[發明專利]一種task-fMRI引導的大腦白質纖維深度聚類方法

有效

• 申請號: 201910448975.3
• 申請日: 2019-05-28
• 公開（公告）號: CN110223275B
• 公開（公告）日: 2020-12-18
• 發明（設計）人: 葛寶;王歡
• 申請（專利權）人: 陜西師范大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/62
• 代理公司: 西安智萃知識產權代理有限公司 61221
• 代理人: 方力平

1.一種task-fMRI引導的大腦白質纖維深度聚類方法，其特征在于，包括如下步驟：

步驟1.使用SPM軟件對原始的task-fMRI數據進行預處理，所述預處理包括腦顱骨去除，運動校正，空間平滑，時間預白化，切片時間校正和全局漂移去除，得到預處理后的task-fMRI數據；

步驟2.使用FSL軟件對原始的DTI數據進行預處理，所述預處理包括腦顱骨去除，運動校正，渦流校正，組織分割和表面重建，得到預處理后的DTI數據和皮質表面，所述DTI數據包括預處理的B0圖像；

步驟3.將步驟1中預處理后的task-fMRI數據使用FSL軟件的FLIRT工具配準到DTI空間，得到配準后的task-fMRI數據；

步驟4.使用MEDINRIA軟件對步驟2中預處理后的DTI數據進行纖維追蹤，得到大腦的纖維軌跡；

步驟5.提取步驟4得到的纖維軌跡的結構信息，包括長度、方向和位置三種信息，形成結構信息向量；

步驟6.將所述步驟3配準后的task-fMRI數據與所述步驟4中得到的纖維軌跡結合起來，提取纖維軌跡點上的平均task-fMRI信號，用此平均task-fMRI信號來表示一條纖維的功能信息，形成功能信息向量；

步驟7.將步驟5得到的結構信息向量與步驟6中得到的功能信息向量拼接為一個向量，輸入到嵌入聚類的卷積自動編碼器CAEEC中，生成聚類的纖維束；

所述步驟7的具體處理過程是：

步驟7.1將步驟5的結構信息向量與步驟6的功能信息向量歸一化到[-1，1]，并拼接為一個向量，輸入到嵌入聚類的卷積自動編碼器CAEEC中，運用重構損失Lr進行預訓練，同時提取纖維的面向重構的嵌入層特征；其中CAEEC包括編碼器，嵌入層，解碼器和聚類層；

步驟7.2對步驟7.1獲得的嵌入層特征進行k-means聚類，得到初始的聚類中心作為可訓練的聚類層權重，然后利用CAEEC的重構損失Lr、聚類損失Lc和稀疏正則化項所組成的聯合損失函數來微調CAEEC，并得到聚類的纖維束；

所述步驟5的具體過程是：在步驟5中，對于纖維軌跡的每一點，將其映射到球坐標系下，球坐標用(r，θ，)表示，任一點V到原點的距離為r，原點到點V的連線與正z-軸之間的天頂角為θ，原點到點V的連線在xy平面的投影線，與正x-軸之間的方位角為將距離r歸一化到[0，1]，然后將距離、天頂角和方位角分別分為m，n，l等份，即將球體分為m*n*l＝Z份，統計落入每一份的軌跡點的數量百分比，即得到一個一維的直方圖向量，即結構信息向量，大小為1×Z，用此直方圖向量來表達纖維的結構信息，此結構信息向量包括了對纖維的長度、方向和位置的描述；

步驟7.1中所使用到的卷積自動編碼器包括編碼器，嵌入層，解碼器和聚類層，其中，編碼器包括輸入層，三個卷積層和一個展開層，展開層后面連接嵌入層，嵌入層用來壓縮展開層提取到的特征，解碼器再連接到嵌入層之后，解碼器包含和編碼器相同的層，但層的順序是相反的，即先是展開層，然后是三個卷積層，最后是輸出層，并以反卷積層來替代卷積層；同時聚類層也連接到嵌入層之后；

步驟7.2中用于微調的聚類損失Lc定義為軟標簽分布Q與目標分布P之間的Kullback-Leibler散度如下：

聯合損失函數L如下：

L＝(1-λ)L_r+λL_c+γ(||w₁||₁+||w₂||₁)

其中，0λ1,λ是控制面向重構和面向聚類的特征學習之間的折衷系數，γ(||w₁||+||w₂||)為L¹正則化項，導致w₁和w₂的稀疏解，w₁和w₂分別為展開層與嵌入層之間的連接矩陣和與其對稱的連接矩陣，γ越大，w₁和w₂越稀疏，稀疏特性符合大腦內在的連接機制；

步驟7.2中，采用K-Means對嵌入層特征進行聚類，得到的聚類中心用作初始化的聚類層權重μ_j；聚類層將輸入樣本的特征轉換為軟標簽q_ij，

q_ij表示原始空間經過非線性映射到潛在特征空間的嵌入點z_i和聚類中心μ_j的相似性，即表示樣本x_i屬于類族j的概率。