第5期 张英，等：面向自闭症辅助诊断的无监督模糊特征学习新方法 ·883· 碍、言语交流障碍和动作刻板重复等。自1943 表1NYU实验对象信息 年利奥·坎纳医生首次对自闭症做出经典性描述 Table 1 The information of NYU experimental object 以来，该疾病因其病因不明确，又集多种障碍于 实验对象信息 自闭症患者数 正常对照组 一身，已经得到了广泛的关注。目前，在美国平 人数（男女） 68/11 7726 均每68名儿童中就有1名自闭症儿童；在世界范 年龄 7.13-39.1 6.47-31.78 围内，自闭症患者超过1%。据统计，约2/3孤 表2USM实验对象信息 独症患儿成年后无法独立生活，需要终生照顾和 Table 2 The information of USM experimental object 看护。为此，人们迫切希望寻找科学而高效的手 实验对象信息 自闭症患者数 正常对照组 段对自闭症进行准确诊断以达到早发现早治疗的 人数（男/女） 56/0 43/0 目的。 年龄 11.442.3 8.8-39.4 已有研究表明，自闭症患者行为和认知缺陷 与潜在的脑功能异常有关。静息态MRI技术 每个对象的fMRI数据使用DPARSF(data pro 通过使用血氧水平依赖(blood oxygenation level cessing assistant for resting-state fMRI)lul工具进行 dependent,.BOLD)信号可以有效地反映患者在静 处理。处理步骤主要包括：1)去除功能磁共振图 息状态下脑部血流和代谢活动等功能性变化，因 像序列前10个时间点的数据；2)时间层校正和头 部运动校正；3)数据通过统一使用T1加权图像 此在自闭症的辅助诊断中起着重要的作用。基于 分割并将其归一化到MNIl52(montreal neurologic- 静息态的医学影像诊断大致可分为特征提取和分 al institute152)标准空间中；4)使用AAL(anatom- 类器设计这两个阶段。在特征提取阶段，通过使 ical automatic labeling)模板将大脑划分成Il6个 用相关性特征选择等方法从高维医学影像特征中 脑区，每个区域重新采样3×3×3mm3的体素；5) 得到有鉴别意义的特征；在分类器设计阶段，通 使用半高全宽高斯核进行空间平滑处理；6)应用 过使用线性或非线性分类器进行分类。但是目前 带通滤波(0.01~0.1Hz)去除噪声；7)去线性漂移 多采用线性特征学习方法，虽然具有简单高效等 并进行全局信号校正去干扰变量：8)计算每个脑 优点，但是尚不能有效挖掘出医学影像数据中的 区的平均时间序列。 复杂信息。 2基于fMRI数据的无监督模糊特征 本文基于静息态fMRI提出了一种新型的无 学习方法 监督模糊特征学习方法，并在此基础上构造多视 角分类器从而实现自闭症的辅助诊断。其技术路 2.1方法流程 线可概括为：首先，将静息态fMRI经过预处理 基于静息态fMRI进行自闭症辅助诊断包括 后，基于Pearson相关系数构造低阶功能连接矩 训练和测试两个阶段。本文所采用的训练过程如 阵，并使用文献[7]的方法构造高阶功能连接矩 图1所示，各步骤包括： 阵：然后，提出新型的无监督模糊特征学习方法， 1)根据预处理后的静息态功能磁共振成像 数据，提取出各脑区的平均时间序列信号，计算 将2种功能连接矩阵分别映射到不同的低维嵌入 脑区之间的Pearson系数，得到低阶功能连接矩阵 空间中；最后，以低阶和高阶功能连接在脑疾病 M。 诊断中的互补性为出发点，设计多视角SVMo分 2)将低阶功能连接矩阵的每一行作为各脑区 类器进行分类。 的特征描述，再次计算脑区之间的Pearson系数， 1实验数据集及处理 得到高阶功能连接矩阵M。 3)分别取低阶和高阶功能连接矩阵M和 本文使用的数据集来自ABIDE(autism brain M的上三角阵，按行串联形成新的特征向量，然 imaging datae xchange))数据库(http://preprocessed- 后将所有对象的特征向量进行排列，生成基于低 connectomes-project.org/abide/download.html) 阶和高阶功能连接的所有对象的特征矩阵；对两 NYU子集和USM子集，采集对象的FIQ(full-scale 种不同的特征矩阵计算各特征与类标的相关性， intelligence quotient)范围为65~l50。实验所处理 选择与类标相关性最高的D个特征，构成矩阵 对象的相关信息如表1和表2所示。 X=（)(x);…）月）eRw和X=(x)）:碍、言语交流障碍和动作刻板重复等[1-3]。自 1943 年利奥·坎纳医生首次对自闭症做出经典性描述 以来，该疾病因其病因不明确，又集多种障碍于 一身，已经得到了广泛的关注。