仇喆磊，王 莉+，王 曉，韋 奕，梅 雪

(1.南京工業(yè)大學(xué) 電氣工程與控制科學(xué)學(xué)院，江蘇 南京 211816；2.南京醫(yī)科大學(xué)附屬腦科醫(yī)院 影像科，江蘇 南京 210000)

0 引 言

近年來(lái)，我國(guó)自閉癥譜系障礙(autism spectrum disorder，ASD)患者人群數(shù)量和發(fā)病率都在快速上升[1]。隨著醫(yī)學(xué)影像的發(fā)展與人工智能深度學(xué)習(xí)算法的普及，越來(lái)越多的人工智能等領(lǐng)域的科研人員和團(tuán)隊(duì)也加入到自閉癥的自動(dòng)分類(lèi)識(shí)別研究中。其中靜息態(tài)功能核磁共振影像(rest state functional magnetic resonance imaging，RS-fMRI)是醫(yī)學(xué)影像中研究大腦功能連接異常的有效手段。Saeed等[2]設(shè)計(jì)了一種數(shù)據(jù)增強(qiáng)算法，以生成訓(xùn)練模型所需的綜合數(shù)據(jù)集，該模型先將數(shù)據(jù)時(shí)間節(jié)點(diǎn)數(shù)截取至相同長(zhǎng)度，再由自編碼器和單層感知器組織提取特征。Hailong L等[3]使用了一種基于堆疊自編碼器的深度神經(jīng)網(wǎng)絡(luò)，使用自閉癥影像數(shù)據(jù)交換(autism brain imaging data exchange，ABIDE)數(shù)據(jù)庫(kù)中的多個(gè)站點(diǎn)的健康受試者訓(xùn)練基于堆疊自編碼器的深度神經(jīng)網(wǎng)絡(luò)，然后用訓(xùn)練好的網(wǎng)絡(luò)模型對(duì)不同站點(diǎn)數(shù)據(jù)進(jìn)行測(cè)試。Li等[4]通過(guò)使用滑動(dòng)窗口來(lái)提取fMRI被試樣本的體素特征，分別計(jì)算體素特征的均值和標(biāo)準(zhǔn)差作為雙通道輸入3D-CNN中訓(xùn)練，測(cè)試時(shí)對(duì)同一樣本不同滑窗結(jié)果進(jìn)行投票分類(lèi)。

綜上所述，目前的方法沒(méi)有充分使用有限數(shù)據(jù)樣本中所蘊(yùn)含的信息，忽視了腦區(qū)之間的功能連接隨時(shí)間變化的特性。Carreira等[5]針對(duì)傳統(tǒng)三維卷積算法面對(duì)時(shí)序數(shù)據(jù)表現(xiàn)不佳的問(wèn)題，提出了通過(guò)將經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)Inception-V1架構(gòu)的二維網(wǎng)絡(luò)，增加了一個(gè)時(shí)間維度變?yōu)槿S膨脹卷積神經(jīng)網(wǎng)絡(luò)(inflated three dimension convolution neural network，I3D-CNN)，該網(wǎng)絡(luò)可以從視頻動(dòng)作數(shù)據(jù)中提取出時(shí)空特征。出于充分利用樣本全部時(shí)序信息的考慮，本文提出了一種基于I3D-CNN的自閉癥分類(lèi)方法。

