(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211059849.7 (22)申请日 2022.08.30 (71)申请人 上海市精神卫 生中心 （上海市心理 咨询培训中心） 地址 200030 上海市徐汇区宛平南路6 00号 (72)发明人 彭代辉　王乾　张慧凤　刘孟君　 蔡亦蕴　周儒白　卢文仙　 (74)专利代理 机构 上海智信专利代理有限公司 31002 专利代理师 王洁　郑暄 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/762(2022.01) G06V 10/25(2022.01) G06V 10/774(2022.01)G06V 10/82(2022.01) G06T 7/30(2017.01) G06N 3/06(2006.01) G06N 3/08(2006.01) A61B 5/055(2006.01) A61B 5/16(2006.01) (54)发明名称 基于多重融合脑网络图技术实现抑郁症亚 型分类处 理的系统、 方法、 处 理器及其存 储介质 (57)摘要 本发明涉及一种基于深度学习多重融合脑 网络图技术实现抑郁症亚型分类处理的系统， 其 中， 该系统包括： 数据采集处理模块， 用于采集受 试者的静息态功能磁共振成像数据； 数据预处理 模块， 用于对采集到数据进行预处理； 多重功能 脑网络构建模块， 将得到的功能态磁共振成像数 据(fMRI)生成三个功能连接矩阵， 并对每个系数 连通矩阵构造一个图表示； 多重脑网络图融合模 块， 使用基于数据增强的正则化项来提高小样本 容量下的性能， 并利用GAT融合区组和差异池区 组将各个图表 示映射到特征空间； 抑郁症亚型分 类模块， 对抑郁症亚型进行分类处理。 本发明还 涉及一种相应的方法、 装置、 处理器及其存储介 质。 采用了本发明的该系统、 方法、 装置、 处理器 及其存储介质， 有助于进一步优化神经调控技术 在抑郁症治 疗中的靶向干预方案 。 权利要求书3页 说明书9页 附图1页 CN 115424067 A 2022.12.02 CN 115424067 A 1.一种基于深度学习 多重融合脑网络图技术实现抑郁症亚型分类处理 的系统， 其特征 在于， 所述的系统包括： 数据采集处理模块， 用于采集特定环境下受试者的静息态功能磁共振成像数据 (fMRI)； 数据预处理模块， 与所述的数据采集处理模块相连接， 用于对采集到的所述的静息态 功能磁共 振成像数据(fMRI)进行 校正、 配准、 分割 、 标准化、 滤波、 平 滑的数据预处 理； 多重功能脑网络构建模块， 与所述的数据预处理模块相连接， 由经过数据预处理后得 到的功能态磁共振成像数据fMRI生成三个功能连接矩阵， 分别对应Pearson相关系数、 Spearman相关系数和偏相关测度系数， 并对每 个系数连通矩阵构造一个图表示； 多重脑网络 图融合模块， 与所述的多重功能脑网络构建模块相连接， 其使用基于数据 增强的正则化项来提高小样本容量下 的性能， 并利用GAT融合区组和差异池区组将各个图 表示映射到特 征空间； 抑郁症亚型分类模块， 与所述的多重脑网络 图融合模块相连接， 所述的抑郁症亚型分 类模块基于深度学习， 并采用多层感知器模型对抑郁症亚型进行分类处 理。 2.一种利用权利要求1所述的系统实现基于深度学习多重融合脑网络图技术的抑郁症 亚型分类处 理的方法， 其特 征在于， 所述的方法包括以下步骤： (1)采集特定条件下受试者在特定环境下的静息态 功能磁共 振成像数据(fMRI)； (2)对采集到 的所述的静息态功能磁共振成像数据(fMRI)进行校正、 配准、 分割、 标准 化、 滤波、 平 滑的数据预处 理， 获得经过预处理后的静息态 功能磁共 振成像数据(fMRI)； (3)将经过数据预处理后得到的功能态磁共振成像数据(fMRI)生成三个功能连接矩 阵， 分别对应Pearson相关系数、 Spearman相关系数和偏相关测度系数， 并对每个系数连通 矩阵构造一个图表示； (4)使用基于数据增强的正则化项来提 高小样本容量下的性能， 并利用GAT融合区组和 差异池区组将各个图表示映射到特 征空间； (5)基于深度学习并采用多层感知器模型对抑郁症亚型进行分类处 理。 