[發明專利]一種基于深度學習的fMRI全腦數據分類方法

有效

• 申請號: 201811054390.5
• 申請日: 2018-09-11
• 公開（公告）號: CN109222972B
• 公開（公告）日: 2020-09-22
• 發明（設計）人: 胡金龍;鄺岳臻;董守斌
• 申請（專利權）人: 華南理工大學
• 主分類號: A61B5/055
• 分類號: A61B5/055
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 劉巧霞

1.一種基于深度學習的fMRI全腦數據分類方法，其特征在于，具體步驟包括：

(1)獲取試驗參與者的fMRI數據，對fMRI數據進行預處理，同時獲取fMRI數據對應的標簽；

(2)對每個試驗參與者的fMRI數據進行聚合；

(3)分別以正交的x、y、z軸方向，對聚合后得到的平均三維圖像進行切片，得到三組二維圖像；

(4)將得到的三組二維圖像分別轉換為一幀多通道二維圖像；

(5)構建用于fMRI數據分類的混合多通道卷積神經網絡模型；

(6)將用于模型訓練部分的參與者的fMRI數據經過步驟(1)-(4)的處理，將得到的三幀多通道二維圖像及其標簽作為輸入數據，輸入至混合多通道卷積神經網絡模型中進行模型訓練，得到混合多通道卷積神經網絡模型的參數，用于fMRI數據分類的混合多通道卷積神經網絡模型；

(7)對獲得的用于分類部分的參與者的fMRI數據依次進行步驟(1)-(4)的處理，將得到的三幀多通道二維圖像輸入到步驟(6)中訓練后的混合多通道卷積神經網絡模型中進行分類。

2.根據權利要求1所述的一種基于深度學習的fMRI全腦數據分類方法，其特征在于，所述步驟(1)中的預處理包括頭部移動校正、時間層校正、空間標準化和空間平滑；所述標簽是指試驗參與者的屬性。

3.根據權利要求1所述的一種基于深度學習的fMRI全腦數據分類方法，其特征在于，在步驟(2)中，如果fMRI數據為靜息態fMRI數據，則對獲得的N幀三維圖像(dimX×dimY×dimZ)對應位置的體素點進行算術平均，得到一幀平均三維圖像；

如果fMRI全腦數據是任務態fMRI數據，則對試驗過程內的N幀三維圖像采用信號變化百分比方法，來計算每個體素點在試驗過程中相對靜息時刻的平均變化值，轉換成一幀平均三維圖像。

4.根據權利要求3所述的一種基于深度學習的fMRI全腦數據分類方法，其特征在于，每個體素點的平均信號變化百分比的計算公式為：

其中，N表示試驗過程中三維圖像的幀數，y_i表示體素點在第i幀圖像的值，表示體素點在靜息時刻的平均值，靜息時刻選擇試驗參與者在無試驗刺激的休息階段，p表示計算得到該體素點的平均變化值；

其中所述三維圖像的大小為x軸為dimX，y軸為dimY，z軸為dimZ；所述試驗過程中的N幀三維圖像具有相同的標簽。

5.根據權利要求1所述的一種基于深度學習的fMRI全腦數據分類方法，其特征在于，在步驟(3)中對平均三維圖像進行切片的具體操作為：沿x軸方向對x軸上每個單位長度進行切片，得到dimX張在y-z平面上的二維圖像，每張的大小為dimY×dimZ；沿y軸方向對y軸上每個單位長度進行切片，得到dimY張在x-z平面上的二維圖像，每張的大小為dimX×dimZ；沿z軸方向對z軸上每個單位長度進行切片，得到dimZ張在x-y平面上的二維圖像，每張的大小為dimX×dimY；以相同平面上的二維圖像為一組，最終一共得到三組二維圖像。

6.根據權利要求1所述的一種基于深度學習的fMRI全腦數據分類方法，其特征在于，所述步驟(4)具體為：根據卷積神經網絡中通道的概念，對于dimX張y-z平面上的二維圖像，將每一個切片位置的二維圖像當作一個通道，轉換成一幀能夠輸入進卷積神經網絡的有dimX個通道的二維圖像；對于dimY張x-z平面上的二維圖像，將每一個切片位置的二維圖像當作一個通道，轉換成一幀能夠輸入進卷積神經網絡的有dimY個通道的二維圖像；對于dimZ張x-y平面上的二維圖像，同樣將每一個切片位置的二維圖像當作一個通道，轉換成一幀能夠輸入進卷積神經網絡的有dimZ個通道的二維圖像。