1.一种基于图神经网络对脑部磁共振成像的分类方法,其特征在于,包括如下步骤:步骤1,基于脑部磁共振图像,获取各脑区的脑区厚度;
以脑区作为节点,脑区之间的相关性连接作为节点之间的边,将提取的各脑区厚度作为节点的特征,构建脑拓扑图;所述脑拓扑图包括抑郁症患者的脑拓扑图和健康人的脑拓扑图;
步骤2,构建K-GAT网络,用于对脑部磁共振图像进行分类,将脑拓扑图输入K-GAT网络,对K-GAT网络进行训练,得到训练好的K-GAT网络;
步骤3,采用训练好的K-GAT网络对脑部磁共振图像进行分类。
2.根据权利要求1所述一种基于图神经网络对脑部磁共振成像的分类方法,其特征在于,步骤1中基于脑部磁共振图像,获取各脑区的脑区厚度,具体包括如下步骤:步骤1.1,基于脑部磁共振图像获得全脑灰质图像;
所述灰质图像包括灰质体积GMV和灰质浓度GMC;
步骤1.2,基于所述灰质图像获得全脑各脑区对应的灰质厚度GMT和灰质表面积SA;
步骤1.3,基于所述灰质体积GMV、灰质浓度GMC、灰质厚度GMT和灰质表面积SA构建第一脑图;
步骤1.4,对所述第一脑图进行低频振幅ALFF、分数低频振幅fALFF和局部一致性ReHo的计算,以获取各脑区的脑区厚度。
3.根据权利要求1所述一种基于图神经网络对脑部磁共振成像的分类方法,其特征在于,在脑拓扑图中,脑区厚度作为节点特征其中n为节点数量,即脑区数量,din为特征维度;节点之间的连接关系采用邻接矩阵表示,Aij表示节点i和节点j之间的连接关系,邻接矩阵Aij中的每个元素按照阈值进行赋值,大于阈值赋1,小于阈值赋0。
4.根据权利要求3所述一种基于图神经网络对脑部磁共振成像的分类方法,其特征在于,K-GAT网络包括第一线性层、K-GAT层、第二线性层脑拓扑图中的节点特征X输入到K-GAT网络中的第一线性层,得到隐藏特征dhidden表示线性层的特征维度;
隐藏特征H(0)表示为:
H(0)=WinX
其中,是线性层的权重矩阵,X表示脑区厚度;
隐藏特征H(0)与邻接矩阵Aij输入到K-GAT层,对于节点i及其邻居结点j,对节点i进行更新,得到更新的节点特征H(L);
各节点的特征H(L)经过第二线性层,将特征H(L)的维度从dhidden压缩到最终输出维度dout;
Z=WoutH(L)
其中,是最终的输出结果,dout为输出类别;
输出结果Z应用log_softmax,将每个节点的输出转化为类别的对数概率P;
P=log\_softmax(Z)
其中,是节点在每个类别上的对数概率。
5.根据权利要求4所述一种基于图神经网络对脑部磁共振成像的分类方法,其特征在于,隐藏特征H(0)和与邻接矩阵Aij输入到K-GAT层,对于节点i及其邻居结点j,对节点i进行更新,得到更新的节点特征H(L),具体包括如下步骤;步骤2.1将隐藏特征进行线性变换对每个节点的隐藏特征进行线性变换:
其中,是权重矩阵,l表示迭代次数;
步骤2.2当Aij=1时,计算节点i及其邻居结点j之间的注意力系数eij:其中是可学习的注意力向量;
‖表示特征的拼接操作;
LeakyReLU(·)表示激活函数;
步骤2.3,对注意力系数eij进行归一化,得到归一化的注意力权重αij;
其中表示节点i的邻居集合
步骤2.4,对节点i的邻居节点特征进行加权求和,得到节点i的新的隐藏特征表示其中,σ是非线性激活函数,W′是共享的权重矩阵;
步骤2.5,采用多头注意力机制对节点i的新的隐藏特征进行拼接,表示为:其中,K表示注意力头的数量,‖表示拼接操作,和W(k)分别是第k个头的注意力权重和线性变换矩阵;
步骤2.6,将节点i的特征输入到KAN层,进一步特征提取后,令l=l+1,返回步骤2.1,最终得到各节点的特征H(L)。
6.根据权利要求1所述一种基于图神经网络对脑部磁共振成像的分类方法,其特征在于步骤2中还包括对训练好的K-GAT模型进行剪枝。