目前，在美国平 均每 68 名儿童中就有 1 名自闭症儿童；在世界范 围内，自闭症患者超过 1%。据统计，约 2/3 孤 独症患儿成年后无法独立生活，需要终生照顾和 看护。为此，人们迫切希望寻找科学而高效的手 段对自闭症进行准确诊断以达到早发现早治疗的 目的。 已有研究表明，自闭症患者行为和认知缺陷 与潜在的脑功能异常有关。静息态 fMRI 技术[4-9] 通过使用血氧水平依赖 (blood oxygenation level dependent, BOLD) 信号可以有效地反映患者在静 息状态下脑部血流和代谢活动等功能性变化，因 此在自闭症的辅助诊断中起着重要的作用。基于 静息态的医学影像诊断大致可分为特征提取和分 类器设计这两个阶段。在特征提取阶段，通过使 用相关性特征选择等方法从高维医学影像特征中 得到有鉴别意义的特征；在分类器设计阶段，通 过使用线性或非线性分类器进行分类。但是目前 多采用线性特征学习方法，虽然具有简单高效等 优点，但是尚不能有效挖掘出医学影像数据中的 复杂信息。 本文基于静息态 fMRI 提出了一种新型的无 监督模糊特征学习方法，并在此基础上构造多视 角分类器从而实现自闭症的辅助诊断。其技术路 线可概括为：首先，将静息态 fMRI 经过预处理 后，基于 Pearson 相关系数构造低阶功能连接矩 阵，并使用文献 [7] 的方法构造高阶功能连接矩 阵；然后，提出新型的无监督模糊特征学习方法， 将 2 种功能连接矩阵分别映射到不同的低维嵌入 空间中；最后，以低阶和高阶功能连接在脑疾病 诊断中的互补性为出发点，设计多视角 SVM[10] 分 类器进行分类。 1 实验数据集及处理 本文使用的数据集来自 ABIDE(autism brain imaging datae xchange) 数据库 (http://preprocessed￾connectomes-project.org/abide/download.html) 的 NYU 子集和 USM 子集，采集对象的 FIQ(full-scale intelligence quotient) 范围为 65～150。实验所处理 对象的相关信息如表 1 和表 2 所示。 表 1 NYU 实验对象信息 Table 1 The information of NYU experimental object 实验对象信息 自闭症患者数 正常对照组 人数(男/女) 68/11 77/26 年龄 7.13~39.1 6.47~31.78 表 2 USM 实验对象信息 Table 2 The information of USM experimental object 实验对象信息 自闭症患者数 正常对照组 人数(男/女) 56/0 43/0 年龄 11.4~42.3 8.8~39.4 每个对象的 fMRI 数据使用 DPARSF(data pro￾cessing assistant for resting-state fMRI)[11] 工具进行 处理。处理步骤主要包括：1）去除功能磁共振图 像序列前 10 个时间点的数据；2）时间层校正和头 部运动校正；3）数据通过统一使用 T1 加权图像 分割并将其归一化到 MNI152(montreal neurologic￾al institute 152) 标准空间中；4）使用 AAL (anatom￾ical automatic labeling) 模板将大脑划分成 116 个 脑区，每个区域重新采样 3×3×3 mm3 的体素；5） 使用半高全宽高斯核进行空间平滑处理；6）应用 带通滤波 (0.01～0.1 Hz) 去除噪声；7）去线性漂移 并进行全局信号校正去干扰变量；8）计算每个脑 区的平均时间序列。 2 基于 fMRI 数据的无监督模糊特征 学习方法 2.1 方法流程 基于静息态 fMRI 进行自闭症辅助诊断包括 训练和测试两个阶段。本文所采用的训练过程如 图 1 所示，各步骤包括： Ml tr 1）根据预处理后的静息态功能磁共振成像 数据，提取出各脑区的平均时间序列信号，计算 脑区之间的 Pearson 系数，得到低阶功能连接矩阵 。 Mh tr 2）将低阶功能连接矩阵的每一行作为各脑区 的特征描述，再次计算脑区之间的 Pearson 系数， 得到高阶功能连接矩阵 。 Ml tr Mh tr X l tr = (( x tr,l 1 )T ; ( x tr,l 2 )T ;··· ; ( x tr,l N )T ) ∈ R N×D X h tr = (( x tr,h 1 )T ; 3）分别取低阶和高阶功能连接矩阵 和 的上三角阵，按行串联形成新的特征向量，然 后将所有对象的特征向量进行排列，生成基于低 阶和高阶功能连接的所有对象的特征矩阵；对两 种不同的特征矩阵计算各特征与类标的相关性， 选择与类标相关性最高的 D 个特征，构成矩阵 和 第 5 期 张英，等：面向自闭症辅助诊断的无监督模糊特征学习新方法 ·883·