并采用softmax作为激活函数，得到脑疾病预测分类结果。
[0084]
三层全连接层的大小分别为512、128和2，经全连接层后送入softmax函数实现分类输出值的转换。
[0085]
在每一个实施例中，n
×
t形状的张量数据经三层全连接层分别变为n
×
512、n
×
128和n
×
2。最后将n
×
2送入softmax函数，使二维张量中的元素映射到{0，1}的二值空间。
[0086]
在一个具体的实施例中，以adhd-200数据集为训练样本，来说明动态高阶脑网络对数据集中的辅助诊断分类的步骤，包括如下步骤：
[0087]
第一步：获得数据。
[0088]
下载并准备好adhd-200数据集。
[0089]
我们在公开的adhd-200数据集上进行实验，该数据共包括8个站点数据，分别来自肯尼迪克里研究所(kennedy krieger institute,kki)、neuroimage、纽约大学儿童研究中心(new york university child study center,nyu)、俄勒冈健康和科学大学(oregon health&science university,ohsu)、北京大学儿童研究中心(peking university child study center,pku)、匹兹堡大学(university of pittsburgh，upittsburgh)、华盛顿大学(washington university，washu)和布朗大学(brown university，bu)。其中，bu站点的数据没有提供被试者的标签，upittsburgh和washu站点的数据在训练数据集中只提供了对照
组数据。因此本文基于前五个站点数据进行实验。表1给出了adhd-200数据的临床信息。
[0090]
第二步：用滑动窗技术划分大脑时间序列数据。
[0091]
所获取的数据已划分好使用训练集和测试集，此时数据是形状为n
×r×
s的张量。然后使用滑动窗技术将大脑时间序列数据划分成t个连续且不重叠的子时间窗，划分成t组形状为n
×r×
l的张量。为了后续进行多通道的卷积操作，对数据进行升维操作，得到t组形状为n
×r×
l
×
1的张量数据。
[0092]
第三步：建立辅助诊断分类网络。
[0093]
网络主要包含cnn模块组、双线性池化操作、tcn模块组和特征融合操作。cnn卷积模块有三层，每层分别进行卷积操作，batchnormalization，relu激活和dropout操作。利用双线性池化操作构建高阶功能连接网络，从而捕获特征激活的二阶统计信息，更好地实现对大脑的表征。tcn模块每一层都采用膨胀因果卷积，随后进行batchnormalization，relu激活和dropout操作，进一步使用残差连接来促进梯度流动。特征融合操作通过对tcn模块输出应用1d的1
×
1卷积获取每个子窗体与疾病的相关程度，将获取的值与tcn模块的输入相乘进行融合，从而得到动态高阶脑网络融合特征。最后，将得到的数据送入三层全连接层，使用softmax实现分类输出值的转换。
[0094]
第四步：设置网络参数。
[0095]
在tensorflow2.6.2和keras2.6.0环境下进行网络的训练，训练批大小为16，dropout为0.3，得到训练好的高阶脑网络的辅助诊断分类网络。
[0096]
第五步：用训练好的高阶脑网络的辅助诊断分类网络对样本进行分类预测。
[0097]
通过第3步-第4步的学习训练，通过手动调参获得最优的网络模型参数，对数据集中的测试样本数据进行类别的预测。
[0098]
我们在adhd-200公开数据集中的五个站点(kki、neuroimage、nyu、ohsu、pku)测试了提出的方法。本发明执行了adhd vs.nc分类任务。本发明采用分类精度作为评价不同方法效果的指标。同时，为了验证本发明所提出模型(ht-net)的有效性，还比较了基于静态fc网络的基线方法，即mlp和cnn模型。此外，还比较了利用脑功能连接动态特性的方法，即lstm和cnn-lstm模型。5种方法的比较结果在表2中给出。
[0099]
表1.adhd-200数据集样本的统计信息
[0100][0101]
表2.在adhd vs.nc分类任务中5个方法的比较结果
