基于图网络时间序列的医学影像分类方法技术

本发明专利技术提出了一种基于图网络时间序列的医学影像分类方法，包括：获取fMRI图像样本；基于k

【技术实现步骤摘要】
基于图网络时间序列的医学影像分类方法


[0001]本专利技术涉及医学影像的计算机分析
，特别是涉及一种基于图网络时间序列的医学影像分类方法。

技术介绍

[0002]随着现代医学的发展，医学影像在疾病的辅助诊断和治疗上起到了越来越重要的作用。大量研究就表明，许多神经精神疾病（如AD和精神分裂症等）均与脑结构和功能网络的拓扑变化有关，近年来提出人脑连接组学（Human Connectome）主要研究大脑在广泛的时空尺度上连接而成动态的复杂功能网络，以更好地理解大脑神经疾病的病理基础，进而帮助了解大脑内部的工作机制。其中，功能核磁共振成像(functional Magnetic Resonance Imaging,fMRI)因兼备较高的时间分辨率和空间分辨率，为研究人脑的功能提供了一种重要的手段，已成为人脑连接组学的研究热点和难点。但同时，fMRI影像本身易受噪声干扰、数据维度高，这些都导致数据的处理和分析存在较大难度。针对fMRI影像的这些特点，利用深度学习的方法，通过数据驱动的方式，可以挖掘更多有价值的信息，简化人工处理和分析数据的过程，以减轻医生和研究者的负担。
[0003]在基于fMRI的医学影像分类方法中，主要是基于脑连接学，利用fMRI构造脑功能网络，根据脑功能网络中的拓扑结构和各种网络参数进行分类，构建脑功能网络的主要方法是利用fMRI表达出来的各体素上的血氧水平依赖（BOLD）信号时间序列计算出大脑区域两两之间的功能关联性，以此构造出大脑功能网络。但是，此方法利用一张fMRI图像中包含的BOLD信号时间序列为一个个体人脑仅仅构造出一个脑功能网络，没有最大限度地利用蕴含在一张fMRI图像中的BOLD信号时间序列在空间维度上的关联信息，从而无法反映出不同脑区功能之间的关联关系在神经生理过程中随时间变化而呈现出来的动态变化，而这些变化趋势，可能会对fMRI的分类起到关键性作用。
[0004]现有技术公开了一种基于图卷积神经网络的脑网络分类方法。该方法包括：首先从fMRI图像中提取各个脑区的BOLD信号；其次，构建能够反映脑区之间的功能连接拓扑结构特征的脑图；再次，将构建的脑网络以及实际诊断标签输入到图卷积神经网络中进行特征学习以及模型训练。该方法通过fMRI图像构建一个脑网络，并基于该脑网络进行特征学习和分类，可能会忽略图像中隐含的重要信息，无法反映出不同脑区功能之间的关联关系在神经生理过程中随时间变化而呈现出来的动态变化。
[0005]现有技术公开了一种基于fMRI构造网络模型的训练方法和装备、计算机设备以及存储介质。该方法包括：对原始的fMRI图像数据进行采样和预处理；建立3D
‑
CNN+LSTM模型；创建fMRI图像片段作为第一训练数据集，用第一训练数据集中损失值最小的fMRI片段作为第二训练数据集；应用第二测试数据集对4D
‑
CNN模型进行训练并输出分类结果。该方法所采用的两个卷积神经模型，能提取fMRI图像中的时间和空间信息，但是这两个模型的参数较多，输入的fMRI图像维度高，只能选取较短的时间片段作为模型输入，不能获取fMRI图像中的长时间动态变化信息。

