【技术实现步骤摘要】
一种基于高阶脑网络的分类方法、系统、电子设备及介质
[0001]本专利技术涉及机器学习领域,特别是涉及一种基于高阶脑网络的分类方法、系统、电子设备及介质。
技术介绍
[0002]脑网络的构造依托于不同医学影像技术,其中常见的是功能磁共振成像(fMRI)和弥散磁共振成像(DTI)。基于fMRI的脑网络一般将图像体素或脑区定义为网络节点,网络的边依赖于不同方法,常见的方法有基于统计相关性、基于数据驱动、稀疏表示等。通过DTI可观察活体大脑中的白质纤维走行情况,从而构建白质结构脑网络,网络的节点是图像体素或划分的不同脑区,网络的边体现了脑区纤维连接的相关性。神经学中大量研究证据表明,每个大脑区域通常与多个区域进行互动,大脑网络中定义的区域间的拓扑和物理距离是错综复杂的。并且,大脑的层次结构具有生物不对称性。大脑网络往往具有高度的聚类特性,一个脑区的最近邻居节点,很可能相互之间有密切的联系。此外,许多研究证实,大脑皮层中结构连接和功能连接是相关的,且不是简单的一对一映射关系。结构网络作为物理基础,可以预测功能连接,亦可在局部和全局范围内约束和塑造功能连接模式。传统的脑网络构造方法大多简单考虑两两脑区的成对关系,忽略了多个脑区之间的密切关联性;且大多方法仅借助单模态影像数据脑网络,并未考虑不同模态间关联性,会损失结构或功能连接特性,对脑网络分析效果造成一定影响,使得对医学影像的分类不准确。
技术实现思路
[0003]本专利技术的目的是提供一种基于高阶脑网络的分类方法、系统、电子设备及介质,能够提高分类的准确度。 ...
【技术保护点】
【技术特征摘要】
1.一种基于高阶脑网络的分类方法,其特征在于,所述方法包括:获取待测者的人脑的功能磁共振成像数据和弥散磁共振成像数据;对所述功能磁共振成像数据和所述弥散磁共振成像数据进行预处理,得到预处理后的功能磁共振成像数据和预处理后的弥散磁共振成像数据;计算所述预处理后的功能磁共振成像数据的两两脑区时序信号的皮尔逊相似度,得到待测者的低阶功能脑网络数据;提取所述预处理后的弥散磁共振成像数据中两两脑区之间物理纤维数目,得到待测者的结构脑网络数据;提取所述待测者的低阶功能脑网络数据中脑区的重要性,得到待测者的低阶功能脑网络各个脑区的重要性得分向量;根据所述待测者的结构脑网络数据和所述待测者的低阶功能脑网络各个脑区的重要性得分向量,得到待测者的多模态高阶脑网络数据;基于孪生神经网络构建图卷积神经网络;将所述待测者的低阶功能脑网络数据和所述待测者的多模态高阶脑网络数据输入训练好的图卷积神经网络,得到二分类结果。2.根据权利要求1所述的基于高阶脑网络的分类方法,其特征在于,所述对所述功能磁共振成像数据和所述弥散磁共振成像数据进行预处理,得到预处理后的功能磁共振成像数据和预处理后的弥散磁共振成像数据,具体包括:对所述功能磁共振成像数据的切片时间进行采集、校正、重排和归一化,得到初始预处理图像数据;利用AAL模板将所述初始预处理图像数据划分为多个脑区,且将所有体素上的所述初始预处理图像数据的时间序列的平均值作为各脑区的时间序列,得到预处理后的功能磁共振成像数据;利用AAL模板将所述弥散磁共振成像数据进行脑区划分,得到各脑区图像;获取所述各脑区图像的纤维成像,得到预处理后的弥散磁共振成像数据。3.根据权利要求1所述的基于高阶脑网络的分类方法,其特征在于,所述根据所述待测者的结构脑网络数据和所述待测者的低阶功能脑网络各个脑区的重要性得分向量,得到待测者的多模态高阶脑网络数据,具体包括:以所述待测者的结构脑网络数据为最优传输过程的约束,应用Kantorovich型离散最优传输算法解算初始重要性的得分向量和所述待测者的低阶功能脑网络各个脑区的重要性得分向量的关系,得到待测者的多模态高阶脑网络数据;所述初始重要性的得分向量为初始状态下所述待测者的功能磁共振成像数据各脑区的重要性权重。4.根据权利要求1所述的基于高阶脑网络的分类方法,其特征在于,所述图卷积神经网络的训练过程具体包括:获取受试者的人脑的功能磁共振成像数据和弥散磁共振成像数据;对受试者的所述功能磁共振成像数据和所述弥散磁共振成像数据进行预处理,得到受试者预处理后的功能磁共振成像数据和受试者预处理后的弥散磁共振成像数据;根据所述受试者预处理后的功能磁共振成像数据,利用皮尔逊相似度,得到受试者低阶功能脑网络数据;
提取所述受试者预处理后的弥散磁共振成像数据中两两脑区之间物理纤维数目,得到受试者结构脑网络数据;采用PageRank算法提取所述受试者低阶功能...
【专利技术属性】
技术研发人员:朱旗,于婧,李胜荣,邵伟,马凯,张道强,
申请(专利权)人:南京航空航天大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。