[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

本發明屬于大腦白質纖維的聚類方法，特別涉及一種task?fMRI引導的大腦白質纖維深度聚類方法，利用task?fMRI數據得到白質纖維的功能信息，同時利用DTI數據得到白質纖維的結構信息，結合這兩者來代表一條白質纖維，將其并作為嵌入聚類的卷積自動編碼器的輸入進行聚類。本發明提取了纖維軌跡上的平均task?fMRI信號來表示纖維，并結合來自DTI數據的結構信息，進一步從結構上限制并優化聚類的結果。兩種信息聯合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，在CAEEC訓練的過程中，面向重構的損失、面向聚類的損失和稀疏正則化項聯合對訓練過程進行優化；嵌入聚類的卷積自動編碼器可以更好的提取纖維的層級結構，并在特征空間中保留數據的局部特征。

技術領域

本發明屬于醫學圖像處理與深度學習領域，特別涉及一種task-fMRI引導的大腦白質纖維深度聚類方法。

背景技術

近年來，隨著擴散張量成像(DTI)技術的發展，研究人員可以通過纖維追蹤技術(Tractography)來推斷大腦神經纖維軌跡。然而，推斷得到的一個個纖維軌跡很難被利用起來。與單條纖維相比，纖維束(一組纖維)對提升人對纖維結構與功能的感知以及基于纖維束的診療等工作都具有重要的意義，例如我們可以比較老年癡呆和正常組在某一束纖維上的特性差異，來進行疾病診斷。因此，研究人員的目標是將全腦密集的纖維軌跡劃分為有內部完整意義的纖維束，即纖維聚類。然而，大腦的神經纖維相互交錯，并且具有復雜的結構和功能差異，使得纖維聚類變得非常困難。因此，如何設計出一種有效的纖維聚類方法一直是一個具有挑戰性的問題。目前存在多種白質纖維的聚類方法，這些方法大多數包括兩個步驟：計算所有纖維的相似性矩陣并通過聚類算法將它們分成纖維束，第一步中的相似性定義是指對纖維之間的相似性進行度量。目前大多數纖維聚類方法采用纖維的幾何形狀和解剖結構對相似性進行度量，因此它們在幾何形狀和解剖學意義上存在比較清晰的纖維束邊界。但是這些纖維聚類得到的纖維束的功能含義尚不清楚。事實上，基于幾何特征的纖維束邊界不一定對應于解剖學邊界，由解剖學信息產生的纖維束又不一定具有內在的功能一致性。第二步中傳統的聚類算法包括normalized cut,affinity propagation等。最近，深度學習算法具有代表更復雜和抽象概念的顯著能力，并可以從原始數據中提取更多有用的特征，已經被用于纖維聚類。然而，大多數方法都需要訓練標簽或人工干預，可以說是纖維分類而不是纖維聚類。

本發明涉及一種大腦白質纖維的聚類方法，利用同一大腦的task-fMRI數據和DTI數據來對大腦白質纖維進行功能和結構聯合意義上的劃分。通過將來自task-fMRI的功能信息和來自DTI的結構信息輸入到嵌入聚類的卷積自動編碼器(CAEEC)中進行聚類，從而得到聚類的纖維束，而且聚類得到的纖維束同時具有功能和結構意義，屬于醫學圖像處理與深度學習領域。

發明內容

為了克服上述現有方法的不足之處，本發明提出了一種task-fMRI引導的大腦白質纖維深度聚類方法，利用task-fMRI數據提取白質纖維的功能信息，并將其與源自DTI數據的結構信息相結合，通過嵌入聚類的卷積自動編碼器(CAEEC)自動聚類得到纖維束，從而使得聚類后的纖維束同時具有功能意義和結構意義。

本發明的基本思想是:利用task-fMRI數據得到白質纖維的功能信息，利用DTI數據得到白質纖維的結構信息，結合這兩者來代表一條白質纖維，并作為嵌入聚類的卷積自動編碼器的輸入進行聚類。嵌入聚類的卷積自動編碼器可以更好的提取纖維的層級結構，并在特征空間中保留數據的局部特征，從而取得了更好的聚類效果。

本發明提取了纖維軌跡上的平均task-fMRI信號來表示纖維，使得纖維聚類的結果具有明確的功能意義，并結合來自DTI數據的結構信息，進一步從結構上限制并優化聚類的結果。兩種信息聯合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，在CAEEC訓練的過程中，面向重構的損失、面向聚類的損失和稀疏正則化項聯合對訓練過程進行優化。

本發明的技術方案如下，包括以下步驟：