基于深度学习的静息态fMRI数据分类方法和装置制造方法及图纸

本发明专利技术公开了一种基于深度学习的静息态fMRI数据分类方法和装置，包括：1)获取静息态fMRI试验数据，进行预处理并获取标签；2)对静息态fMRI数据进行大脑区域划分，提取功能连接特征和脑区综合特征；3)提取全脑体素点特征；4)提取个人属性特征；5)构建用于静息态fMRI数据分类的混合神经网络模型；6)将用于模型训练部分的数据进行处理，作为输入数据进行混合神经网络的训练，得到的参数用于静息态fMRI数据分类的混合神经网络模型；7)对静息态fMRI数据进行处理，将得到的功能连接特征、脑区综合特征、全脑体素点特征和个人属性特征输入到训练后的混合神经网络模型中进行分类。本发明专利技术能保留各项特征的数据形式，综合考虑各项特征的信息，有效提高分类准确率。

Resting State fMRI Data Classification Method and Device Based on Deep Learning

【技术实现步骤摘要】
基于深度学习的静息态fMRI数据分类方法和装置
本专利技术涉及数据分类的
，尤其是指一种基于深度学习的静息态fMRI数据分类方法和装置。
技术介绍
功能性磁共振成像技术(fMRI)是一种无创的脑功能活动测量手段，fMRI数据反映了人类大脑的血氧含量情况。目前fMRI已被广泛应用于认知科学、发育科学、精神疾病等领域。其中静息态fMRI数据是fMRI数据的一种，测量了人类处于清醒、闭眼、无干扰、放松状态下的fMRI数据，反映了人类最真实的大脑活动状态，可以检测大脑在物理结构或活动行为的异常，常用于研究人类大脑疾病的诊断与治疗。深度学习是机器学习中一种对数据进行表征学习的方法，深度神经网络(DNN)、卷积神经网络(CNN)等深度学习模型已成功应用于计算机视觉、语音识别、自然语言处理等领域。深度学习模型已被用于对静息态fMRI数据的分类，但由于静息态fMRI数据结构的复杂性以及特征的多样性，如何充分利用各项特征的信息，有效地进行组合特征的学习，仍然是亟待解决的问题。
技术实现思路
本专利技术的目的在于克服现有技术的缺点与不足，提出了一种基于深度学习的静息态fMRI数据分类方法和装置，能够综合考虑静息态fMRI的多种特征的信息，并对不同形式的特征进行合理、有效的组合，实现更好的分类效果。为实现上述目的，本专利技术所提供的技术方案如下：基于深度学习的静息态fMRI数据分类方法，包括以下步骤：1)获取试验参与者的静息态fMRI数据，对静息态fMRI数据进行预处理，同时获取对应的试验参与者的标签；2)对每个试验参与者的静息态fMRI数据，进行大脑区域划分，提取功能连接特征和脑区综合特征；3)对每个试验参与者的静息态fMRI数据，提取全脑体素点特征；4)对每个试验参与者，提取个人属性特征；5)构建用于静息态fMRI数据分类的混合神经网络模型CDNN(ConvolutionalandDeepNeuralNetworks)；6)将用于模型训练部分的参与者的静息态fMRI数据经过步骤1)至步骤4)的处理，将得到的功能连接特征、脑区综合特征、全脑体素点特征和个人属性特征及其分类标签作为输入数据，输入至CDNN模型中进行模型训练，得到模型参数，用于静息态fMRI数据分类的CDNN模型；7)对获得的静息态fMRI数据依次进行步骤1)至步骤4)的处理，将得到的功能连接特征、脑区综合特征、全脑体素点特征和个人属性特征输入到训练后的CDNN模型中进行分类。在步骤1)中，预处理包括时间片校正、头动校正、结构图像与功能图像配准、全局归一化、空间平滑和空间标准化操作；所述标签是试验参与者的属性。在步骤2)中，采用脑图谱对每个体素点根据规则映射至相应区域，将大脑划分为一系列的脑区，得到每个脑区的时间序列数据；通过脑区时间序列计算脑区两两之间的相关关系，组成脑区相关系数矩阵，亦称为功能连接矩阵；提取功能连接矩阵的上三角特征作为功能连接特征；根据脑区时间序列数据计算每个脑区的平均值和标准差特征；拼接所有脑区的平均值和标准差特征得到脑区综合特征。在步骤3)中，将静息态fMRI数据通过统计方法对整体时间计算其三维衍生数据，包括大脑低频波动振幅数据或局部一致性数据，作为全脑体素点特征。在步骤4)中，提取试验参与者的个人属性信息，包括年龄、性别，作为个人属性特征。在步骤5)中，混合神经网络模型CDNN由一个三维卷积神经网络和一个全连接神经网络组合搭建而成，其中三维卷积神经网络的输入对应全脑体素点特征，其输出与功能连接特征、脑区综合特征和个人属性特征以串联形式拼接成一维特征，输入至全连接神经网络，最后输出预测分类标签为正例的概率值。