一种脑网络的预测方法技术

本发明专利技术涉及图像处理技术领域，具体为一种脑网络的预测方法

【技术实现步骤摘要】
一种脑网络的预测方法、系统、设备和存储介质


[0001]本专利技术涉及图像处理
，具体为一种脑网络的预测方法
、
系统
、
设备和存储介质
。

技术介绍

[0002]功能脑网络研究作为神经科学领域的重要分支，旨在深入探究大脑不同区域之间的相互联系及其在认知
、
情感和行为等方面的作用
。
在过去几十年里，随着神经影像技术的不断发展，脑网络研究取得了较大进展
。
其中，功能磁共振成像（
functional magnetic resonance imaging
，
fMRI
）作为一种非侵入性的神经影像技术，已成为研究大脑功能连通性网络（
Functional Connectivity Network
，
FCN
）的重要工具
。
基于
fMRI
的脑网络技术在挖掘大脑工作机制，疾病分析等诸多研究中被证明具有很高的应用价值或者潜力
。
[000本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种脑网络的预测方法，其特征在于，包括如下操作：
S1、
获取大脑的，
T1
加权成像的影像组学特征和形态学脑网络，所述影像组学特征经线性处理后，得到线性影像组学特征；所述线性影像组学特征，与经过第一特征提取处理的线性影像组学特征和形态学脑网络，进行残差连接处理，得到深度特征矩阵；
S2、
所述深度特征矩阵经皮尔逊相关性处理，得到深度特征连接；所述深度特征连接经线性处理后，得到线性深度特征连接；所述线性深度特征连接，与经过第二特征提取处理的线性深度特征连接和形态学脑网络，进行残差连接处理和多线性变化处理，得到预测功能连通性网络；
S3、
获取大脑的功能磁共振成像，基于所述功能磁共振成像，得到目标功能连通性网络；所述预测功能连通性网络学习目标功能连通性网络的特征，当所述预测功能连通性网络和目标功能连通性网络之间的特征损失熵小于阈值时，输出预测结果
。2.
根据权利要求1所述的脑网络的预测方法，其特征在于，所述
S1
中第一特征提取的操作具体为：基于所述线性影像组学特征和形态学脑网络，构建图结构；获取所述图结构中的重要边表达和高维特征矩阵，经参数丢失和非线性处理后，执行所述
S1
中残差连接处理的操作
。3.
根据权利要求1所述的脑网络的预测方法，其特征在于，所述
S1
的操作之后，还包括：所述深度特征矩阵经线性处理后得到的线性深度特征矩阵，与经过第三特征提取处理的线性深度特征矩阵和形态学脑网络，进行残差连接处理，得到优化深度特征矩阵；所述优化深度特征矩阵用于执行所述
S2
中的操作
。4.
根据权利要求1所述的脑网络的预测方法，其特征在于，所述
S1
中获取大脑的，
T1
加权成像的影像组学特征和形态学脑网络的操作具体为：所述
T1
加权成像经线性配准和非线性配准处理后，提取不同脑区的纹理特征和强度特征，得到所述影像组学特征；所述影像组学特征经过皮尔逊相关性处理和
L2,1
范式处理，得到所述形态学脑网络
。5.
根据权利要求1所述的脑网络的预测方法，其特征在于，所述
S2
中多线性变化处理的操作具体为：将经过残差连接处理后的输入，依次进行第一线性处理
...

【专利技术属性】
技术研发人员：郑强，宋志伟，王璇，
申请(专利权)人：烟台大学，
类型：发明
国别省市：