[發明專利]一種大腦靜息狀態功能磁共振成像圖的分類方法

在審

• 申請號: 202111661487.4
• 申請日: 2021-12-30
• 公開（公告）號: CN114359213A
• 公開（公告）日: 2022-04-15
• 發明（設計）人: 韋臻;萬國斌;雷柏英;楊鵬;彭子文
• 申請（專利權）人: 深圳市婦幼保健院
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/11;G06V10/25;G06V10/44;G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08;A61B5/00;A61B5/055
• 代理公司: 深圳市君勝知識產權代理事務所(普通合伙) 44268
• 代理人: 李可

本發明公開了一種大腦靜息狀態功能磁共振成像圖的分類方法，本發明采用傳統的機器學習和深度學習方法相結合的方式來分析用戶的神經影像學結果，解決了現有技術中靜息狀態功能磁共振成像圖的分析方法無法兼具高分類性能和低訓練數據量的問題。

技術領域

本發明涉及圖像分類領域，尤其涉及的是一種大腦靜息狀態功能磁共振成像圖的分類方法。

背景技術

神經成像技術是捕捉大腦結構和功能的有力工具，為理解大腦疾病的機制提供了巨大潛力。靜息狀態功能磁共振成像(rs-fMRI)是一種強大的神經成像方式，它可以捕獲血氧水平依賴(BOLD)信號，并反映大腦的活動狀態。現有的針對靜息狀態功能磁共振成像圖的分析方法主要分為兩種策略：第一種是利用傳統的機器學習方法構建診斷分類模型，由于傳統的機器學習通常是用人類的先驗知識，把原始數據預處理成各種特征(feature)，然后對特征進行分類，因此這種學習方法不需要大量的數據，但性能有限。第二種方法采用深度學習方法，可以讓神經網絡自己學習如何抓取數據的特征，因此這種學習方法可以有效提高分類性能，但是需要大量數據來訓練模型。簡言之，現有技術中靜息狀態功能磁共振成像圖的分析方法存在無法兼具高分類性能和低訓練數據量的問題。

因此，現有技術還有待改進和發展。

發明內容

本發明要解決的技術問題在于，針對現有技術的上述缺陷，提供一種大腦靜息狀態功能磁共振成像圖的分類方法，旨在解決現有技術中靜息狀態功能磁共振成像圖的分析方法存在無法兼具高分類性能和低訓練數據量的問題。

本發明解決問題所采用的技術方案如下：

第一方面，本發明實施例提供一種大腦靜息狀態功能磁共振成像圖的分類方法，其中，所述方法包括：

獲取若干時間序列數據，其中，若干所述時間序列數據均基于目標用戶的大腦的靜息狀態功能磁共振成像圖生成，若干所述時間序列數據分別對應所述目標用戶的大腦的不同腦區；

將若干所述時間序列數據輸入預設的腦功能連接網絡，通過所述腦功能連接網絡對若干所述時間序列數據進行特征提取，得到連接關系矩陣，其中，所述連接關系矩陣用于反映若干所述腦區之間的連接關系；

將所述連接關系矩陣輸入融合稀疏自動編碼器，通過所述融合稀疏自動編碼器對所述連接關系矩陣進行降維，得到目標特征向量；

對所述目標特征向量進行分類得到所述目標用戶對應的分類類別。

在一種實施方式中，所述獲取若干時間序列數據，包括：

獲取所述目標用戶的所述靜息狀態功能磁共振成像圖；

獲取預設的分割模板，根據所述分割模板對所述靜息狀態功能磁共振成像圖進行分割，得到若干局部圖像，其中，若干所述局部圖像分別對應不同的所述腦區；

對若干所述局部圖像分別進行濾波處理，得到若干所述時間序列數據。

在一種實施方式中，所述腦功能連接網絡基于組約束稀疏模型構建，所述組約束稀疏模型對應的第一目標函數中包含有組稀疏正則化參數和平滑正則化參數。

在一種實施方式中，所述融合稀疏自動編碼器包括第一對稱神經網絡和第二對稱神經網絡，所述第一對稱神經網絡和所述第二對稱神經網絡分別包含不同數量的隱藏層，所述將所述連接關系矩陣輸入融合稀疏自動編碼器，通過所述融合稀疏自動編碼器對所述連接關系矩陣進行降維，得到目標特征向量，包括：

將所述連接關系矩陣輸入所述第一對稱神經網絡，通過所述第一對稱神經網絡對所述連接關系矩陣進行特征提取，得到第一特征向量；

將所述連接關系矩陣輸入所述第二對稱神經網絡，通過所述第二對稱神經網絡對所述連接關系矩陣進行特征提取，得到第二特征向量；