神经影像分类方法、计算机终端及计算机可读存储介质技术

本发明专利技术公开了一种神经影像分类方法、计算机终端及计算机可读存储介质，该方法包括：根据神经影像中各脑区之间的连接关系生成该神经影像对应的连接矩阵；根据预定提取规则在连接矩阵中提取预定数量的元素值并形成被试特征向量；将多个被试特征向量作为节点，根据各节点对应的非图像信息之间的相似特性构建特征图；根据特征图对预先建立的分类模型进行初始化，根据被试特征向量对初始化后的分类模型进行训练；根据训练好的分类模型对神经影像进行分类。本发明专利技术的技术方案通过各被试特征向量非图像信息之间的相似度构建特征图，并根据该特征图对建立的分类模型进行初始化，有效解决了被试对象个体差异及采集设备对分类结果产生的影响，提高分类性能。

Classification of Neuroimaging, Computer Terminal and Computer Readable Storage Media

【技术实现步骤摘要】
神经影像分类方法、计算机终端及计算机可读存储介质
本专利技术涉及医学图像处理
，具体而言，涉及一种神经影像分类方法、计算机终端及计算机可读存储介质。
技术介绍
随着医学图像处理技术的飞速发展，针对神经影像进行分类(比如通过神经影响识别阿尔兹海默症AD、轻度认知障碍症MCI等)的需求越来越广泛。现有一种的对神经影像进行分类的方法为人工分类法，医生通常基于个人行医经验结合神经影像进行人工诊断，不但对医生的技术水平要求比较高，而且耗时费力、效率低下；现有的另一种对神经影像进行分类的方法为基于深度学习(比如卷积神经网络)的分类方法，深度学习为图形分析提供了一种新思路，然而传统的深度学习方法主要对具有规则结构和欧几里得空间的图像进行处理，对于非规则结构及非欧几里得空间的图像并不适用。
技术实现思路
鉴于上述问题，本专利技术实施例的目的在于提供一种神经影像分类方法、计算机终端及计算机可读存储介质，以解决现有技术的不足。根据本专利技术的一个实施方式，提供一种神经影像分类方法，该方法包括：根据神经影像中各脑区之间的连接关系生成该神经影像对应的连接矩阵；根据预定提取规则在所述连接矩阵中提取预定数量的元素值并形成被试特征向量；将多个被试特征向量作为节点，根据各节点对应的非图像信息之间的相似性构建特征图；根据所述特征图对预先建立的分类模型进行初始化，并根据所述被试特征向量对初始化后的分类模型进行训练；根据训练好的分类模型对所述神经影像进行分类。在上述的神经影像分类方法中，所述连接矩阵包括功能连接矩阵，所述分类模型包括M个依次连接的特征提取模块及全连接层，其中，所述特征提取模块包括依次连接的图卷积层及激活层，M为大于或等于1的整数；所述“根据训练好的分类模型对所述神经影像进行分类”包括：将所述神经影像对应的所述功能连接矩阵送入M个依次连接的特征提取模块进行卷积及非线性激活处理后得到该神经影像对应的特征信息；将所述特征信息送入所述全连接层进行分类处理后得到该神经影像对应的分类。在上述的神经影像分类方法中，所述连接矩阵还包括结构连接矩阵；所述“根据预定提取规则在所述连接矩阵中提取预定数量的元素值并形成被试特征向量”包括：根据所述预定提取规则在所述功能连接矩阵中提取第一预定数量的元素值，并将该第一预定数量的元素值形成功能被试特征向量，及在所述结构连接矩阵中提取第二预定数量的元素值，并将第二预定数量的元素值形成结构被试特征向量。在上述的神经影像分类方法中，所述“将多个被试特征向量作为节点，根据各节点对应的非图像信息之间的相似性构建特征图”包括：分别将每一功能被试特征向量作为节点，通过具有连接关系的两节点对应的非图像信息之间的相似性对该两节点之间的边进行编码，根据编码后的边以及相应节点构建功能特征图；分别将每一结构被试特征向量作为节点，通过具有连接关系的两节点对应的非图像信息之间的相似性对该两节点之间的边进行编码，根据编码后的边及相应节点构建结构特征图。在上述的神经影像分类方法中，所述分类模型包括第一提取模型、第二提取模型、融合层及全连接层；所述“根据所述特征图对分类模型进行初始化，并根据所述被试特征向量对初始化后的分类模型进行训练”包括：根据所述功能特征图对所述第一提取模型进行初始化，并通过所述功能被试特征向量对所述融合层、所述全连接层及初始化后的第一提取模型进行训练；根据所述结构特征图对所述第二提取模型进行初始化，并通过所述结构被试特征向量对所述融合层、所述全连接层及初始化后的第二提取模型进行训练。在上述的神经影像分类方法中，所述第一提取模型包括Y个依次连接的特征提取模块，所述第二提取模型包括Z个依次连接的所述特征提取模块，其中，Y、Z均为大于或等于1的整数；所述“根据训练好的分类模型对所述神经影像进行分类”包括：将所述功能连接矩阵送入所述Y个依次连接的特征提取模块进行卷积及非线性激活处理后得到该神经影像对应的功能特征信息；将所述结构连接矩阵送入所述Z个依次连接的特征提取模块进行卷积及非线性激活处理后得到该神经影像对应的结构特征信息；将所述功能特征信息及所述结构特征信息送入所述融合层进行进行信息融合后得到该神经影像对应的融合特征信息；将所述融合特征信息送入所述全连接层进行分类处理后得到该神经影像对应的分类。在上述的神经影像分类方法中，各个特征提取模块还包括池化层，所述池化层用于对经过非线性激活处理后的信息进行压缩处理得到所述神经影像对应的特征信息。在上述的神经影像分类方法中，所述“根据预定提取规则在所述连接矩阵中提取预定数量的元素值并形成被试特征向量”包括：以所述连接矩阵的对角线为分隔线，在所述连接矩阵中提取所述分隔线以上的所有元素值，并将所述分隔线以上的所有元素值按照元素下标拼接为一个行向量，并将所述行向量作为所述被试特征向量。根据本专利技术的另一个实施方式，提供一种神经影像分类装置，该装置包括：生成模块，用于根据神经影像中各脑区之间的连接关系生成该神经影像对应的连接矩阵；提取形成模块，用于根据预定提取规则在所述连接矩阵中提取预定数量的元素值并形成被试特征向量；构建模块，用于将多个被试特征向量作为节点，根据各节点对应的非图像信息之间的相似性构建特征图；训练模块，用于根据所述特征图对预先建立的分类模型进行初始化，并根据所述被试特征向量对初始化后的分类模型进行训练；分类模块，用于根据训练好的分类模型对所述神经影像进行分类。根据本专利技术的又一个实施方式，提供一种计算机终端，所述计算机终端包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述计算机终端执行上述的神经影像分类方法。根据本专利技术的再一个实施方式，提供一种计算机可读存储介质，其存储有上述的计算机终端中所使用的所述计算机程序。本公开的实施例提供的技术方案可以包括如下有益效果：本专利技术中一种神经影像分类方法、计算机终端及计算机可读存储介质，通过各被试特征向量的非图像信息之间的相似度构建特征图，并根据该特征图对建立的分类模型进行初始化，有效解决了被试对象个体差异及采集设备对分类结果产生的影响，提高分类性能。为使本专利技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。附图说明为了更清楚地说明本专利技术的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本专利技术的某些实施例，因此不应被看作是对本专利技术保护范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。图1示出了本专利技术第一实施例提供的一种神经影像分类方法的流程示意图；图2示出了本专利技术第一实施例提供的一种被试特征向量形成过程的示意图；图3示出了本专利技术第一实施例提供的一种单一模态神经影像分类的框架示意图；图4示出了本专利技术第一实施例提供的一种分类模型的框架示意图；图5示出了本专利技术第一实施例提供的一种多模态神经影像分类的框架示意图；图6示出了本专利技术第一实施例提供的另一种分类模型的框架示意图；图7示出了本专利技术第二实施例提供的一种神经影像分类装置的结构示意图。主要元件符号说明：400-神经影像分类装置；410-生成模块；420-提取形成模块；430-构建模块；440-训练模块；450-分类模块。具体实施本文档来自技高网...