进一步，所述三维卷积神经网络依次包含输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、展平层以及全连接层；其中两层卷积层的卷积核数量均为16，卷积核大小为3×3×3；两层池化层均采用最大池化操作，池化窗口大小为2×2×2，每个池化层连接一个批量标准化层；展平层将上一层传递过来的结果展平成一维结果；全连接层的神经元数量为128，连接一个Dropout层以0.5的概率保留上一层传递过来的结果；所述卷积层和全连接层均采用LeakyReLU函数作为激活函数；将所述全连接层的结果作为三维卷积神经网络的输出。进一步，所述全连接神经网络依次包含输入层、第一全连接层以及第二全连接层；其中输入层的输入为三维卷积神经网络的输出与功能连接特征、脑区综合特征和个人属性特征以串联形式拼接成一维特征；第一全连接层的神经元数量为128，采用LeakyReLU函数作为激活函数，连接一个批量标准化层和一个Dropout层以0.5的概率保留上一层传递过来的结果；第二全连接层即为输出层，采用Sigmoid函数作为激活函数，输出一个值，表示预测分类标签结果为正例的概率值。基于深度学习的静息态fMRI数据分类装置，包括：数据获取与处理模块，用于获取试验参与者的静息态fMRI数据与标签，对静息态fMRI数据进行预处理；功能连接特征提取模块，用于对每个试验参与者的静息态fMRI数据，进行大脑区域划分，提取功能连接特征；脑区综合特征提取模块，用于对每个试验参与者的静息态fMRI数据，进行大脑区域划分，提取脑区综合特征；全脑体素点特征提取模块，用于对每个试验参与者的静息态fMRI数据，提取全脑体素点特征；个人属性特征提取模块，用于对每个试验参与者，提取个人属性特征；模型构建模块，用于构建用于静息态fMRI数据分类的混合神经网络模型CDNN(ConvolutionalandDeepNeuralNetworks)；模型训练模块，用于对模型训练部分的参与者的静息态fMRI数据经过数据获取预处理模块、功能连接特征提取模块、脑区综合特征提取模块、全脑体素点特征提取模块和个人属性特征提取模块的处理，将得到的功能连接特征、脑区综合特征、全脑体素点特征和个人属性特征及其分类标签作为输入数据，输入至CDNN模型中进行模型训练，得到模型参数，用于静息态fMRI数据分类的CDNN模型；数据分类模块，用于对获得的静息态fMRI数据依次进行数据获取预处理模块、功能连接特征提取模块、脑区综合特征提取模块、全脑体素点特征提取模块和个人属性特征提取模块的处理，将得到的功能连接特征、脑区综合特征、全脑体素点特征和个人属性特征输入到训练后的CDNN模型中进行分类。进一步，在所述数据获取与处理模块中，预处理包括时间片校正、头动校正、结构图像与功能图像配准、全局归一化、空间平滑和空间标准化操作；所述标签是试验参与者的属性；在所述功能连接特征提取模块和脑区综合特征提取模块中，均采用脑图谱对每个体素点根据规则映射至相应区域，将大脑划分为一系列的脑区，得到每个脑区的时间序列数据；在所述功能连接特征提取模块中，通过脑区时间序列计算脑区两两之间的相关关系，组成脑区相关系数矩阵，亦称为功能连接矩阵；提取功能连接矩阵的上三角特征作为功能连接特征；在所述脑区综合特征提取模块中，根据脑区时间序列数据计算每个脑区的平均值和标准差特征；拼接所有脑区的平均值和标准差特征得到脑区综合特征；在所述全脑体素点特征提取模块中，将静息态fMRI数据通过统计方法对整体时间计算其三维衍生数据，包括大脑低频波动振幅数据或局部一致性数据，作为全脑体素本文档来自技高网...

【技术保护点】
1.基于深度学习的静息态fMRI数据分类方法，其特征在于，包括以下步骤：1)获取试验参与者的静息态fMRI数据，对静息态fMRI数据进行预处理，同时获取对应的试验参与者的标签；2)对每个试验参与者的静息态fMRI数据，进行大脑区域划分，提取功能连接特征和脑区综合特征；3)对每个试验参与者的静息态fMRI数据，提取全脑体素点特征；4)对每个试验参与者，提取个人属性特征；5)构建用于静息态fMRI数据分类的混合神经网络模型CDNN；6)将用于模型训练部分的参与者的静息态fMRI数据经过步骤1)至步骤4)的处理，将得到的功能连接特征、脑区综合特征、全脑体素点特征和个人属性特征及其分类标签作为输入数据，输入至CDNN模型中进行模型训练，得到模型参数，用于静息态fMRI数据分类的CDNN模型；7)对获得的静息态fMRI数据依次进行步骤1)至步骤4)的处理，将得到的功能连接特征、脑区综合特征、全脑体素点特征和个人属性特征输入到训练后的CDNN模型中进行分类。

