基于非线性高阶特征和超图卷积神经网络的阿尔茨海默症分类

阿尔茨海默症(AD)是一种不可逆转的大脑神经退化性疾病,会损害患者记忆力和认知能力。因此,AD诊断具有重要意义。大脑感兴趣区域(ROI)之间往往是多个区域以非线性的方式协同交互,充分利用此类非线性高阶交互特征有助于提高AD诊断分类的准确性。为此,提出基于非线性高阶特征提取和三维超图神经网络相结合的AD计算机辅助诊断框架。首先针对ROI数据使用基于径向基函数核的支持向量机回归模型训练出基估计器,再通过基于基估计器的递归特征消除算法提取功能性磁共振成像(fMRI)数据中的非线性高阶特征,进而将特征构造成超图,最后基于fMRI数据的四维时空特性搭建超图卷积神经网络模型来进行分类。阿尔茨海默症神经影像倡议(ADNI)数据库上的实验结果表明,所提框架在AD/正常对照(NC)分类任务上的效果相较于Hyper Graph Convolutional Network(HyperGCN)框架提高了8%,相较于传统二维线性特征提取方法提高了12%。综上,本文框架在AD分类效果上较主流深度学习方法有所提升,可为AD计算机辅助诊断提供有效依据。