一种多视角超图融合的阿尔茨海默病分类方法

本发明涉及医学影像处理与人工智能，尤其涉及一种多视角超图融合的阿尔茨海默病分类方法。

背景技术：

1、阿尔茨海默病（alzheimer’s disease，ad）是一种不可逆的神经退行性疾病，主要表现为记忆力下降和认知功能减退。随着人口老龄化程度不断加深，ad的早期筛查和辅助诊断具有重要的临床意义。结构磁共振成像能够反映脑组织形态学变化，如皮层厚度、灰质体积及皮层下结构体积等指标，已被广泛应用于ad的计算机辅助诊断研究中。

2、近年来，超图神经网络被应用于脑疾病诊断任务中。超图中的一条超边可以同时连接多个受试者节点，能够有效捕获受试者之间的高阶拓扑关系，克服了传统图神经网络仅能描述成对关系的局限。现有技术中已有基于超图神经网络的ad分类方法，例如基于多模态超图卷积神经网络的ad分类方法、基于线-超图神经网络的ad分类方法以及基于多超图融合的超图神经网络ad分类方法。其中，曹鹏杰等提出的基于多超图融合的超图神经网络模型，基于smri数据分别采用lasso方法、稀疏组lasso方法和覆盖组lasso方法构建三个单一超图并进行融合，在此基础上构建超图神经网络模型用于ad及轻度认知障碍的分类。

3、然而，现有基于超图的ad影像分类方法仍存在以下不足：首先多超图融合阶段通常采用将多个超图融合为一个超图的策略，或采用简单拼接、平均池化等固定融合方式，未能根据不同受试者在不同超图视角下的拓扑结构差异进行自适应融合，导致有效特征利用不足或冗余信息堆叠；其次，现有方法仅在最终输出层进行特征融合，忽略了超图神经网络不同网络层所包含的局部结构信息与全局拓扑语义的差异，跨视角特征一致性不足。

技术实现思路

1、本发明的目的在于提供一种多视角超图融合的阿尔茨海默病分类方法，旨在解决现有阿尔茨海默病磁共振影像超图分类方法中，多超图融合方式粗糙、跨视角特征未做层级对齐、缺乏自适应融合机制，导致高阶拓扑信息挖掘不充分、分类精度有限的问题。

2、为达到上述目的，本发明采用如下技术方案：

3、本发明提供一种多视角超图融合的阿尔茨海默病分类方法，包括：s1、获取受试者的结构磁共振影像数据并进行预处理，提取各受试者的脑区形态学特征，以各受试者为节点构建样本特征矩阵，并获取各受试者对应的类别标签，类别标签包括阿尔茨海默病患者类别标签和正常对照类别标签；s2、基于样本特征矩阵，分别采用lasso稀疏表示策略、稀疏组lasso稀疏表示策略和重叠组lasso稀疏表示策略构建三个视角下的受试者关联超图，每个视角的受试者关联超图包含节点集合和超边集合；s3、将三个视角下的受试者关联超图分别输入三个结构相同且参数独立的超图神经网络编码分支，各超图神经网络编码分支通过超图卷积聚合各超边内多个受试者节点的信息，提取各视角下的节点隐藏表示；在超图神经网络编码分支的每一网络层中，对不同视角下的节点隐藏表示执行跨视角监督对比学习，获得跨视角对齐后的各视角节点隐藏表示；s4、根据各受试者节点在各视角下的节点度构建节点级注意力权重，节点度为该受试者节点所关联的超边数量；利用节点级注意力权重对跨视角对齐后的各视角节点隐藏表示进行自适应加权融合，获得融合节点特征；将融合节点特征输入由全连接层和归一化输出层构成的分类器，输出各受试者属于阿尔茨海默病患者类别或正常对照类别的分类结果；根据分类结果与类别标签计算分类损失，将分类损失与跨视角监督对比学习产生的对比损失加权求和获得总损失，通过反向传播优化网络参数，获得训练完成的阿尔茨海默病分类模型。

4、受试者关联超图采用关联矩阵表示，关联矩阵定义为：

5、

6、其中，表示受试者节点，表示超边；若受试者节点属于超边，则关联矩阵元素取值为1，否则取值为0；受试者节点的节点度和超边的超边度分别定义为：

7、

8、

9、其中，表示所有受试者节点构成的节点集合，表示所有超边构成的超边集合。

10、受试者节点在lasso稀疏表示策略视角下的节点度记为，在稀疏组lasso稀疏表示策略视角下的节点度记为，在重叠组lasso稀疏表示策略视角下的节点度记为；将节点度、和拼接后获得受试者节点的结构特征向量：

11、

12、其中，表示向量拼接操作。

13、步骤s2中分别采用lasso稀疏表示策略、稀疏组lasso稀疏表示策略和重叠组lasso稀疏表示策略构建三个视角下的受试者关联超图，具体包括：采用lasso稀疏表示策略构建个体级受试者关联超图时，将每个受试者节点的特征向量表示为其他受试者节点特征向量的稀疏线性组合，优化目标函数为：

14、

15、其中，表示第个受试者节点的特征向量，表示除第个受试者节点外其他所有受试者节点的特征向量构成的矩阵，表示稀疏系数向量，表示正则化参数；根据中非零元素对应的受试者节点生成超边，构建个体级受试者关联超图；采用稀疏组lasso稀疏表示策略构建组级受试者关联超图时，将受试者节点划分为多个互不重叠的组，优化目标函数为：