技术实现思路

[0006]本专利技术为了解决以上至少一种技术缺陷，提供一种基于图网络时间序列的医学影像分类方法，该方法能反映脑功能网络连接的动态变化规律。
[0007]为解决上述技术问题，本专利技术的技术方案如下：一种基于图网络时间序列的医学影像分类方法，包括以下步骤：S1：采集原始fMRI图像并进行预处理和采样，获取fMRI图像样本；S2：基于k
‑
s（Kolmogorov
‑
Smirnov）验证方法构造能够放映大脑分区之间功能连接动态变化的图网络时间序列，对fMRI图像样本进行处理，得到每个fMRI图像样本对应的图网络时间序列；S3：构建图卷积神经网络
‑
时域卷积神经网络模型，利用图网络时间序列对图卷积神经网络
‑
时域卷积神经网络模型进行训练和验证；S4：将待分类的fMRI图像输入完成训练和验证的图卷积神经网络
‑
时域卷积神经网络模型中，实现对医学影像的分类。
[0008]上述方案中，通过fMRI图像构造出能够放映大脑分区之间功能连接动态变化的图网络时间序列，实现了对脑功能网络连接动态变化规律的放映；同时，提出一个图卷积神经网络
‑
时域卷积神经网络模型，有利于图特征的提取和对图网络时间序列中变化规律的学习，有效提升了模型的分类能力。
[0009]其中，在所述步骤S1中，采用DPARSF软件对原始fMRI图像进行预处理。
[0010]在图像采集过程中，被试者的头动、呼吸、心跳等因素，会产生噪音，导致图像的成像质量变差，因此在数据分析时，要先进行预处理，减少无关噪音的影响，提高信噪比，本方案使用DPARSF软件实现预处理过程。
[0011]其中，在所述步骤S1中，对预处理后的fMRI图像进行采样的过程具体为：假设采样的时间切片长度为k，算计选择开始帧为，最终采样得到一个样本片段为，重复上述步骤得到多个样本片段组成fMRI图像样本。
[0012]一般而言，从零开始训练一个深度学习模型需要大量的fMRI图像样本，而对于fMRI图像而言，往往难以获取大量的fMRI图像样本用于模型的训练；因此，本方案提出一种通过将fMRI图像样本分割成较短的片段来增加样本数量的方法，实现fMRI图像样本数据的增强，大大增加了训练的样本数量，提高模型的训练效果。
[0013]其中，在所述步骤S2中，fMRI图像样本由每一个fMRI图像的多个时间切片组成，对于一个fMRI图像中的每一个时间切片，得到其fMRI图像样本对应的图网络时间序列过程具体为：S21：对于一个时间切片，按照脑区划分模板将人脑划分为多个感兴趣区域；将每个感兴趣区域作为一个顶点，得到顶点集；S22：将顶点集各个顶点间的相关性作为边，基于k
‑
s验证方法检验顶点与顶点间相关性大小作为边的强度，得到边集；S23：根据顶点集、边集构造出该时间切片的无向图；S24：重新选择一个时间切片，重复执行步骤S21
‑
步骤S24，得到一个fMRI图像中每一个时间切片的无向图，根据所有无向图得到该fMRI图像样本对应的图网络时间序列。
[0014]其中，在所述步骤S2中，顶点集表示为，其中代表第个感兴趣区域，是感兴趣区域的个数；边集由邻接矩阵表示，其中，N表示顶点的数量，的值为顶点之间边的强度；具体的，根据感兴趣区域的BOLD信号和感兴趣区域的BOLD信号的k
‑
s验证方法验证得到的p
‑
value值作为顶点之间边的强度，k
‑
s验证方法能用于检验两个感兴趣区域中的数据是否服从相同分布，若p
‑
value值越小，说明两个感兴趣区域的相关性越小；所述p
‑
value值的计算过程具体为：设感兴趣区域的BO本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图网络时间序列的医学影像分类方法，其特征在于，包括以下步骤：S1：采集原始fMRI图像并进行预处理和采样，获取fMRI图像样本；S2：基于k
‑
s验证方法构造能够放映大脑分区之间功能连接动态变化的图网络时间序列，对fMRI图像样本进行处理，得到每个fMRI图像样本对应的图网络时间序列；S3：构建图卷积神经网络