【技术保护点】
1.一种神经影像分类方法，其特征在于，该方法包括：根据神经影像中各脑区之间的连接关系生成该神经影像对应的连接矩阵；根据预定提取规则在所述连接矩阵中提取预定数量的元素值并形成被试特征向量；将多个被试特征向量作为节点，根据各节点对应的非图像信息之间的相似性构建特征图；根据所述特征图对预先建立的分类模型进行初始化，并根据所述被试特征向量对初始化后的分类模型进行训练；根据训练好的分类模型对所述神经影像进行分类。

【技术特征摘要】
1.一种神经影像分类方法，其特征在于，该方法包括：根据神经影像中各脑区之间的连接关系生成该神经影像对应的连接矩阵；根据预定提取规则在所述连接矩阵中提取预定数量的元素值并形成被试特征向量；将多个被试特征向量作为节点，根据各节点对应的非图像信息之间的相似性构建特征图；根据所述特征图对预先建立的分类模型进行初始化，并根据所述被试特征向量对初始化后的分类模型进行训练；根据训练好的分类模型对所述神经影像进行分类。2.根据权利要求1所述的神经影像分类方法，其特征在于，所述连接矩阵包括功能连接矩阵，所述分类模型包括M个依次连接的特征提取模块、及全连接层，其中，所述特征提取模块包括依次连接的图卷积层及激活层，M为大于或等于1的整数；所述“根据训练好的分类模型对所述神经影像进行分类”包括：将所述神经影像对应的所述功能连接矩阵送入M个依次连接的特征提取模块进行卷积及非线性激活处理后得到该神经影像对应的特征信息；将所述特征信息送入所述全连接层进行分类处理后得到该神经影像对应的分类。3.根据权利要求2所述的神经影像分类方法，其特征在于，所述连接矩阵还包括结构连接矩阵；所述“根据预定提取规则在所述连接矩阵中提取预定数量的元素值并形成被试特征向量”包括：根据所述预定提取规则在所述功能连接矩阵中提取第一预定数量的元素值，并将该第一预定数量的元素值形成功能被试特征向量，及在所述结构连接矩阵中提取第二预定数量的元素值，并将第二预定数量的元素值形成结构被试特征向量。4.根据权利要求3所述的神经影像分类方法，其特征在于，所述“将多个被试特征向量作为节点，根据各节点对应的非图像信息之间的相似性构建特征图”包括：分别将每一功能被试特征向量作为节点，通过具有连接关系的两节点对应的非图像信息之间的相似性对该两节点之间的边进行编码，根据编码后的边以及相应节点构建功能特征图；分别将每一结构被试特征向量作为节点，通过具有连接关系的两节点对应的非图像信息之间的相似性对该两节点之间的边进行编码，根据编码后的边及相应节点构建结构特征图。5.根据权利要求4所述的神经影像分类方法，其特征在于，所述分类模型包括第一提取模型、第二提取模型、融...

【专利技术属性】
技术研发人员：雷柏英，赵鑫，汪天富，倪东，
申请(专利权)人：深圳大学，
类型：发明
国别省市：广东,44