[0102][0103]
从表2可以看出，本发明所提出的方法与其他4种方法相比，具有更好的分类性能。具体而言，所提方法的性能优于基于静态功能连接的网络的模型(即mlp和cnn)，这表明高阶fc网络能够有效提高诊断性能。另外，所提方法优于基于动态功能连接的模型(即lstm和cnn-lstm)，结果表明融合高阶信息和动态特性更具有优势。为了验证所学高阶fc网络更具有表征能力，展示了kki站点所学fc的组间差异性，如图2所示，共有5个时间点高阶fc网络，我们分别对每个时间点上所有样本进行组间比较，深色表示组间存在显著性差异(即p《0.05)。结果表明，所学高阶fc更具判别能力。同时，展示了ht-net方法所学出来的动态变化规律，如图3所示，从结果可以看出，在第1,4和5时间点上所有测试样本具有较为相似的重要性，而第2和3时间点上存在一定差异性，可能与脑疾病发生发展过程中的异常密切相关。
[0104]
本技术的实施例可提供为方法或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。本技术实施例中的方案可以采用各种计算机语言实现，例如，面向对象的程序设计语言java和直译式脚本语言
javascript等。
[0105]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0106]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0107]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0108]
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

技术特征：
1.一种注意缺陷多动障碍辅助诊断方法，其特征在于，包括：将获取的大脑时间序列数据划分成至少一个连续且不重叠的子时间窗；提取每个子时间窗的判别性特征，并通过提取的判别性特征获取高阶功能连接网络；通过预设的tcn模块捕获获取的每个子时间窗的高阶功能连接网络的动态特征，刻画大脑功能连接随时间变化的关系，获得脑疾病的动态变化规律；通过脑疾病的动态变化规律获得每个子时间窗和疾病相关性的值，并将每个子时间窗和疾病的相关性的值作为权重对每个子时间窗的高阶功能连接网络进行特征融合；将特征融合的结果输入到三层全连接层进行分类转换，得到脑疾病预测分类结果。2.根据权利要求1所述的一种注意缺陷多动障碍辅助诊断方法，其特征在于：所述将获取的大脑时间序列数据划分成至少一个连续且不重叠的子时间窗：获取受试者静息状态下的功能磁共振脑成像数据，对功能磁共振脑成像数据进行预处理，获得在每个感兴趣区域的血氧水平依赖信号的时间序列；使用滑动窗技术，将时间序列数据划分成t个连续且不重叠的子时间窗，每个子时间窗的长度为l。3.根据权利要求2所述的一种注意缺陷多动障碍辅助诊断方法，其特征在于：所述提取每个子时间窗的判别性特征，并通过提取的判别性特征获取高阶功能连接网络，具体包括：对于第t个子窗体，使用三层cnn卷积操作获取更具判别性的数据表示，计算公式具体如下：其中，是脑区i的第k个特征图，*表示卷积操作，w
k
表示第k个过滤器的权重，其宽度为l，b
k
是偏置项；是第t个时间窗内脑区i的时间序列数据；σ表示激活函数；cnn卷积模块有三层，每层分别进行batch normalization、relu激活和dropout操作，每层过滤器个数分别为f1、f2和f3，每个过滤器的长度分别为d1、d2和d3，然后进行双线性池化操作，获取高阶功能连接网络，其计算公式具体如下：其中，f
t
表示第t个窗口cnn卷积的输出，f
it
是第t个窗体内脑区i的张量表示；h是所构建的高阶功能连接网络，是特征空间的整体表示，用于捕获特征激活的二阶统计信息，实现对大脑的表征。4.根据权利要求3所述的一种注意缺陷多动障碍辅助诊断方法，其特征在于：所述通过预设的tcn模块捕获获取的每个子时间窗的高阶功能连接网络的动态特征，刻画大脑功能连接随时间变化的关系，获得脑疾病的动态变化规律，具体包括：提取每个子时间窗的高阶功能连接网络h
t
的上三角元素，将每个子时间窗的高阶功能连接网络h
t
