[發(fā)明專利]一種基于深度學(xué)習(xí)的fMRI全腦數(shù)據(jù)分類方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201811054390.5
• 申請(qǐng)日: 2018-09-11
• 公開(kāi)（公告）號(hào): CN109222972B
• 公開(kāi)（公告）日: 2020-09-22
• 發(fā)明（設(shè)計(jì)）人: 胡金龍;鄺岳臻;董守斌
• 申請(qǐng)（專利權(quán)）人: 華南理工大學(xué)
• 主分類號(hào): A61B5/055
• 分類號(hào): A61B5/055
• 代理公司: 廣州市華學(xué)知識(shí)產(chǎn)權(quán)代理有限公司 44245
• 代理人: 劉巧霞

本發(fā)明公開(kāi)了一種基于深度學(xué)習(xí)的fMRI全腦數(shù)據(jù)分類方法，包括：(1)獲取fMRI數(shù)據(jù)，進(jìn)行預(yù)處理，獲取對(duì)應(yīng)的標(biāo)簽；(2)對(duì)fMRI數(shù)據(jù)進(jìn)行聚合；(3)分別以正交的x、y、z軸方向?qū)ζ骄S圖像進(jìn)行切片；(4)將三組二維圖像分別轉(zhuǎn)換為一幀多通道二維圖像；(5)構(gòu)建用于fMRI數(shù)據(jù)分類的混合多通道卷積神經(jīng)網(wǎng)絡(luò)模型；(6)對(duì)fMRI數(shù)據(jù)進(jìn)行處理，將得到的標(biāo)簽作為輸入數(shù)據(jù)進(jìn)行訓(xùn)練，得到的參數(shù)用于fMRI數(shù)據(jù)分類的混合卷積神經(jīng)網(wǎng)絡(luò)模型；(7)對(duì)fMRI數(shù)據(jù)進(jìn)行處理，將得到的三幀多通道二維圖像輸入到訓(xùn)練后的混合卷積神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行分類。本發(fā)明能有效地提高fMRI數(shù)據(jù)分類的準(zhǔn)確率，同時(shí)減少fMRI數(shù)據(jù)分類模型訓(xùn)練和分類的計(jì)算量。

技術(shù)領(lǐng)域

本發(fā)明涉及數(shù)據(jù)分類領(lǐng)域，尤其涉及一種基于深度學(xué)習(xí)的fMRI全腦數(shù)據(jù)分類方法。

背景技術(shù)

功能磁共振成像(fMRI)是一種無(wú)創(chuàng)的腦功能活動(dòng)測(cè)量手段，fMRI數(shù)據(jù)反映了人類大腦的血氧含量情況，目前FMRI已被廣泛應(yīng)用于認(rèn)知科學(xué)、發(fā)育科學(xué)、精神疾病等領(lǐng)域。

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)中一種對(duì)數(shù)據(jù)進(jìn)行表征學(xué)習(xí)的方法，深度神經(jīng)網(wǎng)絡(luò)(DNN)、卷積神經(jīng)網(wǎng)絡(luò)(CNN)和遞歸神經(jīng)網(wǎng)絡(luò)(RNN)等深度學(xué)習(xí)模型已成功應(yīng)用于計(jì)算機(jī)視覺(jué)、語(yǔ)音識(shí)別、自然語(yǔ)言處理等領(lǐng)域。深度學(xué)習(xí)模型已被用于對(duì)fMRI全腦數(shù)據(jù)的分類，但針對(duì)復(fù)雜動(dòng)態(tài)的fMRI全腦數(shù)據(jù)，如何在保持計(jì)算量較小的情況下利用深度學(xué)習(xí)提高分類的準(zhǔn)確性，仍然是亟待解決的問(wèn)題。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種基于深度學(xué)習(xí)的fMRI全腦數(shù)據(jù)分類方法。本發(fā)明相較于現(xiàn)有技術(shù)，能夠更好地學(xué)習(xí)fMRI全腦特征信息，并同時(shí)使用較小的計(jì)算量進(jìn)行模型訓(xùn)練。

本發(fā)明的目的能夠通過(guò)以下技術(shù)方案實(shí)現(xiàn)：

一種基于深度學(xué)習(xí)的fMRI全腦數(shù)據(jù)分類方法，具體步驟包括：

(1)獲取試驗(yàn)參與者的fMRI試驗(yàn)數(shù)據(jù)，對(duì)fMRI試驗(yàn)數(shù)據(jù)進(jìn)行預(yù)處理，同時(shí)獲取fMRI數(shù)據(jù)對(duì)應(yīng)的標(biāo)簽；

(2)對(duì)每個(gè)試驗(yàn)參與者的fMRI全腦數(shù)據(jù)進(jìn)行聚合；

(3)分別以正交的x、y、z軸方向，對(duì)聚合后得到的平均三維圖像進(jìn)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(zhuǎn)換為一幀多通道二維圖像；

(5)構(gòu)建用于fMRI全腦數(shù)據(jù)分類的混合多通道卷積神經(jīng)網(wǎng)絡(luò)模型；

(6)將用于模型訓(xùn)練部分的參與者的fMRI數(shù)據(jù)經(jīng)過(guò)步驟(1)-(4)的處理，將得到的三幀多通道二維圖像及其分類標(biāo)簽作為輸入數(shù)據(jù)，輸入至混合卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行模型訓(xùn)練，得到混合卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)，用于fMRI全腦數(shù)據(jù)分類的混合卷積神經(jīng)網(wǎng)絡(luò)模型；

(7)對(duì)獲得的fMRI數(shù)據(jù)依次進(jìn)行步驟(1)-(4)的處理，將得到的三幀多通道二維圖像輸入到訓(xùn)練后的混合卷積神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行分類。

具體地，所述步驟(1)中的預(yù)處理包括頭部移動(dòng)校正、時(shí)間層校正、空間標(biāo)準(zhǔn)化和空間平滑等；所述標(biāo)簽是指試驗(yàn)參與者的屬性(如試驗(yàn)參與者的某種動(dòng)作)，或者試驗(yàn)參與者在試驗(yàn)過(guò)程中的行為屬性(如試驗(yàn)參與者的某種動(dòng)作)。

具體地，在步驟(2)中，如果fMRI全腦數(shù)據(jù)為靜息態(tài)fMRI數(shù)據(jù)，則對(duì)獲得的N幀三維圖像(dimX×dimY×dimZ)對(duì)應(yīng)位置的體素點(diǎn)進(jìn)行算術(shù)平均，得到一幀平均三維圖像。

具體地，在步驟(2)中，如果fMRI全腦數(shù)據(jù)是任務(wù)態(tài)fMRI數(shù)據(jù)，則對(duì)試驗(yàn)過(guò)程內(nèi)的N幀三維圖像采用信號(hào)變化百分比(PSC)方法，來(lái)計(jì)算每個(gè)體素點(diǎn)在試驗(yàn)過(guò)程中相對(duì)靜息時(shí)刻的平均變化值，轉(zhuǎn)換成一幀平均三維圖像。

更進(jìn)一步地，每個(gè)體素點(diǎn)的平均PSC計(jì)算公式為：