一种基于动态社区感知图Transformer的自闭症分类方法

本发明属于医学图像处理与分析领域，具体为一种基于动态社区感知图transformer的自闭症分类方法。

背景技术：

1、自闭症（autistic spectrum disorder，asd）是一种具有遗传基础的神经发育障碍，其核心表现包括社交沟通障碍、重复刻板行为以及兴趣受限。由于asd的具体病因尚不明确，且缺乏根治性疗法，患者通常需要长期干预支持，这对患者及其家庭的生活质量造成了显著影响。asd的早期诊断需要多学科联合评估，但现有的行为干预和药物治疗只能在一定程度上改善社会功能障碍与情绪问题，并不能完全治愈。因此，深入研究asd大脑连接的生理机制及潜在发病机理对于发展更精准的诊断与干预方法具有重要意义。

2、图transformer是在transformer架构基础上发展而来的图结构建模方法，其核心思想是利用自注意力机制替代传统图神经网络中基于邻接矩阵的固定邻域聚合方式，从而实现节点间依赖关系的自适应建模。然而，现有方法仍存在诸多不足，难以满足临床早期精准诊断的需求：首先，多数方法采用静态社区划分策略，将脑区固定分配至特定功能社区，无法自适应捕捉脑功能网络的动态演化特性，而大脑功能社区本质上具有动态重组特征，静态划分方式会丢失脑网络的动态功能信息，导致特征提取的准确性下降；其次，多数方法的特征提取模块仅关注单一尺度的特征信息，要么侧重节点局部特征，要么侧重全局网络特征，难以实现多尺度特征的有效融合，导致模型对脑网络复杂结构的建模能力不足，分类性能有待进一步提升；最后，多数方法在处理脑网络数据时，多采用随机位置编码或简单的空间坐标编码，未充分融合脑区的物理空间距离、社区结构等先验知识，导致注意力权重分配不合理，无法高效捕捉社区内部的局部交互特征与跨社区的全局关联特征。因此，亟需开发一种新颖的图transformer方法，以自适应捕捉脑功能网络动态社区特征、实现多尺度特征融合，并结合先验知识优化特征建模，最终为自闭症谱系障碍提供更准确、可靠的计算机辅助诊断。

技术实现思路

1、本发明提出一种基于动态社区感知图transformer的自闭症分类方法。针对脑网络社区结构利用不充分及空间先验融合不足的问题，本发明通过引入动态社区分配机制，对脑网络进行自适应社区划分，并在此基础上分别提取社区级局部特征与全脑级全局拓扑特征，结合先验知识引导的图transformer模块增强结构信息表达能力，从而实现了对脑网络层级组织特性的有效建模。

2、为实现上述目的，本发明提供如下技术方案：一种基于动态社区感知图transformer的自闭症分类方法，包括如下步骤：

3、步骤s1：使用神经影像数据处理工具包cpac对功能磁共振成像（functionalmagnetic resonance imaging，fmri）数据进行预处理。

4、主要处理步骤包括：（1）切片时间校正；（2）头骨剥离；（3）运动校正；（4）全局强度归一化；（5）噪声信号回归；（6）带通滤波（0.01-0.1 hz）等。然后，将经过预处理的fmri图像配准到mni152模板空间。

5、步骤s2：构建自适应社区感知的图transformer模型。

6、在步骤s2中，所提出的模型首先基于动态社区分配模块完成图结构的构建；然后基于双尺度空间特征提取模块，捕捉社区内部与社区之间的信息交互，构建融合微观连接细节与宏观网络架构的综合空间表征；然后借助先验知识引导的图transformer模块，提升模型预测精度并强化生物可解释性；最后采用正交聚类读出函数聚合学习到的节点嵌入，并通过多层感知机输出最终的分类结果。

7、在步骤s2中，基于动态社区分配模块进行图结构的构建。具体实现步骤如下：

8、步骤a1，构建功能连接矩阵。首先将每名受试者的fmri数据表征为n×t的矩阵，其中t是时间点的个数，n是根据标准化图谱将全脑划分成的roi数量，随后基于该矩阵计算任意两个roi之间的时间序列相关性，构建功能连接矩阵。