16、

17、其中，表示互不重叠的组集合，表示第个组对应的稀疏系数子向量，和分别表示个体级正则化参数和组级正则化参数；根据非零稀疏系数对应的受试者节点生成超边，构建组级受试者关联超图；采用重叠组lasso稀疏表示策略构建重叠组级受试者关联超图时，将受试者节点划分为多个具有重叠关系的组，使同一受试者节点能够属于多个组，优化目标函数为：

18、

19、其中，表示具有重叠关系的组集合；根据非零稀疏系数对应的受试者节点生成超边，构建重叠组级受试者关联超图。

20、步骤s3中超图卷积的传播过程为：

21、

22、其中，表示第层的节点表示矩阵，表示经第层超图卷积更新后的节点表示矩阵，表示关联矩阵，表示超边权重矩阵，表示节点度矩阵，表示超边度矩阵，表示第层可学习参数矩阵，表示非线性激活函数。

23、步骤s3中跨视角监督对比学习具体包括：

24、将不同视角下同一网络层的节点隐藏表示输入由多层感知机构成的投影函数，映射至对比学习空间获得投影特征；对于任意两个不同视角，将其中一个视角下的受试者节点投影特征作为锚点，将锚点对应的受试者节点在另一视角下具有相同类别标签的投影特征作为正样本，将另一视角下具有不同类别标签的所有投影特征作为负样本，计算跨视角监督对比损失：

25、

26、其中，表示网络层索引，设视角集合为v={l,s,o}，其中：l表示基于lasso稀疏表示策略构建的视角，s表示基于稀疏组lasso稀疏表示策略构建的视角，o表示基于重叠组lasso稀疏表示策略构建的视角。和表示两个不同视角，；在跨视角监督对比中，k ≠ k；表示受试者节点总数，表示锚点对应的受试者节点索引，表示负样本对应的受试者节点索引，表示正样本对应的受试者节点索引，表示与受试者节点具有相同类别标签的正样本节点集合，表示正样本节点集合中节点的数量，表示受试者节点在视角下第层的投影特征，表示余弦相似度函数，表示温度参数。

27、各网络层的跨视角监督对比损失经加权求和后获得层级跨视角对比学习总损失：

28、

29、其中，表示超图神经网络编码分支的总层数，表示第层对比损失的权重系数，表示基于lasso稀疏表示策略构建的视角，表示基于稀疏组lasso稀疏表示策略构建的视角，表示基于重叠组lasso稀疏表示策略构建的视角。

30、在步骤s4中构建节点级注意力权重的方式包括：将各受试者节点的结构特征向量输入由多层感知机构成的注意力评分网络，经归一化指数函数映射后获得各受试者节点在各视角下的注意力权重：

31、

32、其中，表示受试者节点在三个视角下的注意力权重向量，且满足，表示受试者节点在视角下的注意力权重。

33、步骤s4中自适应加权容融合包括：对于每一受试者节点，将受试者节点在各视角下的节点隐藏表示与对应视角下的注意力权重相乘后求和，获得受试者节点的融合节点特征：

34、

35、其中，表示受试者节点的融合节点特征，表示受试者节点在视角下的节点隐藏表示。

36、分类损失为加权交叉熵损失：

37、

38、其中，表示第个受试者节点的真实类别标签，表示第个受试者节点属于阿尔茨海默病患者类别的预测概率，表示类别权重系数；总损失为：

39、

40、其中，表示用于平衡分类损失和层级跨视角对比学习总损失的权重系数。

41、与现有技术相比，本发明所具有的有益效果为：

42、1、本发明分别采用lasso稀疏表示策略、稀疏组lasso稀疏表示策略和重叠组lasso稀疏表示策略构建三个视角下的受试者关联超图，分别从个体层级、互不重叠组层级和重叠组层级刻画受试者之间的高阶关联关系。三种构图策略从不同粒度揭示受试者群体的内在结构，相较于单一构图策略，能够有效减少特定构图方式造成的信息偏差，为后续分类提供更全面、更多维度的拓扑结构信息。

43、2、本发明在超图神经网络编码分支的每一网络层中均执行跨视角监督对比学习，以同一受试者节点在不同视角下具有相同类别标签的投影特征作为正样本、以不同类别标签的投影特征作为负样本，迫使模型在不同超图视角间对齐同类别样本的特征分布。与仅在输出层进行特征融合的现有技术相比，本发明的层级对比机制能够在浅层网络中对齐局部结构信息、在深层网络中对齐全局语义信息，逐层消除多视角间的冗余和分歧，显著提升跨视角特征的一致性。

44、3、本发明根据不同受试者节点在各视角下的节点度构建结构特征向量，进而通过注意力评分网络为各受试者节点生成个性化的跨视角注意力权重。节点度反映了该受试者在各超图视角下的拓扑连接强度，不同受试者的拓扑结构存在天然差异，因此同一视角对不同受试者的判别贡献亦不相同。本发明基于节点度进行动态加权融合，较现有技术中的统一加权或简单拼接方式，能够更精准地保留各受试者的有效特征信息、抑制冗余噪声，增强融合特征的判别力。

45、4、本发明将分类损失与层级跨视角对比学习总损失进行联合优化，使模型在提升分类判别力的同时保持跨视角特征一致性，两项损失协同指导网络参数更新。整个方案自smri数据输入至分类结果输出构成完整的技术闭环，能够直接应用于ad的早期影像辅助筛查，有效提高ad分类的准确性和稳定性。