1 方法實(shí)現(xiàn)結(jié)構(gòu)流程

本文所提出的基于I3D-CNN的自閉癥分類(lèi)方法創(chuàng)建流程如圖1所示，具體過(guò)程如下：①首先對(duì)原始RS-fMRI圖像數(shù)據(jù)進(jìn)行預(yù)處理；②按照自動(dòng)解剖標(biāo)記(automated anatomical labeling，AAL)模板將大腦劃分為116個(gè)腦功能區(qū)，并提ROI的時(shí)間序列數(shù)據(jù)；③將預(yù)處理后提取的ROI被試樣本分為訓(xùn)練樣本與測(cè)試樣本；④利用隨機(jī)滑動(dòng)窗口法將提取后的時(shí)間序列數(shù)據(jù)，劃分成若干子時(shí)間序列數(shù)據(jù)；⑤采用這些子時(shí)間序列數(shù)據(jù)的訓(xùn)練集生成三維動(dòng)態(tài)腦功能連接矩陣，采用測(cè)試集生成三維動(dòng)態(tài)腦功能連接矩陣組；⑥將訓(xùn)練樣本生成的三維動(dòng)態(tài)腦功能連接矩陣送入I3D-CNN進(jìn)行訓(xùn)練后得到自閉癥分類(lèi)模型；⑦利用訓(xùn)練好的自閉癥分類(lèi)模型，對(duì)測(cè)試樣本的類(lèi)別進(jìn)行識(shí)別；⑧對(duì)分類(lèi)結(jié)果進(jìn)行統(tǒng)計(jì)分析處理。所述8個(gè)主要過(guò)程之間的層次關(guān)系及相互之間的聯(lián)系如圖1所示。

圖1 基于I3D-CNN的自閉癥分類(lèi)方法實(shí)現(xiàn)結(jié)構(gòu)流程

2 基于I3D的自閉癥分類(lèi)算法

2.1 腦功能區(qū)域連接矩陣

創(chuàng)建該算法前，首先采用DPARSF(data processing assistant for resting-state fMRI)軟件對(duì)全部RS-fMRI原始數(shù)據(jù)進(jìn)行預(yù)處理，使用預(yù)處理后的RS-fMRI數(shù)據(jù)與自動(dòng)解剖標(biāo)記AAL模板相匹配，將全腦分割為116個(gè)功能不同的感興趣區(qū)域(ROI)，其中大腦分割為90個(gè)ROI，小腦分割為26個(gè)ROI。計(jì)算各個(gè)腦分區(qū)內(nèi)所有體素血氧水平依賴(blood oxygen level dependent，BOLD)信號(hào)的平均值，得到116個(gè)ROI的時(shí)間序列，分別提取全部樣本在M個(gè)時(shí)間節(jié)點(diǎn)的ROI，生成M*116的樣本矩陣。這里M是原始數(shù)據(jù)時(shí)間序列的長(zhǎng)度。

對(duì)于樣本矩陣，可以通過(guò)應(yīng)用皮爾遜(Pearson)相關(guān)系數(shù)來(lái)計(jì)算不同腦區(qū)(ROI)之間的功能連接強(qiáng)度，從而得到116*116的相關(guān)系數(shù)矩陣。

皮爾遜相關(guān)系數(shù)的定義如式(1)所示

(1)

2.2 三維動(dòng)態(tài)腦功能連接網(wǎng)絡(luò)

本文使用的自閉癥被試來(lái)自自閉癥影像數(shù)據(jù)交換(autism brain imaging data exchange，ABIDE)計(jì)劃所公開(kāi)的數(shù)據(jù)集，該計(jì)劃匯總了來(lái)自世界各地實(shí)驗(yàn)室收集自閉癥的RS-fMRI數(shù)據(jù)集。由于不同的國(guó)際站點(diǎn)所提供的RS-fMRI原始數(shù)據(jù)時(shí)間節(jié)點(diǎn)的長(zhǎng)度不盡相同。針對(duì)這一問(wèn)題，研究分析腦疾病通常會(huì)選擇獨(dú)立站點(diǎn)進(jìn)行分析，使用多站點(diǎn)分析前需要將數(shù)據(jù)裁剪至相同大小。ABIDE腦影像數(shù)據(jù)集樣本量通常只有1977個(gè)被試樣本，相比于其它公開(kāi)數(shù)據(jù)集的上萬(wàn)的樣本量顯得微不足道，因此充分利用腦影像數(shù)據(jù)中的全部信息尤為重要。

