注意缺陷与多动障碍(Attention Deficit and Hyperactivity Disorder,ADHD)是一种好发于青少年群体的常见的精神类疾病。ADHD患者通常会表现出注意力不集中、多动、冲动等症状,会给患者带来许多负面影响。然而,现代医学对于ADHD的发病...
详细信息
注意缺陷与多动障碍(Attention Deficit and Hyperactivity Disorder,ADHD)是一种好发于青少年群体的常见的精神类疾病。ADHD患者通常会表现出注意力不集中、多动、冲动等症状,会给患者带来许多负面影响。然而,现代医学对于ADHD的发病机制尚未明确,加上其临床表现不具有分辨性,目前仍然缺乏准确而高效的诊断方法。因此,本文使用常用公开数据集ADHD-200进行了基于静息态功能磁共振图像(resting state functional Magnetic Resonance Imaging,rs-fMRI)的ADHD智能鉴别研究。目前大部分基于时间特征的ADHD鉴别研究中,大多把BOLD(Bold Oxygen Level Dependent)信号和功能连接视作独立的特征。本文认为功能连接与BOLD信号是同源特征,通过功能连接可以有效提升BOLD信号中时间维度特征的差异性。因此,本文提出了一种新的基于BOLD信号的ADHD鉴别方法。该方法不仅考虑BOLD信号随时间波动的特征,还提出了一种新的基于深度学习的功能连接提取方法,使用BOLD信号计算“类功能连接”作为补充特征,不仅可以通过一个输出表达多个功能连接,还可以提取到不同脑区BOLD信号间的非线性相关性,一定程度上解决了传统功能连接特征过多以及只能计算线性相关的痛点。实验结果显示,该方法对分类准确率有一定提升,且深度功能连接相比基于Pearson相关的功能连接在分类中具有更好的效果。现有的ADHD鉴别研究大都只考虑了rs-fMRI中的时间或者空间信息,并且都对数据集中的样本进行了较大程度的筛选,模型鲁棒性较差。针对以上问题,本文提出了一种基于时空结合的ADHD鉴别方法。该方法同时考虑rs-fMRI中的时间和空间信息,分别对时空信息提取特征,最终融合提取到的时空特征进行分类。由于rs-fMRI中可以提取到多种空间特征,因此本文还对多种时空输入组合进行了实验,探寻出了最优的时空输入组合。在充分利用数据集中样本的情况下进行实验,结果表明:本文提出的方法在总体上要优于现有方法。从5折交叉验证实验结果来看,本文提出的模型在每一折的表现都比较优异,具有更好的泛化能力。另外,消融实验显示时空结合方法相比单独考虑时间或者空间信息时均有一定提升,充分证明了时空结合方法的有效性。总结来说,本文的主要贡献在于:(1)提出了一种基于BOLD信号的ADHD鉴别方法。该方法不仅考虑了BOLD信号在时间维度的特征,还提出了一种基于深度学习的功能连接提取网络,通过一个输出表达多个功能连接的方式有效减少了特征数量,还能够捕获BOLD信号间的非线性相关性。通过上述深度功能连接对BOLD信号时间特征的增强,分类准确率相比现有方法提升最高达4.76%。(2)提出了一种基于时空结合的ADHD鉴别方法。该方法通过分别提取时空特征再融合分类的方式提升了分类效果。另外,通过对多种时空输入组合进行测试,探索出了最优的时空输入组合。实验表明,该方法分类准确率相比现有方法最高提升8.58%,且漏诊率、误诊率都达到了一个较低水平。
暂无评论