影像驱动的脑图谱构建方法、装置、设备及存储介质制造方法及图纸

本申请提供一种影像驱动的脑图谱构建方法、装置、设备及存储介质，涉及医疗影像技术领域。该方法包括：获取节点特征矩阵，节点特征矩阵包括脑部的多个节点的时间序列；对节点特征矩阵进行超图数据结构转换，得到第一超图关联矩阵；将第一超图关联矩阵和节点特征矩阵输入已训练的超图转移矩阵生成器中处理，输出得到第一超图转移矩阵，第一超图转移矩阵表征构建的多模态脑图谱。本申请提供的技术方案可以构建一个多模态脑图谱，该多模态脑连接结构能够表达更多的特征信息。当应用于脑疾病诊断过程时，可以提高疾病诊断的准确率。

【技术实现步骤摘要】
影像驱动的脑图谱构建方法、装置、设备及存储介质
本申请涉及医疗影像
，尤其涉及一种影像驱动的脑图谱构建方法、装置、设备及存储介质。
技术介绍
随着医疗影像技术发展，基于不同模态下所采集的影像数据可以生成不同的脑图谱。例如，可以通过采集弥散张量成像(DiffusionTensorImaging，DTI)数据生成结构连接矩阵(包含脑部的各个脑区之间纤维束密度，也成为结构连接图谱)能够表达脑部的组织学解剖结构信息。通过采集脑部静息态功能磁共振成像(resting-statefunctionalMagneticResonanceImaging，rs-fMRI)数据生成节点特征矩阵(包括各个脑区的时间特征序列，也可以称为功能连接图谱)，能够表达各个脑区之间的功能连接信息。脑图谱在针对脑部疾病诊断的过程是非常重要的参考依据。然而目前的脑图谱大多是基于单模态的影像数据生成的，所能表达的特征信息较少。因此，可能会导致无法从脑图谱中提取有效的疾病信息，从而造成疾病诊断的误判。
技术实现思路
有鉴于此，本申请实施例提供一种影像驱动的脑图谱构建方法、装置、设备及存储介质，能够解决目前脑图谱所能表达的特征信息较少的问题。为了实现上述目的，第一方面，本申请实施例提供一种影像驱动的脑图谱构建方法，包括：获取节点特征矩阵，节点特征矩阵包括脑部的多个节点的时间序列；对节点特征矩阵进行超图数据结构转换，得到第一超图关联矩阵；将第一超图关联矩阵和节点特征矩阵输入已训练的超图转移矩阵生成器中处理，输出得到第一超图转移矩阵，第一超图转移矩阵表征构建的多模态脑图谱。采用本申请提供的构建方法，通过将节点特征矩阵转化成超图数据结构，并计算第一超图转移矩阵，即可构建一个多模态脑图谱。相比于目前基于单模态的影像数据生成脑连接结构，该多模态脑连接结构能够表达更多的特征信息。当应用于脑疾病诊断过程时，可以提高疾病诊断的准确率。可选的，对时间序列特进行超图数据结构转换，得到第一超图关联矩阵，包括：利用Guth-Katz多项式聚类算法将节点特征矩阵转换为第一超图数据；利用KNN算法将节点特征矩阵转换为第二超图数据；将第一超图数据和第二超图数据进行融合，得到第一超图关联矩阵。基于该可选方式，通过利用Guth-Katz多项式聚类算法构建第一超图数据，然后将第一超图数据与第二超图数据融合来得到第一超图关联矩阵，能够更好的保留了节点特征矩阵种节点之间的拓扑信息，同时有效排除了冗余的干扰信息，提高了第一超图关联矩阵的精确性。可选的，超图转移矩阵生成器对节点特征矩阵的处理包括：基于第一超图关联矩阵和节点特征矩阵进行若干次迭代计算，得到目标超边特征矩阵和目标节点特征矩阵；根据第一超图关联矩阵和目标节点特征矩阵确定节点权重矩阵；根据目标超边特征矩阵确定超边权重矩阵；根据超边权重矩阵和节点权重矩阵确定第一超图转移矩阵。基于该可选方式，通过第一超图关联矩阵和节点特征矩阵进行若干次迭代计算，得到目标超边特征矩阵和目标节点特征矩阵。利用这种超图边神经元算法，能够充分挖掘不同模态数据之间的互补信息和潜在联系，减少不必要的参数，从而避免模型过拟合且泛化能力强，更加适合小样本学习。可选的，针对训练集中的每个训练样本，对训练样本进行预处理，得到节点特征矩阵样本和结构连接矩阵样本；对节点特征矩阵样本进行超图数据结构转换，得到第二超图关联矩阵；将第二超图关联矩阵和节点特征矩阵样本输入初始超图转移矩阵生成器中处理，输出得到第二超图转移矩阵；基于超图上的随机游走原理，确定训练样本对应的每个节点基于结构连接矩阵样本得到的关联节点集合Nreal(v)和基于第二超图转移矩阵得到的关联节点集合Nfake(v)；利用判别器对每个节点的Nreal(v)和Nfake(v)进行判决，得到训练样本对应的判决结果；根据每个训练样本对应的判别结果和预设的损失函数进行迭代训练，得到超图转移矩阵生成器。基于该可选方式，利用超图上的随机游走原理代替传统训练方法中核函数变换和拉格朗日乘子法，从而避免了非凸优化问题中的繁杂计算以及损失函数不能稳定向全局最优点收敛的问题，因此，提高了模型的鲁棒性以及训练效率。可选的，利用判别器对每个节点的Nreal(v)和Nfake(v)进行判决，得到训练样本对应的判决结果，包括：针对每个节点，将节点在节点特征矩阵样本中对应的时间序列输入预设的多层感知机中处理，得到输出特征；根据如下公式计算节点与节点的Nreal(v)和Nfake(v)中的每个节点的判决结果：其中，D(va,vb)表示节点va是vb的关联节点的判别结果，表示节点va的输出特征，表示节点vb的输出特征。可选的，损失函数为：表示节点数。第二方面，本申请提供一种影像驱动的脑图谱构建装置，包括：获取单元，用于获取节点特征矩阵，节点特征矩阵包括脑部的多个节点的时间序列；转换单元，用于对节点特征矩阵进行超图数据结构转换，得到第一超图关联矩阵；构建单元，用于将第一超图关联矩阵和节点特征矩阵输入已训练的超图转移矩阵生成器中处理，输出得到第一超图转移矩阵，第一超图转移矩阵表征构建的多模态脑图谱。可选的，获取单元，用于针对训练集中的每个训练样本，对训练样本进行预处理，得到节点特征矩阵样本和结构连接矩阵样本；转换单元，还用于对节点特征矩阵样本进行超图数据结构转换，得到第二超图关联矩阵；构建装置还包括训练单元，训练单元用于：将第二超图关联矩阵和节点特征矩阵样本输入初始超图转移矩阵生成器中处理，输出得到第二超图转移矩阵；基于超图上的随机游走原理，确定训练样本对应的每个节点基于结构连接矩阵样本得到的关联节点集合Nreal(v)和基于第二超图转移矩阵得到的关联节点集合Nfake(v)；利用判别器对每个节点的Nreal(v)和Nfake(v)进行判决，得到训练样本对应的判决结果；根据每个训练样本对应的判别结果和预设的损失函数进行迭代训练，得到超图转移矩阵生成器。第三方面，本申请实施例提供一种终端设备，包括：存储器和处理器，存储器用于存储计算机程序；处理器用于在调用计算机程序时执行如第一方面或第一方面的任一实施方式所述的方法。第四方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述第一方面或第一方面的任一实施方式所述的方法。第五方面，本申请实施例提供一种计算机程序产品，当计算机程序产品在处理器上运行时，使得处理器执行上述第一方面中任一项所述的方法。可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。附图说明图1为本申请提供的一种影像驱动的脑图谱构建方法的一个实施例的流程图；图2为本申请实施例提供的一种超图转换矩阵生成器的网络结构；图3为本申请实施例提供的一种动态超图生成对抗网络(DynamicHyperGraphGAN，DHGGAN)；图4为本申请实施例提供的一种影像驱动的脑图谱构建装本文档来自技高网...