本文設(shè)計(jì)了一個(gè)基于隨機(jī)滑動(dòng)窗口生成三維動(dòng)態(tài)腦功能連接網(wǎng)絡(luò)的方法，其思路如圖2所示。考慮到傳統(tǒng)計(jì)算靜態(tài)腦功能的連接網(wǎng)絡(luò)，只是計(jì)算各個(gè)腦區(qū)之間的相關(guān)性，而忽略了腦區(qū)之間的相關(guān)性隨時(shí)間變化的屬性，導(dǎo)致利用動(dòng)態(tài)腦功能連接網(wǎng)絡(luò)實(shí)現(xiàn)腦疾病診斷的方法，只在意獨(dú)立腦區(qū)的相關(guān)性變化，而忽視了大腦整體的相關(guān)性及其隨時(shí)間變化的特點(diǎn)。為了表示被試樣本在不同ROI之間的功能架構(gòu)的時(shí)間變異性，利用滑動(dòng)窗口將每個(gè)ROI的時(shí)間序列劃分成若干個(gè)子時(shí)間序列，設(shè)置滑動(dòng)窗口長(zhǎng)度為L(zhǎng)，步長(zhǎng)為S，則生成的窗口數(shù)量總數(shù)目是D=M-L×S+1。

圖2 生成三維動(dòng)態(tài)腦功能連接網(wǎng)絡(luò)流程

本模型的設(shè)計(jì)與使用，都是針對(duì)多站點(diǎn)數(shù)據(jù)來(lái)開(kāi)展的。因此，必須要考慮到不同測(cè)量站點(diǎn)之間，通常選取的測(cè)量時(shí)間不同，這會(huì)導(dǎo)致被試樣本的時(shí)間節(jié)點(diǎn)數(shù)M存在比較大差異，也同時(shí)導(dǎo)致從功能連接矩陣中生成的窗口數(shù)量D也將有較大差異。對(duì)于每個(gè)ROI的窗口，在子時(shí)間序列上計(jì)算功能連接矩陣。從生成的D個(gè)功能連接矩陣中，隨機(jī)抽取連續(xù)的d個(gè)按順序完成拼接，構(gòu)成116*116*d的三維腦動(dòng)態(tài)功能矩陣。在訓(xùn)練過(guò)程中，每一輪訓(xùn)練對(duì)同一被試樣本每次提取連續(xù)的d個(gè)功能連接矩陣都是隨機(jī)的，這樣做增強(qiáng)了數(shù)據(jù)集的數(shù)量，同時(shí)也充分利用了RS-fMRI樣本中所蘊(yùn)含的隨時(shí)間變化的信息。

在測(cè)試過(guò)程中，不同于訓(xùn)練時(shí)同一被試樣本可以多次隨機(jī)抽取參與訓(xùn)練，每個(gè)測(cè)試樣本只能使用一次?？紤]到在被試樣本中隨機(jī)提取連續(xù)的d個(gè)功能連接矩陣，會(huì)對(duì)分類(lèi)結(jié)果帶來(lái)一定的誤差，故而本文對(duì)同一測(cè)試樣本按順序多次采樣，生成三維動(dòng)態(tài)腦功能矩陣組，每次腦動(dòng)態(tài)功能網(wǎng)絡(luò)的間距為4個(gè)是時(shí)間節(jié)點(diǎn)。分類(lèi)時(shí)分別得出三維動(dòng)態(tài)腦功能矩陣組中腦功能矩陣的歸一化指數(shù)函數(shù)(softmax)分類(lèi)值，按照自閉癥與健康兩種分類(lèi)，將分類(lèi)值分別相加求和之后用于實(shí)現(xiàn)分類(lèi)。

通常的做法是人為將被試樣本的時(shí)間節(jié)點(diǎn)截取至相同長(zhǎng)度，或者使用單一站點(diǎn)數(shù)據(jù)從而避免時(shí)間節(jié)點(diǎn)數(shù)量不同的問(wèn)題。截取至相同長(zhǎng)度的時(shí)間節(jié)點(diǎn)，會(huì)導(dǎo)致浪費(fèi)大量被試樣本提供的信息，而選取單一站點(diǎn)又會(huì)使模型具有局限性，泛用性不足。

