一种功能连接网络的构建方法、系统及电子设备技术方案

本发明专利技术公开了一种功能连接网络的构建方法、系统及电子设备，包括：利用变分自编码网络通过无监督学习的方式对每个大脑感兴趣区域建立多元高斯分布概率模型，利用Jensen

【技术实现步骤摘要】
一种功能连接网络的构建方法、系统及电子设备


[0001]本专利技术涉及图像处理、模式识别
，具体涉及一种功能连接网络的构建方法、系统及电子设备。

技术介绍

[0002]阿尔茨海默症(AD)是一种不可逆的慢性神经退行性疾病，临床特征为认知和记忆功能进行性衰退，其发病速率缓慢，往往不容易被人察觉。
[0003]而轻度认知障碍(MCI)是介于健康人和阿尔茨海默症(AD)之间的一种疾病，通常被认为是阿尔茨海默症(AD)的前驱阶段。正确诊断轻度认知障碍(MCI)不仅改善老年人的生活质量，而且能够及早的预防AD的发生。
[0004]为了提高MCI诊断的准确性，一般需要构建高效的功能连接网络FCN，而传统的构建功能连接网络(FCN)的方法，如皮尔逊相关和稀疏表示方法等，虽然这些方法极大地促进了FCN估计模型的发展，提高了MCI诊断的准确性，但是由于观察到的数据(例如，血氧合水平依赖(BOLD)时间序列)包含复杂的噪声以及人为因素和不同受试者之间的个体差异，如何构建生物学上有意义且具有鲁棒性的功能连接网络FCN，仍然是一个具有挑战的问题。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种功能连接网络的构建方法，其特征在于，包括：S1：从ADNI数据库中选出符合标准的轻度认知障碍和正常对照组的rs
‑
fMRI数据；S2：对选出来的rs
‑
fMRI数据进行预处理，并使用AAL模板提取感兴趣区域的平均时间序列；S3：构建基于生成学习的脑功能网络，通过生成网络VAE得到各个脑区不同维度的高斯分布，利用Jensen
‑
Shannon散度计算任意两个脑区概率分布之间的相似性程度，得到成对脑区的邻接矩阵；S4：对得到的脑功能网络采用双样本t
‑
检验来选择具有较高区分度的特征集；S5：利用adaboost增强方式对不同维度模型的特征集训练的支持向量机分类器进行联合，得到一个强分类器，利用所述强分类器对轻度认知障碍MCI进行分类诊断。2.根据权利要求1所述的功能连接网络的构建方法，其特征在于，所述对选出来的rs
‑
fMRI数据进行预处理包括：去除时间点、时间层校正、头动校正、空间标准化、空间平滑、去除线性漂移、滤波、去除协变量和提取感兴趣区域。3.根据权利要求2所述的功能连接网络的构建方法，其特征在于，在步骤S2中，数据预处理具体包括：步骤S
21
：每个受试者的前10个rs
‑
fMRI图像被丢弃；步骤S
22
：对剩余图像进行校正，以消除头部运动的影响；步骤S
23
：在0.01～0.1Hz之间进行空间归一化、平滑和带通滤波；步骤S
24
：对脑脊液信号和白质进行回归，并且剔除帧方向位移大于0.5mm的受试者；步骤S
25
：基于AAL模板将BOLD时间序列信号划分为90个感兴趣区域ROI。4.根据权利要求1所述的功能连接网络的构建方法，其特征在于，在步骤S3中，所述构建基于生成学习的脑功能网络具体包括：步骤S
31
：以无监督学习的方式训练生成网络VAE；所述步骤S
31
具体为：以感兴趣区域ROI的平均时间序列作为输入，经过编码器得到潜在空间中的多元高斯分布；使用重参数方式从所述潜在空间中采样得到向量；将所述向量输入到解码器中，以重构原始数据或生成新数据；生成网络VAE的损失函数由两部分组成，重构误差以及使潜在空间规则的正则化项，表示如下：其中，x是生成网络VAE的输入，即感兴趣区域ROI的平均时间序列；是生成网络的输出，即重构的结果；参数μ
x
代表输入到生成网络VAE的平均均值、σ
x
代表输入到生成网络VAE的协方差，函数D
KL
()代表使潜在空间规则的正则化函数，N()代表多元高斯分布；步骤S
32
：使用训练好的生成网络VAE的编码器来获得相应脑区的多元高斯函数的均值和协方差；令P1和P2为两个感兴趣区域ROI的概率密度函数，均是由生成网络VAE得到的且相互独立的多元高斯分布，则：
P1＝N(x|μ1,∑1)P2＝N(x|μ2,∑2)其中：x是生成网络VAE的输入，即感兴趣区域ROI的平均时间序列，u1是第一脑区的多元高斯函数的均值，Σ1为第一脑区的多元高斯函数的协方差，u2是是第二脑区的多元高斯函数的均值，Σ2为第二脑区的多元高斯函数的协方...

【专利技术属性】
技术研发人员：唐奇伶，蔡碧莲，卢玉红，王艳，
申请(专利权)人：中南民族大学，
类型：发明
国别省市：