一种基于子空间特征学习的丘脑功能分区方法技术

本发明专利技术公开了一种基于子空间特征学习的丘脑功能分区方法。首先，使用弥散张量成像进行纤维追踪以获得活体大脑内部结构连接信息，使用精细皮层分区针对复杂非线性的丘脑皮层特征提取形成结构连接特征。然后，使用深度子空间网络以及增加的自表达特性学习特征的隐藏子空间映射，提取低维子空间特征。最后，对体素特征加以空间约束降低噪声的影响，更好地反映空间拓扑结构，丰富对空间信息的提取，构建亲和度矩阵使用归一化割方法获得功能分区。本发明专利技术方法能够降低噪声的影响，并且能够更好地反映体素空间的拓扑结构，丰富对空间信息的提取，可以高效地获得丘脑功能分区。

A method of functional division of thalamus based on subspace feature learning

【技术实现步骤摘要】
一种基于子空间特征学习的丘脑功能分区方法
本专利技术属于数字图像领域，尤其涉及一种基于子空间特征学习的丘脑功能分区方法。
技术介绍
近年来，医学成像技术为无创地构建丘脑功能分区提供了新的途径。弥散张量成像基于测量大脑组织水分子弥散性质得到组织信息，并且可以重建出纤维束，表征不同区域之间的结构连接。弥散是指分子的随机性不规则运动，基于分子在空间中沿特定方向扩散的程度情况，又分为各向同性和各向异性。各向同性指分子的运动向各个方向的机会是均等的，例如在纯水中，水分子的弥散为各向同性弥散以及脑灰质中水分子的弥散也近似各向同性。各向异性指分子的弥散具有方向性，如脑白质中，水分子的弥散方向总与纤维束走行方向一致。目前，学者们则更倾向于基于结构连接特征生成丘脑核团分区。Behrens等借助弥散张量成像中水分子的弥散特性检测出具有方向性的脑组织，同时使用概率纤维束成像的方法获得丘脑的结构连接模式，采用少数皮层功能分区定义丘脑体素的结构连接特征，生成丘脑核团分区。这种方法获得的信息损失严重、特征区分度低，只能获得粗糙的丘脑核团分区结果。与rsfMRI的聚本文档来自技高网...

【技术保护点】
1.一种基于子空间特征学习的丘脑功能分区方法，其特征在于：该方法包括以下步骤：/n步骤1，对弥散张量图像原始数据预处理，提取图像特征，获得丘脑-皮层结构连接特征；/n步骤2，将丘脑-皮层结构连接特征作为输入数据，搭建深度子空间网络模型，训练网络模型得到输入数据的低维子空间特征以及自表达特征；所述低维子空间特征即为输入数据的潜在特征；/n步骤3，使用无监督聚类方法，对步骤2中得到的输入数据的潜在特征以及自表达特征进行聚类，并对聚类结果进行分割，形成个体丘脑功能分区。/n

【技术特征摘要】
1.一种基于子空间特征学习的丘脑功能分区方法，其特征在于：该方法包括以下步骤：
步骤1，对弥散张量图像原始数据预处理，提取图像特征，获得丘脑-皮层结构连接特征；
步骤2，将丘脑-皮层结构连接特征作为输入数据，搭建深度子空间网络模型，训练网络模型得到输入数据的低维子空间特征以及自表达特征；所述低维子空间特征即为输入数据的潜在特征；
步骤3，使用无监督聚类方法，对步骤2中得到的输入数据的潜在特征以及自表达特征进行聚类，并对聚类结果进行分割，形成个体丘脑功能分区。


2.根据权利要求1所述的一种基于子空间特征学习的丘脑功能分区方法，其特征在于：步骤1所述对弥散张量图像原始数据预处理，提取图像特征，获得丘脑-皮层结构连接特征；方法如下：
1-1，采用纤维束示踪成像技术获得原始图像数据的纤维概率结果；
1-2，采用精细皮层分区方法提取出体素的成像特征，减小弥散张量图像数据和纤维追踪的噪声；
1-3，根据步骤1-1和步骤1-2，获得丘脑-皮层结构连接特征。


3.根据权利要求1所述的一种基于子空间特征学习的丘脑功能分区方法，其特征在于：步骤2所述搭建深度子空间网络模型，训练网络模型得到输入数据的低维子空间特征以及自表达特征；步骤如下：
2-1，将丘脑-皮层结构连接特征作为特征向量输入，搭建子空间自编码器网络模型用于提取低维子空间特征；子空间自编码器网络模型包含三个部分，即编码结构、自表达层、解码结构；
在编码结构中学习特征的潜在表示，编码结构包含两个全连接层，每个全连接层后使用了参数化的线性修正单元，对输入数据进行非线性激活；
带参数的线性修正单元定义为：



其中yi代表非线性激活函数f在第i个通道的数据输入，ai是第i个通道的控制输入数据非负部分的斜率；
在解码结构将特征的潜在表示进行回映射，得到解码输出数据；在编码结构和解码结构之间加入自表达层，自动学习输入数据之间的相关性；
对于给定的弥散张量图像中的体素数据点集合{xi}i＝1,2,...,M，M代表体素总数，这些体素数据点分布在K个线性子空间{Si}i＝1,2,...,K中，将这一系列体素数据点组成数据矩阵X，有如下公式：
X＝XC(1)
其中C为系数矩阵，即自表达属性的相关性矩阵；
加入特定范式约束矩阵C后的自表达公式表示为：



上式‖·‖p表示任一矩阵范数，根据对矩阵C的不同约束选择不同的范数；
将数据的噪声考虑进去，公式改写为：



其中λ表示自表达损失的权重参数，控制自表达损失在公式(3)中的权重占比；
2-2，定义子空间自编码器网络模型的损失函数如下：



式中，第一项表示数据的重建损失；第二项表示自表达层的正则项；第三项表示数据的自表达项；X表示原始特征输入，表示输入数据经过解码器重构后的输出，Θ表示权值参数，C为系数矩阵，表示自表达层的权值，ZΘ表示编码阶段的特征输出；λ1、λ2为权重权衡系数；
通过优化上述损失函数，使得到的数据空间ZΘ低维表示输入数据，同时使得系数矩阵C达到自表达效果；使用反向传播联合求解网络模型中的权值参数Θ和系数矩阵C；所述系数矩阵C作为输入数据的自表达特征；
2-3，通过不添加自表达层的传统自编码器进行子空间自编码器网络模型预训练，并根据预训练得到的神经网络参数初始化子空间自编码器网络模型，即预训练模型直接作为子空间自编码器网络模型的初始状态；训练子空间自编码器网络模型完成后，通过模型中编码器对输入数据编码，得到输入数据的低维子空间特征以及自表...

【专利技术属性】
技术研发人员：孔佑勇，高和仁，任洲甫，周卫平，舒华忠，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏;32