《電子技術(shù)應(yīng)用》
您所在的位置：首頁 > 模擬設(shè)計(jì) > 設(shè)計(jì)應(yīng)用 > 基于SABNet的自閉癥譜系障礙多模態(tài)腦影像識別研究
基于SABNet的自閉癥譜系障礙多模態(tài)腦影像識別研究
電子技術(shù)應(yīng)用
馬云云，譚理澤，王鵬
昆明理工大學(xué) 信息工程與自動化學(xué)院
摘要： 自閉癥譜系障礙（ASD）是一種影響社交互動、溝通和行為的神經(jīng)發(fā)展障礙，早期診斷至關(guān)重要，但在處理多模態(tài)腦數(shù)據(jù)時仍面臨挑戰(zhàn)。為此，提出了一種基于多模態(tài)特征融合的端到端模型SABNet，該模型通過稀疏自編碼器對功能數(shù)據(jù)進(jìn)行特征篩選，并結(jié)合結(jié)構(gòu)數(shù)據(jù)構(gòu)建聯(lián)合特征。最終，結(jié)合雙向長短期記憶網(wǎng)絡(luò)和注意力機(jī)制提取動態(tài)序列中的重要信息，實(shí)現(xiàn)高效分類。通過在中型ASD-MRI數(shù)據(jù)集上的實(shí)驗(yàn)，SABNet在分類準(zhǔn)確率（91.21%）等核心指標(biāo)上明顯優(yōu)于傳統(tǒng)方法，主成分分析進(jìn)一步驗(yàn)證了其有效性。該研究表明了SABNet在ASD識別中的優(yōu)異性能，并展示了多模態(tài)特征融合在腦疾病分類中的潛力。未來研究將致力于優(yōu)化模型結(jié)構(gòu)、擴(kuò)大數(shù)據(jù)集規(guī)模，并提升其適用性和泛化能力。
中圖分類號：TP39 文獻(xiàn)標(biāo)志碼：A DOI: 10.16157/j.issn.0258-7998.256349
中文引用格式： 馬云云，譚理澤，王鵬. 基于SABNet的自閉癥譜系障礙多模態(tài)腦影像識別研究[J]. 電子技術(shù)應(yīng)用，2025，51(12)：110-114.
英文引用格式： Ma Yunyun，Tan Lize，Wang Peng. A study on multimodal brain imaging recognition of autism spectrum disorder based on SABNet[J]. Application of Electronic Technique，2025，51(12)：110-114.
A study on multimodal brain imaging recognition of autism spectrum disorder based on SABNet
Ma Yunyun，Tan Lize，Wang Peng
Faculty of Information Engineering and Automation， Kunming University of Science and Technology
Abstract： Autism Spectrum Disorder (ASD) is a neurodevelopmental disorder that affects social interaction, communication, and behavior. Early diagnosis is crucial, but challenges remain in handling multimodal brain data. To address this, this study proposes an end-to-end model, SABNet, based on multimodal feature fusion. The model uses sparse autoencoders for feature selection on functional data and combines structural data to construct joint features. Finally, bidirectional Long Short-Term Memory (LSTM) networks and attention mechanisms are employed to extract important information from dynamic sequences for efficient classification. Experiments on a medium-sized ASD-MRI dataset show that SABNet outperforms traditional methods in key metrics such as classification accuracy (91.21%). Principal component analysis further validates its effectiveness. This study demonstrates the excellent performance of SABNet in ASD recognition and highlights the potential of multimodal feature fusion in brain disease classification. Future research will focus on optimizing the model architecture, expanding the dataset, and improving its applicability and generalization ability.
Key words : autism spectrum disorder；multimodal feature fusion；sparse autoencoder；attention mechanism；bidirectional long short-term memory network

引言

自閉癥譜系障礙（Autism Spectrum Disorder，ASD）是一類復(fù)雜且多樣化的神經(jīng)發(fā)育障礙，主要特征包括廣泛的社交互動和溝通挑戰(zhàn)，以及典型的刻板和重復(fù)性行為[1]。隨著醫(yī)學(xué)影像學(xué)的發(fā)展，磁共振成像作為一種無創(chuàng)、高分辨率的神經(jīng)影像學(xué)技術(shù)檢測方法，在腦部疾病診斷中被廣泛應(yīng)用[2-3]。 早期發(fā)現(xiàn)和治療ASD對于延長患者生存時間至關(guān)重要，計(jì)算機(jī)輔助技術(shù)在此過程中可幫助醫(yī)生實(shí)現(xiàn)快速、準(zhǔn)確的診斷，從而減少誤診和漏診的風(fēng)險(xiǎn)。

然而，傳統(tǒng)機(jī)器學(xué)習(xí)算法中的特征選擇過程往往伴隨著一定程度的主觀性。 例如，劉雨晴等人[4]使用魯斯卡爾·沃利斯算法來選擇特征，并將其輸入支持向量機(jī)（Support Vector Machine，SVM）進(jìn)行分類，取得了96.3%的AUC，但這種方法仍然需要額外去挑選特征。近年來，深度學(xué)習(xí)和人工智能技術(shù)的快速發(fā)展，為ASD的早期篩查和診斷提供了新的機(jī)遇。利用深度學(xué)習(xí)模型，研究者能夠從復(fù)雜的腦影像數(shù)據(jù)中自動提取特征，減少了傳統(tǒng)手工特征提取的主觀性和復(fù)雜性。例如，Jiang等人[5]提出的深度學(xué)習(xí)模型CNNG，結(jié)合了3D卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）和門控循環(huán)單元（Gated Recurrent Unit，GRU），在ASD分類任務(wù)中取得了72.46%的準(zhǔn)確率。

盡管單一模態(tài)的MRI在ASD診斷中取得了一定進(jìn)展，但由于ASD的異質(zhì)性，單一模態(tài)的核磁共振成像（Magnetic Resonance Imaging,MRI）可能無法全面捕捉到疾病的復(fù)雜特征。 因此，結(jié)合多模態(tài)MRI數(shù)據(jù)進(jìn)行分析，能夠從結(jié)構(gòu)、功能多個層面提供更全面的信息，有助于提高診斷的準(zhǔn)確性和可靠性。為此，本研究提出了一種基于多模態(tài)特征融合的端到端深度學(xué)習(xí)模型（Sparse Autoencoder BiLSTM Network,SABNet），使用雙向長短期記憶網(wǎng)絡(luò)和注意力機(jī)制提取聯(lián)合特征中的重要動態(tài)信息，實(shí)現(xiàn)高效分類。


本文詳細(xì)內(nèi)容請下載：

http://www.ihrv.cn/resource/share/2000006885


作者信息：

馬云云，譚理澤，王鵬

（昆明理工大學(xué) 信息工程與自動化學(xué)院，云南 昆明 650031）


subscribe.jpg

此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。