2.3 I3D-CNN模型

考慮到醫(yī)學(xué)影像的特殊性，不同于傳統(tǒng)視頻分類(lèi)問(wèn)題，醫(yī)學(xué)影像的樣本量遠(yuǎn)少于其它數(shù)據(jù)集的樣本量，因此建立的模型要對(duì)數(shù)據(jù)變化規(guī)律更加敏感，要學(xué)習(xí)到更加細(xì)微的信息變化。文獻(xiàn)[5]通過(guò)同時(shí)更改測(cè)試與驗(yàn)證的數(shù)據(jù)集對(duì)5種架構(gòu)的性能進(jìn)行比較后發(fā)現(xiàn)，I3D模型的性能最佳。I3D-CNN模型對(duì)具有時(shí)序信息的數(shù)據(jù)有比較好的學(xué)習(xí)能力，可以從3D動(dòng)態(tài)腦功能連接矩陣中提取大腦的時(shí)空特征。值得注意的是，I3D模型的參數(shù)數(shù)量雖然相比于其它模型較大，但面對(duì)數(shù)據(jù)量較小的數(shù)據(jù)集時(shí)，分類(lèi)效果依然最好。因此本文采用I3D-CNN來(lái)構(gòu)建自閉癥分類(lèi)診斷的網(wǎng)絡(luò)結(jié)構(gòu)，后期的實(shí)驗(yàn)結(jié)果也驗(yàn)證了此模型結(jié)構(gòu)的可行性及有效性。

基于I3D-CNN的自閉癥分類(lèi)模型組成結(jié)構(gòu)實(shí)現(xiàn)過(guò)程如圖3所示。I3D-CNN模型是經(jīng)過(guò)Inception-V1架構(gòu)拓展后得到的，即將原有的針對(duì)二維矩陣的2D卷積核與池化操作，同時(shí)都增加一個(gè)時(shí)間維度后變成了3D。該網(wǎng)絡(luò)由3維卷積層、Inception模塊、3維最大值池化層、3維平均池化層構(gòu)成，以三維動(dòng)態(tài)功能連接矩陣作為網(wǎng)絡(luò)的輸入，提取腦功能網(wǎng)絡(luò)中的時(shí)空特征。

圖3 I3D模型結(jié)構(gòu)

I3D-CNN的 Inception組成結(jié)構(gòu)實(shí)現(xiàn)過(guò)程如圖4所示。在Inception(簡(jiǎn)稱Inc)結(jié)構(gòu)模塊中，在得到來(lái)自上一層的輸入特征后,分別并行執(zhí)行1*1*1、3*3*3、3*3*3的卷積運(yùn)算和一個(gè)3*3*3的最大池化操作，將4部分計(jì)算結(jié)果通道拼接起來(lái)送入下一層。為了減少網(wǎng)絡(luò)中參數(shù)的數(shù)量，除1*1*1的卷積運(yùn)算通道外，其余計(jì)算通道上分別加入了一個(gè)1*1*1的卷積模塊。

圖4 Inception Module (Inc.)結(jié)構(gòu)

3 實(shí)驗(yàn)及結(jié)果分析

3.1 數(shù)據(jù)獲取及預(yù)處理

實(shí)驗(yàn)數(shù)據(jù)方面，本實(shí)驗(yàn)使用ABIDE中的RS-fMRI數(shù)據(jù)，ABIDE包含ABIDEⅠ和ABIDEⅡ兩個(gè)數(shù)據(jù)集，每一個(gè)數(shù)據(jù)集都由來(lái)自24個(gè)國(guó)際腦成像實(shí)驗(yàn)室獨(dú)立收集的數(shù)據(jù)集匯集而成。我們選取其中的945名ASD受試者和1032名TD對(duì)照受試者的RS-fMRI數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，具體數(shù)據(jù)分布見(jiàn)表1。

RS-fMRI數(shù)據(jù)均使用DPARSF軟件進(jìn)行預(yù)處理，主要內(nèi)容和過(guò)程步驟包括：移除時(shí)間點(diǎn)、時(shí)間層校正、頭動(dòng)校正、空間標(biāo)準(zhǔn)化、平滑、去線性飄移、濾波以及消除協(xié)變量。

