摘要
阿尔茨海默病（Alzheimer''s Disease,AD）是一种常见的神经退行性疾病，对老年人的危害较大且尚无有效地根治手段。因此，AD初期的早筛是预防该疾病的重要步骤。基于各种脑影像数据、认知量表和血检指标等生物标记物进行计算机辅助诊断具有重要意义。在疾病预测领域，图神经网络能够自动识别大脑网络关系从而获取低维表示,有效的提高预测精度。现有的图网络模型都是基于单图和手工阈值以获得初始图结构，难以有效融合所有模态信息，同时原始数据集存在的类不平衡和数据量小等问题影响了图卷积过程的节点嵌入。因此，本文针对基于图神经网络预测阿尔茨海默病所存在的上述问题进行研究和改进，主要内容如下: （1）针对传统单图结构难以充分表征受试者之间的关联信息以及存在的模态维度不平衡的问题，提出了基于多图的动态图学习网络。首先，将受试者特征分为图像和表型数据两个通道分别构图，以保证信息能够被充分提取。其次，使用图学习模块对图像数据所构图进行迭代优化以获取最优图结构。进一步，构建多通道特征提取模块实现特定空间和公共空间的特征降维。最后，设计自适应融合模型用于融合不同通道的特征数据从而送入分类器。在TADPOLE和NACC两个疾病预测数据集上的实验表明，所构建的模型能够有效的提高分类准确度。其中，TADPOLE数据集上的准确度达到93.32％,NACC数据集上的准确度达到89.89％。 （2）针对原始数据集存在的类不平衡难以训练公正的分类器和数据量过小导致过拟合的问题，构建了基于图的多维度的数据增强网络。首先，由于原始数据中存在冗余信息，使用边缘增强模型对已经获得的图结构做进一步地剪枝和优化，从而为节点扩充提供良好保障。其次，为了防止数据的近似分布被破坏，使用特征编码器嵌入到低维空间进行节点扩充。进一步，传统的过采样算法存在着不同类边缘模糊的问题，因此提出一个自适应节点扩充模块给每个节点生成分配权重，从而控制节点的扩充数量。最后，设计嵌入层将新的节点插入到原图中且尽量避免损坏原图结构。在TADPOLE和NACC两个疾病预测数据集上的实验表明，所提出的模型在数据标签率仅有10％时也能取得高于80％的准确度。
NETL