的上三角元素拉伸成向量形式，然后通过tcn模块捕获脑功能连接网络的动态特性；在tcn模块中，每一层都采用膨胀因果卷积，随后进行batch normalization，relu激
活和dropout操作，进一步使用残差连接来促进梯度流动；每一层的计算公式如下：活和dropout操作，进一步使用残差连接来促进梯度流动；每一层的计算公式如下：其中，是第t个窗口在第l层的输出，*表示卷积操作，w1和w2是膨胀因子卷积，核大小为3，卷积滤波器的个数为f4个；取出所生成的高阶功能连接网络n
×
t
×
r
×
r的四维张量数据，将四维张量数据的后两维展平成向量，四维张量变为n
×
t
×
(r
×
(r-1)/2)的三维张量数据，送入tcn模块后，三维张量数据的形状变为n
×
t
×
f4，其中f4是卷积滤波器的个数。5.根据权利要求4所述的一种注意缺陷多动障碍辅助诊断方法，其特征在于：所述通过脑疾病的动态变化规律获得每个子时间窗和疾病相关性的值，并将每个子时间窗和疾病的相关性的值作为权重对每个子时间窗的高阶功能连接网络进行特征融合，具体包括：对tcn模块输出应用1d的1
×
1卷积获取每个子时间窗与疾病的相关程度，将获取的值与tcn模块的输入相乘并进行融合，得到动态高阶脑网络融合特征；通过使用1d的1
×
1卷积，在不增加计算成本的情况下，进一步增强模型的表达能力；n
×
t
×
f4的张量数据在经过1d的1
×
1卷积后变为形状为n
×
t
×
1的张量数据，进一步压缩通道后得到n
×
t形状的二维张量数据，n
×
t形状的二维张量数据代表了每个窗口和疾病的相关性。6.根据权利要求5所述的一种注意缺陷多动障碍辅助诊断方法，其特征在于：所述将特征融合的结果输入到三层全连接层进行分类转换，得到脑疾病预测分类结果，具体包括：三层全连接层的大小分别为512、128和2，特征融合的结果经三层全连接层后送入softmax函数实现分类输出值的转换；n
×
t形状的张量数据经三层全连接层分别变为n
×
512、n
×
128和n
×
2；将n
×
2送入softmax函数，使二维张量中的元素映射到{0，1}的二值空间。7.一种注意缺陷多动障碍辅助诊断系统，其特征在于，所述系统包括以下模块：划分模块，用于将获取的大脑时间序列数据划分成至少一个连续且不重叠的子时间窗；第一处理模块，用于提取每个子时间窗的判别性特征，并通过提取的判别性特征获取高阶功能连接网络；第二处理模块，用于通过预设的tcn模块捕获获取的每个子时间窗的高阶功能连接网络的动态特征，刻画大脑功能连接随时间变化的关系，获得脑疾病的动态变化规律；特征融合模块，用于通过脑疾病的动态变化规律获得每个子时间窗和疾病相关性的值，并将每个子时间窗和疾病的相关性的值作为权重对每个子时间窗的高阶功能连接网络进行特征融合；分类模块，用于将特征融合的结果输入到三层全连接层进行分类转换，得到脑疾病预测分类结果。8.一种存储一个或多个程序的计算机可读存储介质，其特征在于，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行根据权利要求1-6所述的方法中的任一方法。
9.一种计算设备，其特征在于，包括：一个或多个处理器、存储器以及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行根据权利要求1-6所述的方法中的任一方法的指令。

技术总结
本发明提供一种注意缺陷多动障碍辅助诊断方法及系统，涉及医学影像处理和辅助诊断领域。该注意缺陷多动障碍辅助诊断方法，包括：将获取的大脑时间序列数据划分成至少一个连续且不重叠的子时间窗；提取每个子时间窗的判别性特征，并通过提取的判别性特征获取高阶功能连接网络；通过TCN模块捕获获取的每个子时间窗的高阶功能连接网络的动态特征，刻画大脑功能连接随时间变化的关系；通过脑疾病的动态变化规律获得每个子时间窗和疾病相关性的值，并将每个子时间窗和疾病的相关性的值作为权重对每个子时间窗的高阶功能连接网络进行特征融合。该方法对大脑FC的动态高阶特性进行建模，提高脑功能连接网络表征能力，提升脑疾病辅助诊断性能。辅助诊断性能。辅助诊断性能。


技术研发人员：王明亮 朱灵瑶 李习之
受保护的技术使用者：南京信息工程大学
技术研发日：2023.07.12
技术公布日：2023/10/19