The invention discloses a brain network classification method based on graph convolution neural network, which comprises the following steps: first, extracting the blood oxygenation dependent signal of each brain area from the brain functional MRI image; second, constructing a brain map which can reflect the feature of the functional connection topology between brain areas; third, inputting the constructed brain map and the actual diagnosis label to the volume Feature learning and model training are carried out in the product neural network. The invention is used for brain network classification.
【技术实现步骤摘要】
一种基于图卷积神经网络的脑网络分类方法
本专利技术涉及一种基于图卷积神经网络的脑网络分类方法,属于数字图像
技术介绍
随着社会和科技的进一步发展,已经有越来越多的曾被认为不可医治的疾病被发现病因并随之提出相应的治疗方法。随着人们对自己的身体健康状况更加重视,对医疗技术方面也有了更高的要求,尤其现阶段,人们越来越关注脑疾病的医疗手段。因为人脑具有极其复杂的结构和功能,人们希望通过理解大脑的运转机制了解脑疾病的病理特征以及诊断方法,世界各国投入了大量的人力和物力进行研究,例如美国和欧盟分别投入38亿美元和10亿欧元,启动大脑研究计划。脑科学研究成果一方面将为人类更好地了解大脑、保护大脑、开发大脑潜能等做出重要贡献,同时也有助于加深对抑郁症(MajorDepressiveDisorder,MDD),阿尔茨海默病(Alzheimer'sdisease,AD)及其早期阶段即轻度认知功能障碍(Mildcognitiveimpairment,MCI),帕金森氏症(Parkinson'sdisease,PD)等脑疾病的理解,并且为这一系列神经性疾病找到早期诊断和治疗的新方法。因此,研究如何进行脑网络分类,无论是对于临床神经学研究还是人的健康都具有非常重要的意义。功能性磁共振成像(fMRI)是一种常见的无创的描述大脑结构以及连接特征的医学影像。fMRI可以用来探索大脑在静息状态下的工作机理和规律,其主要反映的是大脑神经网络的功能性连接特征。其成像原理是通过磁振造影来捕捉神经元活动下的血液动力变化,获取并记录大脑各个体 ...
【技术保护点】
1.一种基于图卷积神经网络的脑网络分类方法,其特征在于,包括以下步骤:/n步骤1,获取大脑功能核磁共振图像(fMRI)并对其进行预处理,从中提取各个脑区的血氧合度依赖(BOLD)信号,/n步骤2,构建能够反映大脑分区之间功能性连接拓扑结构特征的脑图,该数据结构可以用节点标签和二值化的邻接矩阵
【技术特征摘要】
1.一种基于图卷积神经网络的脑网络分类方法,其特征在于,包括以下步骤:
步骤1,获取大脑功能核磁共振图像(fMRI)并对其进行预处理,从中提取各个脑区的血氧合度依赖(BOLD)信号,
步骤2,构建能够反映大脑分区之间功能性连接拓扑结构特征的脑图,该数据结构可以用节点标签和二值化的邻接矩阵完全表示,并以邻接矩阵张量的方式进行存储;
步骤3,将步骤2中构建的脑图及其实际分类标签送入到图卷积神经网络(Graph-CNN)中进行特征学习以及分类诊断,图卷积神经网络由图卷积层、图嵌入池化层以及全连接层构成。
2.根据权利要求1所述的一种基于图卷积神经网络的脑网络分类方法,其特征在于,所述步骤1,获取大脑功能核磁共振图像(fMRI)并对其进行预处理,从中提取各个脑区的血氧合度依赖(BOLD)信号,具体包括:
1-1,所有的fMRI数据都使用静息态功能性数据处理辅助工具(DPARSF)2.3进阶版工具包进行预处理,对于每一个受试者,所拍摄的fMRI的前十帧都会被丢弃以达到磁饱和的稳定状态;
1-2,将预处理后的fMRI与大脑图谱进行映射可以得到各个大脑分区(L个ROIs)的fMRI,即L个大脑分区的血氧合度依赖信号(BOLD信号)的变化情况。
3.根据权利要求2所述的一种基于图卷积神经网络的脑网络分类方法,其特征在于,
步骤2,构建能够反映大脑分区之间功能性连接拓扑结构特征的脑图,具体包括:
2-1,将步骤1-2中L个大脑分区的BOLD信号两两进行皮尔森相关性分析,得到一个L×L皮尔森相关性邻接矩阵,即生成脑网络连接矩阵,矩阵上元素表示各个分区之间的血氧浓度相关性系数:
其中,x=[x1,x2,…,xn]与y=[y1,y2,…,yn]表示要进行皮尔森相关性分析的两组信号,即任意两个脑区的BOLD信号,皮尔森相关分析得到的相关系数分布在[-1,+1]的区间内,负数表示负相关而正数表示正相关。越接近于1表示越相关,越接近于0表示越不相关;
2-2,对相关系数采取平方操作,将相关系数映射到[0,1]区间内,再进行阈值二值化处理,得到二值化的相关性邻接矩阵A(L×L)。阈值二值化是指将步骤2-1中的相关性邻接矩阵中元素rij大于阈值T的对应位置aij赋值为1,否则赋值为0,二值化方式表示如下:
其中,aij表示A上的元素,i,j=1,2,…,L,T表示量化阈值。
2-3,依据...
【专利技术属性】
技术研发人员:舒华忠,高舒雯,吴颖真,
申请(专利权)人:东南大学,
类型:发明
国别省市:江苏;32
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。