‑
时域卷积神经网络模型，利用图网络时间序列对图卷积神经网络
‑
时域卷积神经网络模型进行训练和验证；S4：将待分类的fMRI图像输入完成训练和验证的图卷积神经网络
‑
时域卷积神经网络模型中，实现对医学影像的分类。2.根据权利要求1所述的一种基于图网络时间序列的医学影像分类方法，其特征在于，在所述步骤S1中，采用DPARSF软件对原始fMRI图像进行预处理。3.根据权利要求1所述的一种基于图网络时间序列的医学影像分类方法，其特征在于，在所述步骤S1中，对预处理后的fMRI图像进行采样的过程具体为：假设采样的时间切片长度为k，算计选择开始帧为，最终采样得到一个样本片段为，重复上述步骤得到多个样本片段组成fMRI图像样本。4.根据权利要求1所述的一种基于图网络时间序列的医学影像分类方法，其特征在于，在所述步骤S2中，fMRI图像样本由每一个fMRI图像的多个时间切片组成，对于一个fMRI图像中的每一个时间切片，得到其fMRI图像样本对应的图网络时间序列过程具体为：S21：对于一个时间切片，按照脑区划分模板将人脑划分为多个感兴趣区域；将每个感兴趣区域作为一个顶点，得到顶点集；S22：将顶点集各个顶点间的相关性作为边，基于k
‑
s验证方法检验顶点与顶点间相关性大小作为边的强度，得到边集；S23：根据顶点集、边集构造出该时间切片的无向图；S24：重新选择一个时间切片，重复执行步骤S21
‑
步骤S24，得到一个fMRI图像中每一个时间切片的无向图，根据所有无向图得到该fMRI图像样本对应的图网络时间序列。5.根据权利要求4所述的一种基于图网络时间序列的医学影像分类方法，其特征在于，在所述步骤S2中，顶点集表示为 ，其中代表第个感兴趣区域，是感兴趣区域的个数；边集由邻接矩阵表示，其中，N表示顶点的数量，的值为顶点之间边的强度；具体的，根据感兴趣区域的BOLD信号和感兴趣区域的BOLD信号的k
‑
s验证方法验证得到的p
‑
value值作为顶点之间边的强度，k
‑
s验证方法能用于检验两个感兴趣区域中的数据是否服从相同分布，若p
‑
value值越小，说明两个感兴趣区域的相关性越小；所述p
‑
value值的计算过程具体为：设感兴趣区域的BOLD信号为，感兴趣区域的BOLD信号为，其中分别是感兴趣区域的BOLD信号和感兴趣区域的BOLD信号的个数，两个感兴趣区域的BOLD信号总数；将感兴趣区域的BOLD信号从小到大排序，重新编号得到个排序后的BOLD信号：，同理得到
非降序的感兴趣区域的BOLD信号：；设是感兴趣区域的经验分布函数：其中，为感兴趣区域中小于等于的BOLD信号的个数；同理得到感兴趣区域的经验分布函数：其中，为感兴趣区域中小于等于的BOLD信号的个数；计算k
‑
s验证方法的验证统计量：： 其中，是感兴趣区域的BOLD信号的经验分布的感兴趣区域的BOLD信号的经验分布之差的绝对值的最大值，最后，计算感兴趣区域和感兴趣区域的BOLD信号的k
‑
s验证p
‑
value值：其中Z是验证统计量，e是自然常数。6.根据权利要求4所述的一种基于图网络时间序列的医学影像分类方法，其特征在于，所述步骤S3具体包括以下步骤：S31：分别构建图卷积神经网络和时域卷积神经网络，将其组成图卷积神经网络
‑
时域卷积神经网络模型；S32：将图网络时间序列的一部分作为训练集，剩下部分作为验证集；S33：利用训练集对图卷积神经网络
‑
时域卷积神经网络模型进行训练；S34：在训练过程中，图卷积神经网络
‑
时域卷积神经网络模型通过验证集进行验证，将验证集中准确率最高的参数作为图卷积神经网络
‑
时域卷积神经网络模型的参数，完成对图卷积神经网络
‑
时域卷积神经网络模型的训练；在训练过程中，由构建图卷积神经网络提取图网络时间序列的图特征，将图特征输入到时域卷积神经网络中，得到分类结...

【专利技术属性】
技术研发人员：潘丹，骆根强，张怡聪，容华斌，曾安，
申请(专利权)人：广东技术师范大学，
类型：发明
国别省市：