申请/专利权人：郑州大学

申请日：2023-11-21

公开（公告）日：2024-04-12

公开（公告）号：CN117876733A

主分类号：G06V10/764

分类号：G06V10/764;G06V10/44;G06T7/00

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.30#实质审查的生效;2024.04.12#公开

摘要：本发明涉及一种基于多损失解耦生成判别学习的多模态表征分类模型，用于挖掘并利用多模态数据间的模态特异性关系和模态一致性关系，进而同时实现对精神分裂症的诊断和认知分数预测。该方法首先使用两个变分自编码器获得基因数据和肠道微生物数据的潜空间表示，然后通过解耦表征学习将基因和肠道微生物的潜空间变量分解为两个模态特异性变量和一个模态一致性变量，之后采用了一种生成‑判别学习框架来探索基因和肠道微生物与基于静息态功能磁共振影像提取的比率低频振幅特征之间的关系，并利用这种关系辅助比率低频振幅特征实现对疾病的分类和认知分数的预测。本发明能够充分挖掘并利用脑影像、肠道微生物以及基因这三种模态数据间的关联，以实现精神分裂症的分类和认知分数预测，并且在这两个任务中均获得了优异的性能，进一步对结果分析也能够识别出与精神分裂症最相关的多模态生物学标志物。

主权项：1.一种基于多损失解耦生成判别学习的多模态表征分类方法，其特征在于：采用解耦表征学习对多模态特征潜空间变量的分解，包括对不同模态的数据进行预处理和特征提取，分别得到比率低频振幅fractionalamplitudeoflow-frequencyfluctuation,fALFF特征、单核苷酸多态性SingleNucleotidePolymorphisms,SNP特征和肠道微生物特征，然后将多模态特征分别送入编码器得到其对应的潜空间变量，最后利用解耦表征学习方法将SNP特征和肠道微生物特征的潜空间变量分解为模态特异性变量和模态一致性变量，同时将经过解耦表征学习分解后的潜空间变量重新拼接在一起，送入解码器重建原始特征。采用生成-判别学习获取注意力向量，包括将SNP特征和肠道微生物特征的模态一致性变量进行合并，然后将两个模态特异型变量和合并后的模态一致性变量分别与人口统计信息相结合送入对应的生成网络中，以合成fALFF特征及其相应的注意力向量，最后将合成的fALFF特征与真实的fALFF特征输入判别网络，用于判断生成的fALFF特征是否真实，通过该过程不断对注意力向量进行优化。SCZ的诊断和认知分数预测，包括将真实的fALFF特征分别与三个生成器网络得到的注意力向量相乘实现对特征的加权增强，然后将增强后的特征拼接送入决策网络，以同时实现对SCZ的诊断和认知分数预测。

全文数据：

权利要求：

百度查询： 郑州大学 一种基于多损失解耦生成判别学习的多模态表征分类方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD