NETL
摘要
现代社会给人们带来的工作、学习、生活上的压力越来越大，在全球范围内患有抑郁症的人数不断增加，受到医学上以及社会上的关注。关于抑郁症的发病原因，目前并没有准确的定论，因此缺乏客观手段进行诊断，依靠精神疾病专家的经验判断带有一定的主观性，会导致一定比例的误诊发生，耽误有效的治疗。因此，研究寻找更加客观准确的诊断方法对抑郁症的临床应用和社会安全都具有非常重要的意义。 本文针对抑郁症的动态脑功能连接存在异常发现，研究针对脑功能连接的时空图特征学习方法，实现抑郁症诊断，主要研究内容包括（1）基于动态图Transformer网络的抑郁症诊断方法，（2）基于多尺度时空注意力网络的抑郁症诊断方法。 （1）基于动态图Transformer网络的抑郁症诊断方法 针对现有方法未能充分考虑动态脑连接局部特征和全局特征融合的问题，本文提出了一种动态图Transformer网络架构，融合局部全局特征对抑郁症进行诊断。具体而言，首先根据功能磁共振成像的性质，对图像进行预处理之后，利用滑动窗口方法在时间序列上滑动，对每个窗口内的时间序列计算功能连接，从而得到动态脑功能连接图。为了充分提取局部和全局特征，将图神经网络和Transformer结合来进一步提取动态脑网络的空间特征。在时间维度上，模型使用特征差异来刻画相邻时刻脑连接的变化情况，以此增强局部特征表示，并利用时间注意力来捕捉不同时刻之间的全局动态相关性，进而实现抑郁症的精准诊断。最后，在中大新乡数据集和多中心抑郁症数据集上进行大量实验，验证了该分类模型的有效性。 （2）基于多尺度时空注意力网络的抑郁症诊断方法 针对现有方法仅考虑单尺度的脑区特征而未能考虑不同尺度空间下脑区的丰富特性，具有局限性的问题，本文提出了一种基于多尺度时空注意力网络的抑郁症诊断方法，将不同尺度粗细粒度的特征进行融合，带来更加全面的特征表示。首先利用滑动窗口技术在时间序列上进行滑动，构建动态功能连接。为了对空间特征进行充分的建模，模型构建了一个拓扑增强Transformer，利用邻接矩阵来对注意力的计算做一个约束，从而形成拓扑结构的指导，对限定的节点间信息交换进行增强。为了利用功能连接体的多尺度空间信息，使用多尺度池化来捕获不同尺度空间下的节点特征。在获得了不同尺度的图嵌入特征之后，对多个尺度分别计算时间动态上的特征相关性，并使用局部敏感哈希注意力来降低原始注意力的计算复杂度。在两个数据集上的大量实验验证了模型的优越性。
关键词
抑郁症/时空图特征学习/Transformer网络/功能磁共振成像/动态功能连接/时空注意力网络引用本文复制引用
授予学位
硕士学科专业
计算机科学与技术导师
孔佑勇学位年度
2023学位授予单位
东南大学语种
中文中图分类号
TP