论文部分内容阅读
精神疾病造成严重的社会经济负担,许多精神疾病之间存在着并发症状。然而,目前精神疾病的诊断是以临床症状和行为描述作为基础,具有较强的主观性且对医生的职业素质有较强的依赖。因此,寻找客观的评价指标来对精神疾病患者进行诊断成为国内外共同关注的热点问题。功能网络连接(FNC)已被广泛用于研究精神疾病,它可以反映空间上分离的大脑区域的组织和相互关系,并且在神经影像学中被广泛应用,用于发现精神疾病的可能存在的影像学标记。作为一种流行的深度学习方法,生成式对抗网络(GAN)在多种分类和分割任务中均取得了出色的表现,利用GAN的对抗学习可以有效提升数据集的分类性能,特别是小样本情况下。但是,GAN在功能磁共振成像(fMRI)数据中的应用相对较少,而fMRI领域高维小样本问题给基于磁共振影像的精神疾病分析带来了极大的困难。为此,针对精神疾病数据高维小样本的问题,本文提出了一种基于功能网络连接的GAN分类模型,用于对健康对照和精神疾病患者进行分类,实现了精神疾病分类性能的显著提高,在一定程度上解决了脑图像的小样本问题,本文的主要创新工作包括:使用静息态fMRI开发了一个新颖的GAN模型,以对大型多站点数据集中的精神疾病患者进行分类。提出的GAN模型定义了生成器和鉴别器之间的对抗性目标损失函数,利用对抗学习和特征匹配进一步提高了鉴别器的分类性能。利用基于脑功能连接的生成式对抗网络分类模型对542个健康对照组和558个精神分裂症进行分类的应用中,从7个站点区分558个精神分裂症患者和542个健康对照组的留一站点法预测中,所提出的GAN模型达到了80.7%的准确率,比支持向量机(SVM)和深度神经网络(DNN)高出3%-6%。在另一个基于脑功能连接的生成式对抗网络分类模型对286个健康对照和269名重度抑郁症患者进行分类的应用中,十折交叉验证的平均准确率达到70.1%,比其他6种流行的分类方法高出至少6%(54.5-64.2%)。另外,本文能够通过递归留一功能网络连接法的策略来识别出最有贡献的功能网络连接的节点和边。据目前所知,这是将GAN模型应用于基于脑功能连接的精神疾病分类的首次尝试。这样的框架有望在神经成像影像学标记识别中具有广泛的用途和巨大的潜力。