基于图注意力和层级编码的阿尔茨海默病诊断系统

本发明涉及神经影像学数据分析领域，尤其涉及基于图注意力和层级编码的阿尔茨海默病诊断系统。

背景技术：

1、本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

2、阿尔茨海默病（alzheimer's disease, ad）是一种进行性的神经退行性疾病，早期诊断对于延缓病程、改善患者生活质量至关重要。

3、基于磁共振影像（mri）的脑结构分析，已成为辅助诊断ad的重要无创手段。现有技术中，从结构磁共振影像中提取定量化特征，如脑区体积、皮质厚度等，结合机器学习或深度学习模型进行分类，是实现疾病诊断的常见路径。

4、现有技术中，基于体素的形态学测量（voxel-based morphometry,vbm）方法通过分析全脑体素水平的灰质密度或体积变化来区分ad患者与正常对照。然而，vbm方法存在特征维度过高、易导致“维数灾难”和过拟合的问题，且孤立分析每个体素的特征，忽略了体素之间固有的空间相关性。基于表面的形态学（surface-based morphometry,sbm）方法可提取皮质厚度、表面积等更具神经生物学意义的特征，并常结合图谱将大脑划分为若干感兴趣区域（roi），以降低特征维度。然而，传统的机器学习模型（如支持向量机）将这些脑区特征视为相互独立的输入变量，未能充分利用脑区间固有的解剖邻接关系和结构变化的连续规律。

5、然而，上述现有方案仍存在以下未被解决的缺陷：第一，现有方案将各个脑区的形态学特征视为相互独立的输入变量，完全割裂了脑区间固有的解剖邻接关系与结构共变规律。实际上，阿尔茨海默病（ad）的病理变化并非随机独立发生，而是沿着特定的解剖连接通路呈现连续、渐进式的空间传播特征，现有方案未能充分利用脑区间固有的解剖邻接关系和结构变化的连续规律。第二，由于上述独立性假设，现有模型缺乏跨相邻脑区特征间的信息互补与平滑约束， 容易造成分类决策的过拟合与泛化能力下降，且无法有效筛选出具有疾病判别性的关键脑区簇，辅助医生进行临床诊断。

技术实现思路

1、为克服上述现有技术的不足，本发明提供了基于图注意力和层级编码的阿尔茨海默病诊断系统，旨在利用从磁共振图像中提取的皮层厚度诊断阿尔茨海默病，并筛选出发生病变的脑区，辅助医生诊断，从而减轻医生的诊断负担。

2、为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：

3、第一方面，本发明提供了基于图注意力和层级编码的阿尔茨海默病诊断系统，包括：

4、影像预处理模块，其被配置为：获取待分析对象的磁共振影像数据，经脑区划分后，提取得到各脑区对应的皮质厚度特征；

5、脑区特征序列构建模块，其被配置为：基于各脑区对应的皮质厚度特征和脑区之间的解剖邻接关系，构建得到脑区特征序列和邻接矩阵；基于图注意力网络对脑区特征序列进行编码，结合邻接矩阵引入图注意力机制，得到更新后的脑区特征序列；

6、脑区关联建模模块，其被配置为：将全部脑区划分为多个脑区组，得到相应的脑区组内特征表示，将各脑区组内特征表示输入至相应的局部编码器进行建模，得到组级表示；将组级表示输入至全局编码器进行跨组建模，得到全局脑结构表示；

7、分类预测模块，其被配置为：将全局脑结构表示输入至分类层进行预测，得到疾病预测结果。

8、进一步的技术方案，基于所述邻接矩阵构建度矩阵，基于度矩阵对所述邻接矩阵进行归一化，得到归一化后的邻接矩阵。

9、进一步的技术方案，得到更新后的脑区特征序列，具体包括：

10、将脑区特征序列映射至高维空间，得到脑区初始隐表示；

11、结合邻接矩阵，基于脑区初始隐表示计算每一脑区与其邻接脑区的注意力权重，经归一化后，得到归一化后的注意力权重；

12、基于归一化后的注意力权重，对脑区特征序列进行拓扑约束下的信息聚合，得到更新后的脑区特征序列。

13、进一步的技术方案，根据脑区的解剖归属将全部脑区划分为多个脑区组。

14、进一步的技术方案，得到组级表示，具体包括：将各脑区组内特征表示输入至相应的局部编码器进行建模，得到各脑区组内所有脑区的局部特征表示；对每个脑区组的局部特征表示进行池化聚合，得到组级表示。

15、进一步的技术方案，得到全局脑结构表示，具体包括：将所有组级表示按预设顺序组合，并输入全局编码器进行跨组建模。

16、进一步的技术方案，采用联合损失函数对模型进行端到端训练，表示为：

17、

18、其中，表示联合损失函数，、表示平衡系数，表示交叉熵损失，表示图平滑损失，表示组级一致性约束损失。

19、进一步的技术方案，所述组级一致性约束损失表示为：

20、

21、其中，表示组级一致性约束损失，表示第个脑区组的组级表示，表示所有组级表示的平均特征。

22、第二方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面所述的基于图注意力和层级编码的阿尔茨海默病诊断系统中的内容。

23、第三方面，本发明提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所述的基于图注意力和层级编码的阿尔茨海默病诊断系统中的内容。

24、以上一个或多个技术方案存在以下有益效果：

25、本发明通过图注意力网络结合脑区间的解剖邻接关系，自适应地对各脑区皮质厚度特征进行拓扑约束下的信息聚合，有效捕捉了阿尔茨海默病病理变化在相邻脑区间的空间传播模式；同时，通过将全部脑区划分为多个脑区组，并依次采用局部编码器和全局编码器进行组内精细建模与组间跨组建模，实现了从细粒度脑区到粗粒度功能组的多层级特征融合，从而获得更具判别力和鲁棒性的全局脑结构表示，最终显著提升了疾病预测的准确性。

26、本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

1.基于图注意力和层级编码的阿尔茨海默病诊断系统，其特征在于，包括：

2.如权利要求1所述的基于图注意力和层级编码的阿尔茨海默病诊断系统，其特征在于，基于所述邻接矩阵构建度矩阵，基于度矩阵对所述邻接矩阵进行归一化，得到归一化后的邻接矩阵。

3.如权利要求2所述的基于图注意力和层级编码的阿尔茨海默病诊断系统，其特征在于，得到更新后的脑区特征序列，具体包括：

4.如权利要求1所述的基于图注意力和层级编码的阿尔茨海默病诊断系统，其特征在于，根据脑区的解剖归属将全部脑区划分为多个脑区组。

5.如权利要求1所述的基于图注意力和层级编码的阿尔茨海默病诊断系统，其特征在于，得到组级表示，具体包括：将各脑区组内特征表示输入至相应的局部编码器进行建模，得到各脑区组内所有脑区的局部特征表示；对每个脑区组的局部特征表示进行池化聚合，得到组级表示。

6.如权利要求1所述的基于图注意力和层级编码的阿尔茨海默病诊断系统，其特征在于，得到全局脑结构表示，具体包括：将所有组级表示按预设顺序组合，并输入全局编码器进行跨组建模。

7.如权利要求1所述的基于图注意力和层级编码的阿尔茨海默病诊断系统，其特征在于，采用联合损失函数对模型进行端到端训练，表示为：

8.如权利要求7所述的基于图注意力和层级编码的阿尔茨海默病诊断系统，其特征在于，所述组级一致性约束损失表示为：

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-8中任一项所述的基于图注意力和层级编码的阿尔茨海默病诊断系统中的内容。

10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-8中任一项所述的基于图注意力和层级编码的阿尔茨海默病诊断系统中的内容。