表1 ABIDE數(shù)據(jù)分布

3.2 實(shí)驗(yàn)結(jié)果

本實(shí)驗(yàn)中采用的服務(wù)器硬件配置包括i7-8086K(16核)型CPU、16 GB內(nèi)存以及RTX2080Ti型顯卡。運(yùn)行軟件環(huán)境由Windows10系統(tǒng)，python3.6語(yǔ)言和Facebook人工智能研究院開(kāi)發(fā)的PyTorch1.6版本組成。

實(shí)驗(yàn)中對(duì)預(yù)處理后的數(shù)據(jù)進(jìn)行劃分，將80%的數(shù)據(jù)作為用于網(wǎng)絡(luò)訓(xùn)練與參數(shù)學(xué)習(xí)的訓(xùn)練集，將剩余20%的數(shù)據(jù)作為用于測(cè)試模型準(zhǔn)確率和泛化性的測(cè)試集。通過(guò)對(duì)大量的對(duì)比實(shí)驗(yàn)結(jié)果的分析發(fā)現(xiàn)，算法中參數(shù)設(shè)置及取值如下時(shí)，訓(xùn)練出來(lái)的網(wǎng)絡(luò)模型使用效果最好。具體設(shè)置的參數(shù)或取值是：用于計(jì)算功能連接矩陣的滑窗長(zhǎng)度取為30，滑窗步長(zhǎng)取為2，每名被試者功能連接矩陣數(shù)目確定為16，每批樣本數(shù)量為16，訓(xùn)練數(shù)據(jù)集合被輪選次數(shù)(epochs)大小確定為200，學(xué)習(xí)率選取為0.001。

為了進(jìn)一步確認(rèn)模型的最佳參數(shù)和最佳使用方式，我們?cè)诮梃b已有研究成果的基礎(chǔ)上，還分別設(shè)計(jì)了兩組實(shí)驗(yàn)進(jìn)行優(yōu)化分析驗(yàn)證。文獻(xiàn)[6]通過(guò)對(duì)獼猴進(jìn)行實(shí)驗(yàn)，得出RS-fMRI影像數(shù)據(jù)通常取30～60個(gè)時(shí)間節(jié)點(diǎn)就可以作為獨(dú)立樣本，能傳達(dá)完整信息的結(jié)論。參照這個(gè)研究成果，本文的第一組實(shí)驗(yàn)在輸入樣本覆蓋不少于60個(gè)時(shí)間節(jié)點(diǎn)的前提下，測(cè)試不同滑窗大小對(duì)實(shí)驗(yàn)結(jié)果產(chǎn)生的影響，考慮到實(shí)驗(yàn)室設(shè)備性能和I3D網(wǎng)絡(luò)的普遍使用方法，輸入的三維矩陣長(zhǎng)度(輸入的功能連接矩陣數(shù)量)為25以內(nèi)。為提高訓(xùn)練效率及準(zhǔn)確性，在訓(xùn)練過(guò)程中需要對(duì)數(shù)據(jù)進(jìn)行歸一化的操作，在整個(gè)學(xué)習(xí)過(guò)程中被試數(shù)據(jù)多次發(fā)生維度變化時(shí)，要完成的歸一化的內(nèi)容分別是ROI特征提取得到的結(jié)果、計(jì)算功能連接矩陣后的二維矩陣、將二維功能連接矩陣生成的三維功能連接矩陣。由此設(shè)計(jì)完成了第二組對(duì)比實(shí)驗(yàn)，在對(duì)比實(shí)驗(yàn)一取得的最佳滑窗大小的基礎(chǔ)上，分別驗(yàn)證在不同數(shù)據(jù)變化的各個(gè)時(shí)期進(jìn)行歸一化時(shí)，對(duì)實(shí)驗(yàn)結(jié)果產(chǎn)生的影響。