【技术特征摘要】
1.基于深度学习的静息态fMRI数据分类方法，其特征在于，包括以下步骤：1)获取试验参与者的静息态fMRI数据，对静息态fMRI数据进行预处理，同时获取对应的试验参与者的标签；2)对每个试验参与者的静息态fMRI数据，进行大脑区域划分，提取功能连接特征和脑区综合特征；3)对每个试验参与者的静息态fMRI数据，提取全脑体素点特征；4)对每个试验参与者，提取个人属性特征；5)构建用于静息态fMRI数据分类的混合神经网络模型CDNN；6)将用于模型训练部分的参与者的静息态fMRI数据经过步骤1)至步骤4)的处理，将得到的功能连接特征、脑区综合特征、全脑体素点特征和个人属性特征及其分类标签作为输入数据，输入至CDNN模型中进行模型训练，得到模型参数，用于静息态fMRI数据分类的CDNN模型；7)对获得的静息态fMRI数据依次进行步骤1)至步骤4)的处理，将得到的功能连接特征、脑区综合特征、全脑体素点特征和个人属性特征输入到训练后的CDNN模型中进行分类。2.根据权利要求1所述的基于深度学习的静息态fMRI数据分类方法，其特征在于：在步骤1)中，预处理包括时间片校正、头动校正、结构图像与功能图像配准、全局归一化、空间平滑和空间标准化操作；所述标签是试验参与者的属性。3.根据权利要求1所述的基于深度学习的静息态fMRI数据分类方法，其特征在于：在步骤2)中，采用脑图谱对每个体素点根据规则映射至相应区域，将大脑划分为一系列的脑区，得到每个脑区的时间序列数据；通过脑区时间序列计算脑区两两之间的相关关系，组成脑区相关系数矩阵，亦称为功能连接矩阵；提取功能连接矩阵的上三角特征作为功能连接特征；根据脑区时间序列数据计算每个脑区的平均值和标准差特征；拼接所有脑区的平均值和标准差特征得到脑区综合特征。4.根据权利要求1所述的基于深度学习的静息态fMRI数据分类方法，其特征在于：在步骤3)中，将静息态fMRI数据通过统计方法对整体时间计算其三维衍生数据，包括大脑低频波动振幅数据或局部一致性数据，作为全脑体素点特征。5.根据权利要求1所述的基于深度学习的静息态fMRI数据分类方法，其特征在于：在步骤4)中，提取试验参与者的个人属性信息，包括年龄、性别，作为个人属性特征。6.根据权利要求1所述的基于深度学习的静息态fMRI数据分类方法，其特征在于：在步骤5)中，混合神经网络模型CDNN由一个三维卷积神经网络和一个全连接神经网络组合搭建而成，其中三维卷积神经网络的输入对应全脑体素点特征，其输出与功能连接特征、脑区综合特征和个人属性特征以串联形式拼接成一维特征，输入至全连接神经网络，最后输出预测分类标签为正例的概率值。7.根据权利要求6所述的基于深度学习的静息态fMRI数据分类方法，其特征在于：所述三维卷积神经网络依次包含输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、展平层以及全连接层；其中两层卷积层的卷积核数量均为16，卷积核大小为3×3×3；两层池化层均采用最大池化操作，池化窗口大小为2×2×2，每个池化层连接一个批量标准化层；展平层将上一层传递过来的结果展平成一维结果；全连接层的神经元数量为128，连接一个Dropout层以0.5的概率保留上一层传递过来的结果；所述卷积层和全连接层均采用LeakyReLU函数作为激活函数；将所述全连接层的结果作为三维卷积神经网络的输出。8.根据权利要求6所述的基于深度学习的静息态fMRI数据分类方法，其特征在于：所述全连接神经网络依次包含输入层、第一全连接层以及第二全连接层；其中输入层的输入为三维卷积神经网络的输出与功能连接特征、脑区综合特征和个人属性特征以串联形式拼接成一维特征；第一全连接层的神经元数量为128，采用LeakyReLU函数作为激活函数，连接一个批量标准化层和一个Dropout层以0.5的概率保留上一层传递过来的结果；第二全连接层即为输出层，采用Sigmoid函数作为激活函数，输出一个值，表示预测分类标签结果为正例的概率值。9.基于深度学习的静息态fMRI数据分类装置，其特征...

【专利技术属性】
技术研发人员：胡金龙，邝岳臻，曹丽洁，陈浪，布社辉，董守斌，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东,44