9、步骤a2，先验知识约束的社区初始化。将全脑n=200个roi预先划分为c=8个功能网络，然后使用索引向量定义先验社区边界，其中相邻索引值界定了一个功能网络所包含的roi范围。例如，索引[0,23)对应视觉网络的23个脑区，索引[23,59)对应躯体运动网络的36个脑区，依此类推。基于上述先验知识，构建先验约束矩阵，其元素定义为：

10、

11、步骤a3，动态社区分配机制。动态社区分配矩阵z通过以下方式生成：

12、

13、其中，为可学习的线性变换矩阵；b为偏置向量；为节点特征矩阵；为先验约束强度系数；为温度参数，控制概率分布的平滑程度；为防止对数运算溢出的平滑项。通过上述公式，先验知识以对数偏置的形式注入到动态社区分配矩阵中，使得每个脑区在初始化阶段倾向于被分配到其先验所属的功能网络。随着模型训练的进行，可学习参数会根据数据特征动态调整社区归属，实现对先验知识的自适应修正，学习到患者异常脑网络的社区分配。矩阵z每行的最大值对应的列索引，即为该脑区的主导社区归属：

14、

15、步骤a4，构建社区子图。基于上述社区划分结果，对初始功能连接矩阵进行行与列的同步重排列，得到重排后的功能连接矩阵，并记录各社区在矩阵中对应的起始行索引，随后对矩阵x进行top-k稀疏化策略，保留每个roi对应的k条最强功能连接，构建脑图，其中节点集合v对应全脑roi，边集合e对应roi间的功能连接，其邻接矩阵记为，节点特征矩阵记为。对于第c个社区对应的子图，其邻接矩阵与节点特征矩阵由母图g中对应社区的节点子集与边子集划分得到，定义如下：

16、

17、

18、其中，为第c个社区包含的节点数量，且满足全脑节点总数约束：

19、

20、在步骤s2中，基于双尺度空间特征提取模块捕捉社区内部与社区之间的信息交互，构建融合微观连接细节与宏观网络架构的综合空间表征。具体实现步骤如下：

21、步骤b1，对于第c个社区子图，其边加权图卷积网络的消息传递过程定义如下：

22、

23、其中，为非线性激活函数；表示第l层的节点特征矩阵；为可学习的权重矩阵；为的度矩阵。为添加自环后的邻接矩阵，其中的元素直接表征节点u与v间的功能连接强度。经边加权图卷积网络处理后，各社区内部的节点更新特征记为，d表示中间特征的维度。然后对所有社区的局部特征进行拼接，得到全脑节点的局部特征矩阵：

24、

25、步骤b2，基于社区内提取的局部特征构建社区之间的全局图。首先对各社区的聚合特征执行融合平均池化与最大池化的读出操作，以提取兼具鲁棒性与代表性的社区表示。通过对所有社区表示进行拼接，构建社区级特征矩阵：

26、

27、其中，p(⋅)为融合平均池化与最大池化的复合读出函数，可在平滑特征噪声的同时保留社区关键特征。随后，基于全脑功能连接矩阵构建社区级连通性矩阵m，其元素表征第i个社区与第j个社区间的功能连接总数，计算公式如下：

28、

29、其中，与分别为第i、j个社区的节点集合；为全脑邻接矩阵中节点u与v的连接权重。对矩阵m进行归一化处理后得到社区级图的邻接矩阵，进而构建社区级图。该图的节点对应各功能社区，边权重则反映社区间功能连接的紧密程度。在社区级图上再次引入边加权图卷积网络以聚合社区间的交互信息，得到全局社区特征矩阵：

