1.一种基于图神经网络对脑部磁共振成像的分类方法，其特征在于，包括如下步骤：步骤1，基于脑部磁共振图像，获取各脑区的脑区厚度；

以脑区作为节点，脑区之间的相关性连接作为节点之间的边，将提取的各脑区厚度作为节点的特征，构建脑拓扑图；所述脑拓扑图包括抑郁症患者的脑拓扑图和健康人的脑拓扑图；

在脑拓扑图 中，脑区厚度作为节点特征  ，其中   为节点数量，即脑区数量， 为特征维度；节点之间的连接关系采用邻接矩阵  表示，  表示节点   和节点   之间的连接关系，邻接矩阵 中的每个元素按照阈值进行赋值，大于阈值赋1，小于阈值赋0；

步骤2，构建K‑GAT网络，用于对脑部磁共振图像进行分类，将脑拓扑图输入K‑GAT网络，对K‑GAT网络进行训练，得到训练好的K‑GAT网络；

所述K‑GAT网络包括第一线性层、K‑GAT层和第二线性层；

脑拓扑图中的节点特征 输入到K‑GAT网络中的第一线性层，得到隐藏特征表示线性层的特征维度；

隐藏特征 表示为：

 ；

其中， 是线性层的权重矩阵，X表示脑区厚度；

隐藏特征 与邻接矩阵  输入到K‑GAT层，对于节点  及其邻居结点  ，对节点  进行更新，得到更新的节点特征 ；

各节点的特征  经过第二线性层，将特征  的维度从   压缩到最终输出维度  ；

；

其中， 是最终的输出结果，  为输出类别；

输出结果 应用log_softmax，将每个节点的输出转化为类别的对数概率 ；

；

其中， 是节点在每个类别上的对数概率；

步骤3，采用训练好的K‑GAT网络对脑部磁共振图像进行分类。

2.根据权利要求1所述一种基于图神经网络对脑部磁共振成像的分类方法，其特征在于，步骤1中基于脑部磁共振图像，获取各脑区的脑区厚度，具体包括如下步骤：步骤1.1，基于脑部磁共振图像获得全脑灰质图像；

所述灰质图像包括灰质体积GMV 和 灰质浓度GMC；

步骤1.2，基于所述灰质图像获得全脑各脑区对应的灰质厚度GMT和灰质表面积SA；

步骤1.3，基于所述灰质体积GMV 、灰质浓度GMC、灰质厚度GMT和灰质表面积SA构建第一脑图；

步骤1.4，对所述第一脑图进行低频振幅ALFF、分数低频振幅fALFF和局部一致性ReHo的计算，以获取各脑区的脑区厚度。

3.根据权利要求1所述一种基于图神经网络对脑部磁共振成像的分类方法，其特征在于，隐藏特征 和与邻接矩阵  输入到K‑GAT层，对于节点  及其邻居结点  ，对节点 进行更新，得到更新的节点特征 ，具体包括如下步骤；

步骤2.1 将隐藏特征进行线性变换；

对每个节点的隐藏特征   进行线性变换：；

其中， 是权重矩阵，表示迭代次数；

步骤2.2 当  时，计算节点  及其邻居结点  之间的注意力系数  ：；

其中  是可学习的注意力向量；

 表示特征的拼接操作；

表示激活函数；

步骤2.3，对注意力系数 进行归一化，得到归一化的注意力权重  ；

；

其中，  表示节点  的邻居集合；

步骤2.4，对节点  的邻居节点特征进行加权求和，得到节点 的新的隐藏特征表示 ：；

其中，是非线性激活函数，  是共享的权重矩阵；

步骤2.5，采用多头注意力机制对节点 的新的隐藏特征  进行拼接，表示为：；

其中，表示注意力头的数量，表示拼接操作， 和 分别是第 个头的注意力权重和线性变换矩阵；

步骤2.6，将节点 的特征 输入到KAN层，进一步特征提取后，令 ，返回步骤

2.1，最终得到各节点的特征  。

4.根据权利要求1所述一种基于图神经网络对脑部磁共振成像的分类方法，其特征在于步骤2中还包括对训练好的K‑GAT模型进行剪枝。