基于图神经网络和自注意力的磁共振影像辅助处理系统技术方案

技术编号:34137323 阅读:27 留言:0更新日期:2022-07-14 16:56
本发明专利技术公开了一种基于图神经网络和自注意力的磁共振影像辅助处理系统,包括依次连接的MRI数据预处理模块和若干个基于自注意力的长短距离特征融合图神经网络SALS

Magnetic resonance image assistant processing system based on graph neural network and self attention

【技术实现步骤摘要】
基于图神经网络和自注意力的磁共振影像辅助处理系统


[0001]本专利技术属于图像处理和计算机视觉领域,具体涉及一种基于图神经网络和自注意力的磁共振影像辅助处理系统。

技术介绍

[0002]精神疾病是一类以认知、意志、情感、行为异常为特点的复杂性疾病,其发病率每年都在增加,在当今社会带来的影响正日益突出。精神疾病的临床分类主要建立在症状学基础上,这是一种医生基于量表评估的主观判断,相对缺乏客观性。基于神经影像学和计算机科学的辅助研究方法,特别是基于磁共振成像(Magnetic Resonance Imaging,MRI)的研究方法具有一定的客观性,但是目前存在的方法仍缺乏可信且高效的影像学生物标志物。因此,基于客观图像的精神疾病辅助研究和提供可靠的生物标志物的方法仍是当前重要的研究趋势。
[0003]精神疾病的MRI影像辅助分类系统,经历了从机器学习到深度学习的变化,相应的数据预处理方法也经历了从人工定义特征到个体化结构脑网络的发展历程。通过人工定义并选择的特征进行精神疾病分析,取得了出色的成果,一方面证明了精神疾病患者相对对照组存在大脑本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图神经网络和自注意力的磁共振影像辅助处理系统,其特征在于,该系统包括依次连接的MRI数据预处理模块和L个相同的基于自注意力的长短距离特征融合图神经网络SALS

GNN,其中L为大于或等于1的整数;与MRI数据预处理模块直接相连的SALS

GNN称为第1个SALS

GNN,后续依次表示为第2个、第3个、直至第L个SALS

GNN,其中,每个基于自注意力的长短距离特征融合图神经网络SALS

GNN包括依次连接的1个自注意力特征提取模块和1个特征融合模块,第l个SALS

GNN的自注意力特征提取模块与第l

1个SALS

GNN的特征融合模块相连,l=2,3,...,L;每一个自注意力特征提取模块由M个并联的基于多头自注意力的不同距离的特征提取子网络SA组成,每个特征提取子网络SA由H头自注意力模型构成;L个SALS

GNN的自注意力特征提取模块结构相同、但模型参数不同,并且L个SALS

GNN的特征融合模块结构相同、但模型参数不同;所有H头自注意力模型结构和参数均相同;所述MRI数据预处理模块,输入核磁共振成像仪采集的MRI影像,并将采集的MRI影像预处理后,输出大脑图结构数据,具体包括:S11)通过核磁共振成像仪采集大脑的MRI影像,使用标准脑模板对采集的每一幅大脑的MRI影像进行脑区划分;S12)将进行脑区划分后的每一幅大脑的MRI影像通过预处理得到一个原始图数据G0=(N,E,F0),其中G0为有向图,N为节点集合,E为边集合,F0为节点特征集合;对于SALS

GNN中的自注意力特征提取模块,除第1个SALS

GNN以外的任意一个SALS

GNN中的自注意力特征提取模块,输入为上一个SALS

GNN中特征融合模块的输出图数据,对于第1个SALS

GNN中的自注意力特征提取模块,输入为MRI数据预处理模块得到的原始图数据G0,各SALS

GNN用于获取大脑脑区间的长短距离依赖,对脑区进行不同距离的特征提取,输出不同距离的大脑特征,这L个SALS

GNN的工作过程具体为:S21)将原始图数据G0=(N,E,F0)输入第1个SALS

GNN中的自注意力特征提取模块,在第l个SALS

GNN的自注意力特征提取模块中,输入数据为第l

1个SALS

GNN的特征融合模块的输出图数据G
l
‑1=(N,E,F
l
‑1),每一个图数据的节点集合N和边集合E都不会被更新,由图数据G
l
‑1中N个节点特征构成的特征矩阵将会被更新,其中,R
f
表示长度为f的向量,f为预处理参数,n=0,1,...,N

1;S22)图数据G
l
‑1=(N,E,F
l
‑1)输入M个并联的基于多头自注意力的不同距离的特征提取子网络SA,每个特征提取子网络SA都具有相同的信息传递流程,以路径长度m表示第m个特征提取子网络SA提取特征的距离,第m个特征提取子网络SA被命名为SA

m,m=1,2,...,M;S23)任意一个子网络SA

m对有向图G
l
‑1中的每个节点进行距离为m的特征提取,对任意一个节点N
j
,j=0,1,...,N

1进行特征提取时,选择距离d(N
i
,N
j
)=m的点集{N
i
}的特征,通过第l

1个SALS

GNN的自注意力特征提取模块中的H头自注意力模型进行聚合,其中i≠j,i,j=0,1,...,N

1;S24)在H头自注意力模型的任意第h个抽头中,h=1,2,...,H,每个节点的特征通过公式(1)的三个线性层获得对应的向量其中是三个不同的权重矩阵,是与之对应的三个不同的偏置矩阵;
S25)获得所有节点的向量后,将S23)得到的距离d(N
i
,N
j
)=m的点集{N
i
},通过公式(2)的自注意力模型,聚合得到节点N
j
的特征的特征其中,e
pq
表示有向图G
l
‑1中边N
p
N
q
的权重,p,q=0,1,...,N

1,这里节点N
p
和N
q
是相邻的,所以满足d(N
p
,N
q
)=1;距离d(N
i
,N
j
)=m...

【专利技术属性】
技术研发人员:高婧婧王正宁彭大伟吴岳潼商勇彬徐宇航
申请(专利权)人:电子科技大学
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1