本發(fā)明涉及疾病診斷，特別是涉及一種基于功能磁共振成像的精神疾病診斷系統(tǒng)、設(shè)備及介質(zhì)。

背景技術(shù)：

1、本部分的陳述僅僅是提供了與本發(fā)明相關(guān)的背景技術(shù)信息，不必然構(gòu)成在先技術(shù)。

2、靜息態(tài)功能磁共振成像(resting-state?functional?magnetic?resonanceimaging，rs-fmri)是一種客觀的無創(chuàng)成像方式，在患者處于靜息狀態(tài)下采集信息，可以反應(yīng)大腦的解剖結(jié)構(gòu)和功能，通過對靜息態(tài)功能磁共振成像產(chǎn)生的多元時序數(shù)據(jù)進(jìn)行分類，從而在臨床醫(yī)學(xué)上對精神疾病進(jìn)行輔助診斷。

3、現(xiàn)有的基于rs-fmri的精神疾病自動診斷方法大多需要將獲得的功能磁共振時間序列轉(zhuǎn)換為一組子序列或模式，以作為特征候選項；但是，這種方法將會生成的大量的特征空間，那么就會存在特征選擇困難的問題，并且在多元情況下可能導(dǎo)致低準(zhǔn)確性。另外，現(xiàn)有的深度學(xué)習(xí)方法需要大量的標(biāo)記數(shù)據(jù)來訓(xùn)練模型，而時間序列數(shù)據(jù)的標(biāo)記數(shù)據(jù)通常很難獲得。綜合上述問題導(dǎo)致了現(xiàn)有技術(shù)在處理多元時間序列分類問題時存在準(zhǔn)確性不高、需要大量標(biāo)記數(shù)據(jù)、特征選擇困難等問題。

技術(shù)實現(xiàn)思路

1、為了解決上述問題，本發(fā)明提出了一種基于功能磁共振成像的精神疾病診斷系統(tǒng)、設(shè)備及介質(zhì)，采用隨機分組和卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合，以及引入注意力機制處理降維數(shù)據(jù)的方式，解決海量信息的特征選擇和標(biāo)記數(shù)據(jù)不足的問題，提高模型處理效率和分類準(zhǔn)確性。

2、為了實現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：

3、第一方面，本發(fā)明提供一種基于功能磁共振成像的精神疾病診斷系統(tǒng)，包括：

4、獲取模塊，被配置為獲取腦區(qū)功能磁共振多維時序數(shù)據(jù)；

5、一次分類模塊，被配置為對腦區(qū)功能磁共振多維時序數(shù)據(jù)根據(jù)維度進(jìn)行隨機分組，得到多組多維時序子序列，對每組多維時序子序列依次進(jìn)行不同尺度的卷積操作后，對得到的卷積處理結(jié)果進(jìn)行平均池化操作，得到一維卷積結(jié)果，將多個一維卷積結(jié)果進(jìn)行拼接后，以此進(jìn)行疾病概率預(yù)測，得到第一分類概率；

6、二分類模塊，被配置為對腦區(qū)功能磁共振多維時序數(shù)據(jù)經(jīng)合并降維處理后得到一維時序數(shù)據(jù)，對一維時序數(shù)據(jù)采用訓(xùn)練后的分類模型，得到第二分類概率；

7、綜合診斷模塊，被配置為根據(jù)第一分類概率和第二分類概率得到精神疾病診斷結(jié)果。

8、作為可選擇的實施方式，隨機分組的過程包括：

9、對腦區(qū)功能磁共振多維時序數(shù)據(jù)的每個維度的序列，生成一個隨機數(shù)作為待交換序列索引；其中，隨機數(shù)在1-k中選擇，k為腦區(qū)功能磁共振多維時序數(shù)據(jù)的維度；

10、將每個序列與待交換序列索引所對應(yīng)的序列交換位置，得到一個新排列順序的多維時序序列；

11、按1到k的升序順序，每k個時序序列為一組，得到k/k個多維時序子序列。

12、作為可選擇的實施方式，對每組多維時序子序列依次進(jìn)行三次不同尺度的卷積操作。

13、作為可選擇的實施方式，第一次卷積操作為使用32個8*8的卷積核進(jìn)行卷積操作，第二次卷積操作為使用8個5*5的卷積核進(jìn)行卷積操作，第三次卷積操作為使用5個3*3的卷積核對進(jìn)行卷積操作，且每次卷積操作后均采用激活函數(shù)進(jìn)行處理。