實(shí)驗(yàn)中，為了分析滑動(dòng)窗口大小對(duì)分類(lèi)精度的影響問(wèn)題，從5開(kāi)始按照步長(zhǎng)為5依次取不同的滑動(dòng)窗口大小直至60，實(shí)驗(yàn)結(jié)果如圖5所示?？梢钥闯?，滑動(dòng)窗口的大小對(duì)分類(lèi)性能具有一定影響，而且影響結(jié)果呈現(xiàn)出隨窗口大小變化并非單調(diào)性分布的現(xiàn)象，當(dāng)滑動(dòng)窗口大小取為30時(shí)得自閉癥分類(lèi)模型的分類(lèi)精度(ACC)最高，準(zhǔn)確率可達(dá)到72.25%，因此最后根據(jù)實(shí)驗(yàn)結(jié)果確定的滑動(dòng)窗口大小為30。

圖5 不同滑窗大小實(shí)驗(yàn)結(jié)果

表2為選取不同歸一化位置時(shí)間點(diǎn)時(shí)的實(shí)驗(yàn)結(jié)果。為了確保實(shí)驗(yàn)結(jié)果的準(zhǔn)確可靠，每個(gè)歸一化位置各做5組實(shí)驗(yàn)，分別計(jì)算分類(lèi)結(jié)果準(zhǔn)確率的平均值，結(jié)果見(jiàn)表2?？梢园l(fā)現(xiàn)，當(dāng)在生成功能連接矩陣后的時(shí)刻進(jìn)行歸一化操作時(shí)，實(shí)驗(yàn)效果更為出色。

表2 歸一化位置時(shí)刻不同時(shí)的實(shí)驗(yàn)結(jié)果

為了評(píng)估本文提出的基于3D卷積的腦功能網(wǎng)絡(luò)在自閉癥識(shí)別分類(lèi)使用中的有效性，將其與現(xiàn)有的一些使用ABIDE數(shù)據(jù)集，基于深度學(xué)習(xí)的ASD分類(lèi)方法進(jìn)行了比較，結(jié)果參見(jiàn)表3。

表3 多站點(diǎn)實(shí)驗(yàn)結(jié)果比較

從表3中可以看出，在數(shù)據(jù)集同為多站點(diǎn)的條件下，本文提出并建立的自閉癥分類(lèi)方法的分類(lèi)精度為72.25%，具有更好的分類(lèi)效果，對(duì)于不同站點(diǎn)不同來(lái)源的數(shù)據(jù)具有比較好的泛化能力。

此外，還把采用本文的方法訓(xùn)練好的自閉癥分類(lèi)模型，在單個(gè)站點(diǎn)的數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn)測(cè)試，實(shí)驗(yàn)結(jié)果見(jiàn)表4?？梢钥闯觯鳛橥粋€(gè)模型，用在不同站點(diǎn)上時(shí)的分類(lèi)正確率不同，這是由于不同數(shù)據(jù)站點(diǎn)使用的數(shù)據(jù)采集儀器、采樣時(shí)間等因素存在較大差異，以及模型的泛化能力共同造成的。這也從一個(gè)側(cè)面也反映出，如何進(jìn)一步提高分類(lèi)模型的泛化能力，盡量減少對(duì)不同源頭數(shù)據(jù)的依賴，仍然是一個(gè)需要繼續(xù)深入研究的方面。

表4 不同站點(diǎn)實(shí)驗(yàn)結(jié)果

考慮到很多研究人員，在使用獨(dú)立站點(diǎn)對(duì)自閉癥腦圖像進(jìn)行研究分類(lèi)。本文還與現(xiàn)有的其它一些針對(duì)獨(dú)立站點(diǎn)進(jìn)行分類(lèi)研究的方法進(jìn)行了對(duì)比，這里選用NYU、UM和USM這3個(gè)經(jīng)常使用的實(shí)驗(yàn)站點(diǎn)數(shù)據(jù)進(jìn)行實(shí)驗(yàn)對(duì)比，結(jié)果分別如圖6～圖8所示。3組站點(diǎn)對(duì)比盡可能選擇相同的實(shí)驗(yàn)方法，仔細(xì)觀察可以發(fā)現(xiàn)，在同一模型環(huán)境下，對(duì)于不同站點(diǎn)測(cè)試結(jié)果差異顯著的問(wèn)題屬于共性問(wèn)題。在相同站點(diǎn)中，本文方法的分類(lèi)精度仍然較高。這說(shuō)明本文建立的自閉癥分類(lèi)識(shí)別模型在使用過(guò)程中，具有比較好的泛化能力。