30、

31、步骤b3，设计特征融合策略以整合局部与全局尺度的特征信息，最终生成兼具多尺度特征的脑区表征矩阵。特征融合公式如下：

32、

33、其中，lin(⋅)为线性变换层，用于对齐拼接后特征的维度。expand(⋅)为基于社区索引的特征扩展操作，其核心逻辑是将社区级特征映射回全脑节点尺度，具体实现如下：

34、

35、其中，repeat(⋅)为矩阵复制操作；为第c个社区在全脑节点中的结束行索引。

36、在步骤s2中，借助先验知识引导的图transformer模块，提升模型预测精度并强化生物可解释性。具体实现步骤如下：

37、步骤c1，位置编码。将随机游走位置编码与蒙特利尔神经学研究所三维空间坐标相结合，设计适合脑功能网络的混合位置编码。具体而言，随机游走位置编码通过计算随机游走的概率分布，捕捉脑区节点的中心性及全局结构信息，节点i在随机游走后返回自身的概率计算如下：

38、

39、其中，是度矩阵，是图的邻接矩阵。基于该概率，随机游走的s步后的位置编码被计算为：

40、

41、假设第i个roi的坐标为，则大脑的蒙特利尔神经学研究所三维空间坐标矩阵为：

42、

43、最终的位置编码可以被定义为：

44、

45、其中，norm(·)归一化mni坐标；表示矩阵连接。位置编码被添加到模型输入，如下所示：

46、

47、其中，lin(·)将pe映射到d维空间。最终的输入将局部-全局特征与位置编码相结合，允许模型捕获空间和图形结构信息。

48、步骤c2，空间距离加权。首先基于节点的蒙特利尔神经学研究所三维空间坐标计算任意两个脑区和之间的欧几里得距离。随后，利用高斯核函数将距离矩阵转化为距离权重矩阵：

49、

50、其中，为可学习参数。该指数衰减函数能够有效增强短程连接的权重，抑制物理距离较远的连接对注意力分数的影响，从而约束注意力机制更加符合大脑信息传递的空间邻近性规律。

51、步骤c3，社区结构加权。基于前文生成的动态社区分配矩阵构建社区注意力权重矩阵。具体来说，对于任意两个脑区节点和，它们在社区层面的关联强度可以通过计算它们在各功能社区上的概率分布乘积之和来获得：

52、

53、步骤c4，改进多头自注意力机制。将上述空间距离权重与动态社区权重融入到注意力分数的计算中，进而构建先验引导的注意力权重矩阵。改进后的注意力计算公式如下：

54、

55、

56、

57、其中，；表示串联运算符；h是注意力头数；、、分别为第l层第h个注意力头的查询、键和值矩阵；、、、是可学习的模型参数；和为可学习的缩放系数，用于平衡特征相似性与先验信息对注意力分数的贡献。最终，经过l层的transformer编码，模型输出了融合社区空间结构信息的节点特征图。

58、在步骤s2中，采用正交聚类读出函数聚合学习到的节点嵌入。具体实现步骤如下：

59、正交聚类读出函数首先利用编码器将节点数据映射到隐空间，然后计算正交约束的聚类中心，并采用软分配机制将节点分配至相应的聚类中心。图级嵌入的计算公式如下：

60、

61、其中，是正交聚类读出函数生成的可学习分配矩阵；是编码器输出的节点特征矩阵。这一过程有效地捕捉了大脑活动的复杂模式。

62、步骤s3：将预处理后的fmri数据输入到所构建的网络模型中进行训练，得到训练好的自闭症分类模型。

63、步骤s4：使用训练好的自闭症分类模型对测试数据进行预测，获得相应的自闭症分类结果。

64、本发明与其他现有技术相比，其显著优点是：该模型通过动态社区分配机制优化脑区与功能社区的隶属关系，以模拟大脑的功能模块化结构；分别捕捉社区内部与社区之间的信息交互，构建融合微观连接细节与宏观网络架构的综合空间表征；借鉴生物大脑信息传递机制，将空间距离与社区结构约束引入多头自注意力机制，在提升模型预测精度的同时，增强其生物可解释性。经实验评估，验证了本发明的有效性。