摘要
自闭症(AutismSpectrumDisorder,ASD)是一种常见的精神发育障碍疾病，其患病率呈逐年增加的趋势，严重影响患者的正常生活。磁共振成像技术(Magneticresonanceimaging,MRI)为ASD识别提供客观的生物标记，在一定程度上弥补其临床诊断方法主观性较强的不足。其中，结构MRI和功能MRI分别提供大脑的结构和功能信息。目前，需要一种客观的多模态ASD识别方法以充分融合多模态数据并提高识别的准确率。 基于多模态MRI数据,本文首先提出了基于多模态两阶段融合的ASD识别方法，以提高识别结果的可靠性;然后引入人口统计学信息，提出了基于多模态图神经网络的方法进行ASD识别，以进一步探究被试间的潜在关联并提高ASD识别的准确率。主要工作如下: (1)提出了一种基于多模态两阶段融合的ASD识别方法。考虑到现有的多模态融合方法仅在单阶段进行融合，本文设计了中间特征融合与后端证据融合模块，在中间和后端两个阶段以充分融合多模态数据。其中，特征融合模块由对比预测编码损失约束的多头注意力模块组成，提取模态不变且更具鉴别力的多模态融合特征;进一步证据融合模块考虑了结构MRI特征、功能MRI特征和两者融合特征的质量差异，引入基于证据网络的不确定性估计，量化三种模态特征预测的不确定性和信任质量，即质量集，并设计了一个相似度平衡学习模块对质量集进行加权，以保证证据的一致性，最终根据Dempster-Shafer理论进行证据融合，获得了准确率为72.45％的识别结果。 (2)提出了一种基于多模态图神经网络的ASD识别模型，即多模态图随机注意力模型(Multi-modalGraphRandomAttention,MGRA)。MGRA从研究被试间关联的角度出发，充分利用了人口统计学特征和图神经网络强大的建模能力。首先构建了基于信息瓶颈的成对关联注意力模块(PairwiseAssociationGraphAttention-InformationBottleneck,PAGA-IB),根据非成像信息自适应地学习被试间的关联，滤除图结构中的噪声信息和冗余信息;然后设计了用于进行模态内和模态间融合的图学习模块，利用PAGA-IB和图卷积获得模态的深层特征表示，实现模态特征的充分交互，提高多模态特征的表征能力;最后构建融合门以接收来自不同模态的信息，实现对结构MRI与功能MRI特征的初步融合。实验结果表明，提出的方法相较于其它方法在ASD识别性能上有较大的提升。
NETL