脑图像处理方法、计算机设备和可读存储介质技术

本发明专利技术涉及一种脑图像处理方法、计算机设备和可读存储介质，该方法包括：获取脑功能图像；从脑功能图像中获取各脑区的时域特征信息并进行傅里叶变换，得到各脑区的节点特征；节点特征包括频域实部特征和频域虚部特征；根据各脑区的节点特征，获取各脑区间的连接信息，将连接信息作为节点间的连接；将节点特征和节点间的连接构建成图特性矩阵；将图特性矩阵输入训练模型，得到分析结果，其中，训练模型为样本脑功能图像构建的样本图特性矩阵，输入图网络中训练得到的模型。该方法中是将各脑区的时域特征信息进行傅里叶变换得到的频域特征作为各脑区的节点特征，能够更好地对脑功能图像中的噪声进行区分，提高了得到的分析结果的准确度。

Brain image processing method, computer equipment and readable storage medium

【技术实现步骤摘要】
脑图像处理方法、计算机设备和可读存储介质
本专利技术涉及图像领域，特别是涉及一种脑图像处理方法、计算机设备和可读存储介质。
技术介绍
功能磁共振(FunctionalMagneticResonanceImaging,FMRI)通过测量血液中的血氧浓度相依对比(Bloodoxygen-leveldependent,BOLD)来检测脑部的活动。临床上主要有两种不同的方式对FMRI信号进行分析，一种是通过计算两两脑区之间的时序信号的相关性，从脑网络的角度分析大脑的连接特征；另一种是通过提取出FMRI信号的低频振幅(Amplitudeoflowfrequencyfluctuation,ALFF)，局部一致性(Regionalhomogeneity，ReHo)等指标，使用简单的分类器，如支持向量机、决策树等对FMRI信号进行分类，从而对大脑的活动进行检测。近年来，随着神经网络技术的发展，研究人员开始使用图卷积神经网络(GraphConvolutionalNetworks，GCN)对FMRI信号进行分类。传统技术中，利用GCN对FMRI信号进行分类本文档来自技高网...

【技术保护点】
1.一种脑图像处理方法，其特征在于，所述方法包括：/n获取脑功能图像；/n从所述脑功能图像中获取各脑区的时域特征信息并进行傅里叶变换，得到所述各脑区的节点特征；所述节点特征包括频域实部特征和频域虚部特征；/n根据所述各脑区的节点特征，获取各所述脑区间的连接信息，将所述连接信息作为所述节点间的连接；/n将所述节点特征和所述节点间的连接构建成图特性矩阵；/n将所述图特性矩阵输入训练模型，得到分析结果，其中，所述训练模型为样本脑功能图像构建的样本图特性矩阵，输入图网络中训练得到的模型。/n

【技术特征摘要】
1.一种脑图像处理方法，其特征在于，所述方法包括：
获取脑功能图像；
从所述脑功能图像中获取各脑区的时域特征信息并进行傅里叶变换，得到所述各脑区的节点特征；所述节点特征包括频域实部特征和频域虚部特征；
根据所述各脑区的节点特征，获取各所述脑区间的连接信息，将所述连接信息作为所述节点间的连接；
将所述节点特征和所述节点间的连接构建成图特性矩阵；
将所述图特性矩阵输入训练模型，得到分析结果，其中，所述训练模型为样本脑功能图像构建的样本图特性矩阵，输入图网络中训练得到的模型。


2.根据权利要求1所述的方法，其特征在于，所述图网络包括图卷积网络。


3.根据权利要求2所述的方法，其特征在于，所述根据所述各脑区的节点特征，获取各所述脑区间的连接信息，将所述连接信息作为所述节点间的连接，包括：
计算任意两个脑区的节点特征间的皮尔森相关系数，得到各所述脑区间的连接信息，将所述连接信息作为所述节点间的连接。


4.根据权利要求2所述的方法，其特征在于，所述图卷积网络包括至少一个图卷积层、全连接层、模计算层和分类函数层；所述全连接层用于分别对所述图卷积层输出的频域实部特征和频域虚部特征进行全连接处理，得到全连接处理结果；所述模计算层用于对所述全连接处理结果中的实部和虚部进行模计算处理，得到各脑区的特征值；所述分类函数层用于根据所述各脑区的特征值，计算得到所述各脑区的分类结果。


5.根据权利要求2或4所述的方法，其特征在于，所述图卷积网络中图卷积层的卷积运算包括：



式中，为所述图卷积层l输入的频域实部特征，为所述图卷积层l输入的频域虚部特征，为所述图卷积层l的实部参数，为所述图卷积层l的虚部参数，为所述图卷积层l输出的频域实部特征，为所述图卷积...

【专利技术属性】
技术研发人员：邢潇丹，石峰，
申请(专利权)人：上海联影智能医疗科技有限公司，
类型：发明
国别省市：上海;31