用于fMRI脑疾病分类的时空原型增强注意力网络

《Pattern Recognition》：Spatial-Temporal Prototype-Enhanced Attention Network for fMRI brain disease classification

　　- 提出了一种用于fMRI脑部疾病分类的空时原型增强注意力网络。- 设计了具有动态更新机制的原型学习，以学习判别性特征表示。- 原型引导的双向注意力对齐策略促进了时空特征融合。- 在大规模fMRI数据集上的实验表明其具有优越的性能和生物标志物。## 引言脑部疾病已成为全球主要的公共卫生问题，对人类的身体健康和生活质量构成了严重威胁。其隐匿性的发展过程及复杂的病理机制给早期临床识别带来了巨大挑战。如自闭症谱系障碍(ASD) [1]、注意力缺陷多动障碍(ADHD) [2]、阿尔茨海默病(AD) [3] 及其前驱阶段轻度认知障碍(MCI) [4] 等脑部疾病的早期准确诊断，仍然是神经科学和临床医学研究中亟待解决的关键问题。功能性磁共振成像(fMRI)作为一种主流的无创神经影像技术，通过捕捉血氧水平依赖(BOLD)信号，为表征大脑的组织模式和功能交互提供了有效手段，从而能够在脑部疾病早期阶段检测出细微的功能异常 [5]。在早期脑部疾病分类研究中，支持向量机(SVM) [6]、随机森林(RF) [7] 和k-近邻(k-NN) [8] 等传统机器学习方法高度依赖人工特征提取，在一定程度上为计算机辅助诊断做出了贡献。然而，随着数据量和特征复杂度的增加，其泛化能力和分类性能越来越受到限制。近年来，深度学习方法取得了显著进展。包括卷积神经网络(CNN) [9]、图神经网络(GNN) [10] 和长短期记忆网络(LSTM) [11] 在内的模型能够自动学习层次化特征表示，并在脑部疾病分类任务中显著优于传统机器学习方法。此外，注意力机制进一步使深度学习模型能够聚焦于与疾病相关的信息特征，已被广泛应用于医学图像分析。原型学习是一种基于样本聚类和距离度量的学习范式，它从训练数据中提取类级别公共特征并构建代表性类原型，以实现基于相似性的分类和决策 [12]。在少样本学习场景中，原型学习可以有效缓解标注数据稀缺和过拟合的问题 [13]。这一特性非常适用于脑部疾病研究，因为后者样本量通常有限且类别分布不均衡。通过强调类别级别共性并抑制个体差异，原型学习可以进一步提高模型泛化能力。现有研究已展示了原型学习在脑网络分类和脑部疾病诊断中的潜力 [14], [15]。尽管现有方法取得了显著进展，但脑部疾病分类仍面临两个挑战：首先，大多数现有方法将原型视为类别描述符 [16]、模型可解释性工具 [17] 或对比学习的辅助组件 [18]。原型在指导特征表示学习方面的作用尚未得到充分探索。其次，时空脑网络特征的融合效率仍有待优化。脑功能交互本质上既具有时间动态性又具有空间拓扑性。现有研究主要采用特征拼接 [19]、加权融合 [20] 和基于注意力的加权 [21] 方法进行时空特征融合，缺乏结构引导策略以实现有效的跨分支特征对齐和互补利用。为解决上述问题，本研究提出了一种新颖的空时原型增强注意力网络(STPEA)用于fMRI脑部疾病分类。通过显式建模类原型以增强判别性特征学习，并自适应地引导跨分支时空特征融合，所提出的STPEA模型在分类性能和模型可解释性方面均实现了统一提升。本研究的主要贡献总结如下。- 提出了一种新颖的STPEA模型，在端到端框架内协同整合原型学习和跨分支注意力对齐策略，同时优化基于fMRI的脑部疾病分类时空特征提取和自适应融合。- 设计了显式的原型学习和动态更新方法，以学习判别性时空特征，增强所学习特征表示的类内紧凑性和类间可分性。- 构思了原型引导的双向注意力对齐策略，以增强跨分支特征对齐和互补性学习，促进有效的时空特征融合并提升分类性能。- 在三个大规模fMRI数据集上的系统实验验证了所提出STPEA在脑部疾病分类中的有效性，其在多个评价指标上均持续优于现有经典和最先进方法。识别出重要脑区作为脑部疾病诊断的潜在生物标志物。## 章节摘要### 基于深度学习方法 的脑部疾病分类深度学习方法因其强大的非线性特征学习能力，已被广泛应用于脑部疾病分类任务。其中，自编码器(AE)通过将输入数据映射到低维空间并重构输入来实现高效抽象特征提取，已被用于精神分裂症和ADHD的自动诊断 [22]。为显式建模脑网络结构，Kawahara等 [9] 提出了BrainNetCNN，采用了专门的### 框架概述所提出的空时原型增强注意力网络(STPEA)的框架概述如图1所示，它包含三个关键模块：(1) 时间特征学习模块；(2) 空间特征学习模块；以及 (3) 时空特征融合与分类模块。模块(1)和(2)均由特征提取器和原型学习子模块组成。具体而言，时空特征首先通过时间卷积网络(TCN)### 数据集本研究在三个公开fMRI数据集上评估所提出的STPEA模型：ABIDE [37]、ADHD-200 [38] 和 ADNI [39]。数据访问链接见相应参考文献。为确保可重复性和可扩展性，我们采用了官方预处理连接组学项目(PCP)发布的公开预处理数据，这些数据也用于先前的研究 [40]。ABIDE和ADHD-200数据集采用CC200图谱，而ADNI数据集使用Schaefer200### 结论本研究提出了一种新颖的STPEA模型用于脑部疾病分类。首先从原始fMRI数据中提取空间和时间特征。然后设计了一个原型学习模块以增强所学习表示的类内紧凑性和类间可分性，从而提高特征学习的判别能力。此外，我们引入了PBAA模块以促进跨分支特征协作和互补性学习，实现了有效的### CRediT作者贡献声明**Yin Liang：** 写作 – 审阅与编辑，写作 – 原稿撰写，验证，监督，项目管理，方法论，资金获取，正式分析，数据管理，概念化。 **Runrui Han：** 写作 – 原稿撰写，可视化，软件，方法论，调查，正式分析。 **Xiaoying Yang：** 调查，方法论，可视化，写作 – 审阅与编辑。 **Bo Liu：** 写作 – 审阅与编辑，资源，方法论，数据管理，概念化。## 利益冲突声明作者声明他们不存在任何可能影响本文所报告工作的已知的竞争性经济利益或个人关系。## 致谢本研究部分由 **国家自然科学基金** 资助（批准号 61906006），部分由 **北京市教委科技计划项目** 资助（批准号 KM202310005026）。Yin Liang | Runrui Han | Xiaoying Yang | Bo Liu