作为一种无创的成像技术，功能磁共振影像(functional magnetic resonance imaging, fMRI)通过检测血氧浓度来推断大脑的活动状态，在认知科学以及精神疾病研究中被广泛应用。脑功能磁共振影像具有高维小样本、低信噪比等特点，且精神疾病具有脑损伤呈弥散性和症状重叠等特性，因此为基于MRI的精神疾病自动判别分类模型的性能提升带来了诸多挑战。近年来，深度学习技术高速发展，为进一步解决精神疾病的分类诊断提供了新方法。本课题致力于开发适用于fMRI的深度学习技术，以实现对MRI影像的深入量化分析，为辅助临床实现精神疾病的早期分类判别，发掘客观、有效的影像学标志物作出贡献。本文的主要创新性工作如下：

1. 提出了适用于静态脑功能网络连接的L_1,2范数正则化深度神经网络(deep neural network, DNN)，在精神分裂症的多中心分类中实现跨中心预测平均精度超过81%。并首次使用逐层关联传递法(layer-wise relevance propagation, LRP)实现了对疾病相关脑区的追溯。

L_1,2范数正则化深度神经网络模型以被试的功能网络连接特征作为输入，结合L_1,2范数正则化、dropout、batch normalization等模型训练策略，在1100例被试的汉族多中心大样本数据集上实现了对精神分裂症(schizophrenia，SZ)的精确诊断。相比于支持向量机、随机森林和Adaboost等经典的机器学习算法，DNN对SZ的诊断性能有了显著的提升。将LRP算法应用于深度学习模型的解释，追溯与疾病相关的特异性脑功能网络，包括额叶网络、皮下网络以及小脑网络等。

2. 提出了适用于动态脑功能连接(dynamic functional connectivity, dFC)的双向全拼接长短时记忆模型(Full-BiLSTM)，实现了更高精度的轻度认知障碍(mild cognitive impairment, MCI)早期识别率(73%)。

相较于使用静态功能连接，dFC蕴含了更丰富的时变信息。此研究首先使用基于滑动窗的方法计算dFC，将其作为Full-BiLSTM的输入特征进行训练和测试。此模型首次实现了深度学习对于动态功能连接的分类任务。将此模型应用于Alzheimer's Disease Neuroimaging Initiative数据集的MCI分类任务，准确率达到73%。实验证明了Full-BiLSTM可以有效地从复杂的时间序列中捕捉与特征相关的脑动态变化。

3. 提出了适用于fMRI脑功能时间序列(time course, TC)的多尺度卷积循环神经网络MsRNN，并利用“去一特征法”对深度学习模型进行解释，实现了对疾病判别分类最具贡献性脑区的追溯。

相较于静/动态功能连接，TC序列包含了磁共振影像记录到的更为完整的脑活动信息。此研究首先从原始fMRI中提取每个被试的TC，将其作为MsRNN的输入特征进行训练和测试。MsRNN的卷积层自动学习脑区之间的空间关联，省略了经典脑网络分析中计算功能连接的步骤，避免了在功能连接计算时导致的信息丢失问题。循环网络层自动整合时域信息，从而实现了对TC“时间-空间”特征的联合分析。MsRNN在1100例被试的汉族多中心大样本数据集上实现了对SZ的精确分类(准确率83%)。使用提出的“去一特征法”精确追溯对SZ分类贡献度最高的脑区主要集中于背侧纹状体、壳核、小脑等。

综上所述，本课题创造性地提出了三种适用于fMRI的深度学习算法，并结合不同fMRI影像特征设计改进了算法的可解释性。在实际多种精神疾病的多中心分类任务中，本文提出的算法模型均优于已有的多种经典分类方法，有望发现可用的影像学标志物，为精神疾病的早期分类判别和正确诊断提供方法学支撑。