3.根据权利要求2所述的实现基于深度学习多重融合脑网络图技术的抑郁症亚型分类 处理的方法， 其特 征在于， 所述的步骤(1)包括： (1.1)根据精神疾病诊断与统计手册第五版(DSM ‑5)中关于重度抑郁障碍， 以及抑郁发 作状态疾病诊断评估标准， 选取被试入组； (1.2)通过西门子3.0T磁共振扫描采集影像数据， 采集入组被试在特定环境下的功能 态磁共振成像数据(fMRI)。 4.根据权利要求3所述的实现基于深度学习多重融合脑网络图技术的抑郁症亚型分类 处理的方法， 其特 征在于， 所述的步骤(2)包括： (2.1)利用Matlab2017b中的SPM12工具包， 对静息态功 能磁共振成像数据(fMRI)进行 预处理； (2.2)删除每 个被试的前10个时间序列， 以保持信号的稳定性； (2.3)进行时间校正以及头动校正处 理； (2.4)将核磁共 振T1结构态图像 配准到头动校正后的静息态图像上； (2.5)采用李 代数微分同胚 配准算法将所述的T1结构态图像进行分割处 理；权　利　要　求　书 1/3 页 2 CN 115424067 A 2(2.6)采用DARTAL将静息态脑影像数据配准到蒙特利尔神经学研究所空间， 并重采样 至3×3×3mm3； (2.7)对经过重采样后得到的静息态脑影像数据， 进行去线性趋势及带通滤波处理， 以 去除伪影； (2.8)应用半高全宽4m m三维高斯核函数进行空间平 滑处理； (2.9)回归混杂信号， 将6个头动参数、 平均脑脊液信号、 平均脑白质信号和全脑信号作 为协变量放入自回归模 型， 对经上述步骤 预处理后的静息态功能磁共振成像数据(fMRI)进 行校正； (2.10)根据头动平 移>2.5mm或旋转>2.5 °的标准， 剔除不符合标准的被试。 5.根据权利要求4所述的实现基于深度学习多重融合脑网络图技术的抑郁症亚型分类 处理的方法， 其特 征在于， 所述的步骤(3)包括： (3.1)基于A AL1模板， 提取 大脑的90个感兴趣脑区(ROI)的BOLD信号； (3.2)采用皮尔森相关提取脑区间的功能连接(FC)值， 构建基于皮尔森数值的脑功能 网络矩阵； (3.3)采用斯皮尔曼相关提取脑区间的功能连接值， 构建基于斯皮尔曼数值的脑功能 网络矩阵； (3.4)采用偏相关提取脑区间的功能连接值， 构建基于偏相关数值的脑 功能网络矩阵； (3.5)将上述每种功能连接矩阵视为无向加权图， 其 中节点的特征包括BOLD信号均 值、 方差、 峰度和偏度， 边的权重为 其中cij是功能网络矩阵中的相关系 数。 6.根据权利要求5所述的实现基于深度学习多重融合脑网络图技术的抑郁症亚型分类 处理的方法， 其特 征在于， 所述的步骤(4)包括： (4.1)采用边加权图注意网络整合各个脑 功能网络中的特 征节点； (4.2)采用可微的池化操作模块， 以层次聚类的方式压缩特 征网络中的信息； (4.3)经过层次聚类后， 图越来越粗 糙， 从而产生输入图的层级表征； (4.4)经过两层的可微池化操作， 将90个节点的特 征信息， 堆叠 至32个节点； (4.5)重复上述 步骤， 直到堆叠 至4个节点。 7.根据权利要求6所述的实现基于深度学习多重融合脑网络图技术的抑郁症亚型分类 处理的方法， 其特 征在于， 所述的步骤(5)包括： (5.1)对每 个被试的节点特 征， 采用5折交叉验证的策略进行分类； (5.2)决策模块采用2层MLP， 其中每层含有32个和3个神经 元； (5.3)交叉熵损失用于分类， 其中亚当优化的衰减权 重设置为0.08； (5.4)利用多层感知器模型进行10 0个时期的模型训练， 其中初始学习速率 为0.001； (5.5)提取准确率、 F1得分、 精确率和召回率的指标用以评估 模型效能。 8.一种实现基于深度 学习多重融合脑网络图技术的抑郁症亚型分类处理 的装置， 其特 征在于， 所述的装置包括： 处理器， 被配置成执 行计算机可 执行指令； 存储器， 存储一个或多个计算机可执行指令， 所述计算机可执行指令被所述处理器执 行时， 实现权利要求2至7中任一项 所述的基于深度学习多重融合脑网络图技术的抑郁症 亚权　利　要　求　书 2/3 页 3 CN 115424067 A 3