14、作為可選擇的實施方式，每次卷積操作后的激活函數(shù)為：

15、

16、其中，x為激活函數(shù)的輸入。

17、作為可選擇的實施方式，所述分類模型為基于注意力機制的transformer模型；所述分類模型的激活函數(shù)為：

18、

19、其中，x為transformer模型輸出向量中的一個元素值。

20、作為可選擇的實施方式，第一分類概率p1(x)為：

21、

22、其中，n為拼接后得到的向量的長度；xi表示拼接后得到的向量中的第i個元素，共n個元素；wi為元素xi在全連接層中對應(yīng)的權(quán)重，x為腦區(qū)功能磁共振多維時序數(shù)據(jù)。

23、作為可選擇的實施方式，對第一分類概率和第二分類概率采用加權(quán)求和方式計算最終概率值：其中，p1(x)為第一分類概率，p2(x)為第二分類概率，x為腦區(qū)功能磁共振多維時序數(shù)據(jù)。

24、第二方面，本發(fā)明提供一種電子設(shè)備，包括存儲器和處理器以及存儲在存儲器上并在處理器上運行的計算機指令，所述計算機指令被處理器運行時，完成基于功能磁共振成像的精神疾病診斷方法；所述基于功能磁共振成像的精神疾病診斷方法包括：

25、獲取腦區(qū)功能磁共振多維時序數(shù)據(jù)；

26、對腦區(qū)功能磁共振多維時序數(shù)據(jù)根據(jù)維度進(jìn)行隨機分組，得到多組多維時序子序列，對每組多維時序子序列依次進(jìn)行不同尺度的卷積操作后，對得到的卷積處理結(jié)果進(jìn)行平均池化操作，得到一維卷積結(jié)果，將多個一維卷積結(jié)果進(jìn)行拼接后，以此進(jìn)行疾病概率預(yù)測，得到第一分類概率；

27、對腦區(qū)功能磁共振多維時序數(shù)據(jù)經(jīng)合并降維處理后得到一維時序數(shù)據(jù)，對一維時序數(shù)據(jù)采用訓(xùn)練后的分類模型，得到第二分類概率；

28、根據(jù)第一分類概率和第二分類概率得到精神疾病診斷結(jié)果。

29、第三方面，本發(fā)明提供一種計算機可讀存儲介質(zhì)，用于存儲計算機指令，所述計算機指令被處理器執(zhí)行時，完成基于功能磁共振成像的精神疾病診斷方法；所述基于功能磁共振成像的精神疾病診斷方法包括：

30、獲取腦區(qū)功能磁共振多維時序數(shù)據(jù)；

31、對腦區(qū)功能磁共振多維時序數(shù)據(jù)根據(jù)維度進(jìn)行隨機分組，得到多組多維時序子序列，對每組多維時序子序列依次進(jìn)行不同尺度的卷積操作后，對得到的卷積處理結(jié)果進(jìn)行平均池化操作，得到一維卷積結(jié)果，將多個一維卷積結(jié)果進(jìn)行拼接后，以此進(jìn)行疾病概率預(yù)測，得到第一分類概率；

32、對腦區(qū)功能磁共振多維時序數(shù)據(jù)經(jīng)合并降維處理后得到一維時序數(shù)據(jù)，對一維時序數(shù)據(jù)采用訓(xùn)練后的分類模型，得到第二分類概率；

33、根據(jù)第一分類概率和第二分類概率得到精神疾病診斷結(jié)果。

34、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果為：

35、本發(fā)明通過引入注意力機制來解決海量信息的特征選擇和標(biāo)記數(shù)據(jù)不足的問題。當(dāng)處理大量輸入信息時，引入注意力機制構(gòu)建transformer模型，采用編碼-解碼框架，使用自注意力和前饋網(wǎng)絡(luò)來進(jìn)行編碼和解碼，注意力機制能夠自適應(yīng)選擇關(guān)鍵特征，有效地避免了傳統(tǒng)特征選擇方法所面臨的問題，顯著提高模型處理效率。此外，注意力機制還能夠通過學(xué)習(xí)樣本之間的相似性來彌補標(biāo)記數(shù)據(jù)不足的困境，從而顯著提升模型的分類準(zhǔn)確性。

36、本發(fā)明采用隨機分組結(jié)合卷積神經(jīng)網(wǎng)絡(luò)的方式，用于提取多維度時間序列數(shù)據(jù)的低維特征表示。通過將時間序列數(shù)據(jù)隨機分組，減少特征數(shù)量，在每個組上應(yīng)用卷積層，提取時間序列數(shù)據(jù)的低維特征表示，同時以并行方式處理每個組，加速模型訓(xùn)練速度。與傳統(tǒng)時間序列分類方法相比，隨機分組結(jié)合卷積神經(jīng)網(wǎng)絡(luò)的方式更好地處理了高維多元數(shù)據(jù)中可能產(chǎn)生大量特征候選項的問題，同時降低模型訓(xùn)練成本。

37、本發(fā)明附加方面的優(yōu)點將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過本發(fā)明的實踐了解到。