【技术实现步骤摘要】
基于多任务学习和图卷积神经网络的影像分类方法及装置
本专利技术具体涉及一种基于多任务学习和图卷积神经网络的影像(如sMRI)分类方法及装置。
技术介绍
近年来,随着神经影像学的快速发展,包括X光成像技术、磁共振成像技术、计算机断层扫描技术、脑血管造影技术等被用于神经疾病的临床诊断。其中,磁共振成像技术因其对患者无损伤、图像对比度比较高以及能够提供多种模态类型的图像等优势,被广泛地应用到神经性疾病的研究和生物医学的基础研究中。常见的磁共振成像包括结构磁共振成像(structuralmagneticresonanceimaging,sMRI)、弥散张量成像(diffusiontensorimaging,DTI)、功能磁共振成像(functionalmagneticresonanceimaging,fMRI)。因此,磁共振成像技术给大脑神经科学的研究提供了新的思路和方向。结构磁共振成像(structuralmagneticresonanceimaging,sMRI)是利用氢原子来定位的为了产生某一组织结构的一项成像技术。sMRI可以从宏观和微观上反应大脑的形态结构变化及其与功能改变的关系,sMRI的空间分辨率高,可以绘制物体内部的清晰的结构图像。一般研究sMRI特征,通常基于形态学测量的分析方法是一种较为常用的方法。通过对比大脑不同时期的形态学特征的变化情况,可以发现一些病理结构变化。基于形态学测量的方法主要有两种:基于体素的形态学分析方法和基于感兴趣区域的形态学分析方法。基于体素的形态学分析通过定量计算分 ...
【技术保护点】
1.一种基于多任务学习和图卷积神经网络的影像分类方法,其特征在于,包括以下步骤:/n步骤1、分别提取每个影像的特征,每个影像的特征包括其对应的大脑D个感兴趣区域的M种形态学特征;/n步骤2、将每种形态学特征作为一个任务,其维度为D;基于多任务学习方法进行特征选择,得到每个影像的M种形态学特征向量;/n步骤3、构建基于图卷积神经网络的分类器,基于影像样本的M种形态学特征向量及其分类标签对分类器进行训练,得到训练好的分类器;/n步骤4、基于训练好的分类器对未知分类标签的影像进行分类。/n
【技术特征摘要】
1.一种基于多任务学习和图卷积神经网络的影像分类方法,其特征在于,包括以下步骤:
步骤1、分别提取每个影像的特征,每个影像的特征包括其对应的大脑D个感兴趣区域的M种形态学特征;
步骤2、将每种形态学特征作为一个任务,其维度为D;基于多任务学习方法进行特征选择,得到每个影像的M种形态学特征向量;
步骤3、构建基于图卷积神经网络的分类器,基于影像样本的M种形态学特征向量及其分类标签对分类器进行训练,得到训练好的分类器;
步骤4、基于训练好的分类器对未知分类标签的影像进行分类。
2.根据权利要求1所述的基于多任务学习和图卷积神经网络的影像分类方法,其特征在于,所述步骤2中,基于多任务学习方法进行特征选择的目标函数为:
其中,Y为N个影像样本的分类标签构成的标签向量,Y=(y1,y2,...,yN)T,yi表示第i个影像样本的标签;Xm为针对第m个任务,即第m种形态学特征构建的原始特征矩阵,其大小为N×D,N为影像样本的个数,其第i行表示第i个影像样本通过步骤1提取到其对应的大脑D个感兴趣区域的第m种形态学特征,m=1,2,...,M;W表示所有任务所对应的权重矩阵,其大小为D×M,其第m列wm表示大脑D个感兴趣区域的第m种形态学特征的权重;Reg(W)为惩罚项,λ表示正则化约束值;
求解目标函数,得到wm的最优解;基于wm的最优解,对每个影像通过步骤1提取到其对应的大脑D个感兴趣区域的第m种形态学特征进行特征选择,得到每个影像的第m种形态学特征向量。
3.根据权利要求2所述的基于多任务学习和图卷积神经网络的影像分类方法,其特征在于,设定目标函数中的惩罚项Reg(W),得到目标函数为:
其中,λ1和λ2表示正则化约束参数,||W||2,1为权重矩阵W的L21范数,Lm=Em-Sm表示第m个任务的拉普拉斯矩阵;Em是一个N×N的对角矩阵,其定义为是一个相似性矩阵,它的定义如下所示:
4.根据权利要求3所述的基于多任务学习和图卷积神经网络的影像分类方法,其特征在于,在目标函数中增加Frobenius范数正则化项,得到目标函数为:
其中,||W||F为权重矩阵W的Frobenius范数,为wm第k个维度的元素值,λ3表示正则化约束参数。
5.根据权利要求1所述的基于多任务学习和图卷积神经网络的影像分类方法,其特征在于,所述步骤3中,基于影像的每一种形态学特征向量,分别构建一个图,图中每个节点为一个影像;
在基于影像的第m种形态学特征向量构建的图G中,通过以下公式计算第a个节点与第b个节点之间权重G(a,b):
其中,x(a)和x(b)分别代表第a个节点与第b个节点的第m种形态学特征向量;ρ表示求两个形态学特征向量的相关距离,σ为自由参数;Mt(a)和Mt(b)分别表示第a个节点与第b个节点对应的个体第t种表型信息,β表示求两个表型信息的相似性;
若G(a,b)≠0,...
【专利技术属性】
技术研发人员:刘锦,王宇菲,王建新,兰伟,
申请(专利权)人:中南大学,
类型:发明
国别省市:湖南;43
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。