圖6 站點(diǎn)NYU實(shí)驗(yàn)對(duì)比

圖7 站點(diǎn)UM實(shí)驗(yàn)對(duì)比

圖8 站點(diǎn)USM實(shí)驗(yàn)對(duì)比

4 結(jié)束語(yǔ)

本文基于I3D-CNN建立了一種能更加有效捕捉腦功能連接空間上的聯(lián)系及其隨時(shí)間的變化特征的自閉癥分類(lèi)識(shí)別智能算法。該算法利用隨機(jī)滑動(dòng)時(shí)間窗口,提取多個(gè)3D動(dòng)態(tài)腦功能連接矩陣，將3D動(dòng)態(tài)腦功能連接矩陣輸入I3D-CNN網(wǎng)絡(luò)進(jìn)行訓(xùn)練，從而構(gòu)建自閉癥分類(lèi)模型。

相比于忽略差異使用單一站點(diǎn)或者將不同站點(diǎn)數(shù)據(jù)刪減至相同大小的方法，本文提出的方法可在多站點(diǎn)數(shù)據(jù)存在差異的情況下，減少不必要的數(shù)據(jù)信息浪費(fèi)，可充分利用全部數(shù)據(jù)及數(shù)據(jù)中的潛在信息，特別是本文提出了，增添利用fMRI數(shù)據(jù)中腦區(qū)之間的相關(guān)性隨時(shí)間變化過(guò)程中呈現(xiàn)出來(lái)的差異性信息特征的思想。相應(yīng)的實(shí)驗(yàn)結(jié)果也表明，本文提出的思想方法，不僅可以從RS-fMRI數(shù)據(jù)中提取不同腦區(qū)連接在空間上的差異，同時(shí)也可以充分利用腦區(qū)功能連接隨時(shí)間變化的特性。本文所提出的思想和所建立的模型算法，對(duì)于促進(jìn)人工智能技術(shù)在自閉癥診斷方面的應(yīng)用發(fā)展和提高其它應(yīng)用領(lǐng)域類(lèi)似工作的技術(shù)水平，都具有比較好的參考和借鑒價(jià)值。

值得注意的是，雖然與其它同為使用多站點(diǎn)做自閉癥分類(lèi)的方法相比，本文的思想方法有更高的識(shí)別率和泛化能力，但是通過(guò)對(duì)實(shí)際實(shí)驗(yàn)結(jié)果的進(jìn)一步分析也發(fā)現(xiàn)，本方法在不同站點(diǎn)的數(shù)據(jù)集應(yīng)用中的準(zhǔn)確率，仍然存在一定的差異。因此，如何適應(yīng)不同站點(diǎn)數(shù)據(jù)之間的異構(gòu)性，從而進(jìn)一步提高模型的泛化能力，仍然是一個(gè)需要繼續(xù)深入研究的課題方向。

根據(jù)本文的實(shí)踐，作者認(rèn)為在后續(xù)研究中，可分別從模型適應(yīng)性與數(shù)據(jù)本身兩個(gè)角度同時(shí)出發(fā)，深入分析造成多站點(diǎn)識(shí)別中個(gè)別站點(diǎn)識(shí)別率較低的根本原因，以便在提高整體識(shí)別率的同時(shí)，進(jìn)一步減小多站點(diǎn)數(shù)據(jù)識(shí)別中，對(duì)不同站點(diǎn)識(shí)別準(zhǔn)確率的差異性，從而建立起來(lái)泛化能力更強(qiáng)的自閉癥輔助診斷人工智能模型算法。