【技术保护点】
1.一种影像驱动的脑图谱构建方法，其特征在于，包括：/n获取节点特征矩阵，所述节点特征矩阵包括所述脑部的多个节点的时间序列；/n对所述节点特征矩阵进行超图数据结构转换，得到第一超图关联矩阵；/n将所述第一超图关联矩阵和所述节点特征矩阵输入已训练的超图转移矩阵生成器中处理，输出得到第一超图转移矩阵，所述第一超图转移矩阵表征构建的多模态脑图谱。/n

【技术特征摘要】
1.一种影像驱动的脑图谱构建方法，其特征在于，包括：
获取节点特征矩阵，所述节点特征矩阵包括所述脑部的多个节点的时间序列；
对所述节点特征矩阵进行超图数据结构转换，得到第一超图关联矩阵；
将所述第一超图关联矩阵和所述节点特征矩阵输入已训练的超图转移矩阵生成器中处理，输出得到第一超图转移矩阵，所述第一超图转移矩阵表征构建的多模态脑图谱。


2.根据权利要求1所述的方法，其特征在于，所述对所述时间序列特进行超图数据结构转换，得到第一超图关联矩阵，包括：
利用Guth-Katz多项式聚类算法将所述节点特征矩阵转换为第一超图数据；
利用KNN算法将所述节点特征矩阵转换为第二超图数据；
将所述第一超图数据和所述第二超图数据进行融合，得到所述第一超图关联矩阵。


3.根据权利要求1所述的方法，其特征在于，所述超图转移矩阵生成器对所述节点特征矩阵的处理包括：
基于所述第一超图关联矩阵和所述节点特征矩阵进行若干次迭代计算，得到目标超边特征矩阵和目标节点特征矩阵；
根据所述第一超图关联矩阵和所述目标节点特征矩阵确定节点权重矩阵；
根据所述目标超边特征矩阵确定超边权重矩阵；
根据所述超边权重矩阵和所述节点权重矩阵确定所述第一超图转移矩阵。


4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
针对训练集中的每个训练样本，对所述训练样本进行预处理，得到节点特征矩阵样本和结构连接矩阵样本；
对所述节点特征矩阵样本进行超图数据结构转换，得到第二超图关联矩阵；
将所述第二超图关联矩阵和所述节点特征矩阵样本输入初始超图转移矩阵生成器中处理，输出得到第二超图转移矩阵；
基于超图上的随机游走原理，确定所述训练样本对应的每个节点基于所述结构连接矩阵样本得到的关联节点集合Nreal(v)和基于第二超图转移矩阵得到的关联节点集合Nfake(v)；
利用判别器对所述每个节点的Nreal(v)和Nfake(v)进行判决，得到所述训练样本对应的判决结果；
根据每个训练样本对应的判别结果和预设的损失函数进行迭代训练，得到所述超图转移矩阵生成器。


5.根据权利要求4所述的方法，其特征在于，
所述利用判别器对所述每个节点的Nreal(v)和Nfake(v)进行判决，得到所述训练样本对应的判决结果，包...

【专利技术属性】
技术研发人员：王书强，潘俊任，申妍燕，
申请(专利权)人：深圳先进技术研究院，
类型：发明
国别省市：广东;44