基于小样本功能磁共振数据的偏头痛时序特征分类研究

提取偏头痛患者等的神经影像特征并进行识别模型的设计对相关疾病的辅助诊断具有重要意义。相较于常用的影像特征,本研究直接采用时间序列信号表征偏头痛患者组和健康对照组的大脑功能状态,可有效利用时间信息并减小分类模型训练计算量。首先,本研究针对小样本群体运用组水平独立成分分析和字典学习划分不同脑区后,提取区域平均时间序列信号;其次,将提取的时间序列平均划分成多个子时间序列,以扩充模型输入样本;最后,使用双向长短期记忆网络对时间序列建模,学习每个时间序列内部的前后时序信息来刻画周期性大脑状态变化以提高偏头痛的诊断准确率。研究结果显示,偏头痛患者组与健康对照组的分类准确率为96.94%、曲线下面积为0.98,且计算时间相对较短。实验表明,本文方法具有较强的适用性,时序特征提取和双向长短期记忆网络模型结合能较好地用于偏头痛的分类诊断;这项工作为基于小样本的神经影像数据的轻量化诊断模型提供了新的思路,并有助于相关疾病神经鉴别机制的探索。