本发明专利技术公开一种脑网络分类方法、系统、电子设备及介质，涉及脑网络分类领域，方法包括：获取待分类者的静息态功能磁共振成像数据；对静息态功能磁共振成像数据进行预处理，得到处理后的静息态功能磁共振成像数据；确定处理后的静息态功能磁共振成像数据的皮尔森相关性系数，得到待分类者的功能脑网络；根据功能脑网络，利用脑网络分类模型，确定待分类者的脑网络类别；其中，脑网络分类模型是利用训练数据集对图自编码器分类模型进行训练得到的；图自编码器分类模型包括嵌入跨群组高阶脑网络的图自编码器、解码器和全连接层分类器；跨群组高阶脑网络是根据受试者的功能脑网络和受试者的结构脑网络确定的。本发明专利技术提高了脑网络分类的准确性。
【技术实现步骤摘要】
本专利技术涉及脑网络分类领域，特别是涉及一种脑网络分类方法、系统、电子设备及介质。
技术介绍
1、大多数脑部疾病都具有广泛的结构和功能脑异常，探索脑部疾病引起的复杂网络拓扑变化在揭示神经病理疾病特征方面具有独特的优势，构建脑网络是研究不同脑区之间工作模式的有效手段。先前的研究表明，患者和正常人群之间的大脑网络拓扑特性存在显著差异，但揭示脑连接组从健康组到脑疾病患者的退化的潜在病理机制仍然是一个挑战。目前，脑网络分析方法已广泛应用于脑疾病的研究。在群体差异方面，现有研究主要考察两组个体之间复杂互动的差异。然而，现有的方法主要关注成对脑区之间的低阶相关性，忽略了多个脑区之间复杂的高阶信息。
2、脑活动是一个很复杂的过程，每个脑区会和很多脑区都有脑活动的交互，这种交互并不是单一的“一对一”关系，而是复杂的“多对多”关系，因此会形成一个庞大的脑网络，网络中的所有节点之间都会密切交织。所谓的低阶相关性，就是指“一对一”关系，如使用目前最主流的皮尔逊相关性系数构造的脑网络，每个元素表示的是两两脑区之间的相关性，并未考虑某个脑区和其他若干脑区的关系，所以忽略了“多对多”的高阶信息，从而导致脑网络分类不准确。
技术实现思路
1、本专利技术的目的是提供一种脑网络分类方法、系统、电子设备及介质，以提高脑网络分类的准确性。
2、为实现上述目的，本专利技术提供了如下方案：
3、一种脑网络分类方法，包括：
4、获取待分类者的静息态功能磁共振成像数据；
<
p>5、对所述静息态功能磁共振成像数据进行预处理，得到处理后的静息态功能磁共振成像数据；所述预处理包括校正、对齐、归一化和脑区划分；6、确定所述处理后的静息态功能磁共振成像数据的皮尔森相关性系数，得到所述待分类者的功能脑网络；
7、根据所述功能脑网络，利用脑网络分类模型，确定所述待分类者的脑网络类别；其中，所述脑网络分类模型是利用训练数据集对图自编码器分类模型进行训练得到的；所述训练数据集包括受试者的功能脑网络和对应的类别标签；所述图自编码器分类模型包括嵌入跨群组高阶脑网络的图自编码器、解码器和全连接层分类器；所述跨群组高阶脑网络是根据受试者的功能脑网络和受试者的结构脑网络确定的。
8、可选地，对所述静息态功能磁共振成像数据进行预处理，得到处理后的静息态功能磁共振成像数据，具体包括：
9、利用dparsf2.0的spm8工具箱对所述静息态功能磁共振成像数据校正、对齐、归一化到epi模板，得到归一化后的静息态功能磁共振成像数据；
10、使用aal模板对所述归一化后的静息态功能磁共振成像数据进行脑区划分，对每个脑区，将所有体素的平均静息态功能磁共振成像时间序列作为该脑区的时间序列，得到处理后的静息态功能磁共振成像数据。
11、可选地，确定所述处理后的静息态功能磁共振成像数据的皮尔森相关性系数，得到所述待分类者的功能脑网络，具体包括：
12、计算所述处理后的静息态功能磁共振成像数据的皮尔森相关性系数；
13、根据所述处理后的静息态功能磁共振成像数据的皮尔森相关性系数，确定所述待分类者的功能脑网络。
14、可选地，利用训练数据集对图自编码器分类模型进行训练，具体包括：
15、构建训练数据集；
16、基于所述训练数据集，利用十折交叉验证法，对所述图自编码器分类模型进行训练，得到脑网络分类模型。
17、可选地，构建训练数据集，具体包括：
18、获取受试者的静息态功能磁共振成像数据和弥散磁共振成像数据；
19、对所述受试者的静息态功能磁共振成像数据进行预处理，得到受试者的处理后的静息态功能磁共振成像数据；
20、利用panda套件对所述受试者的弥散磁共振成像数据进行失真校正，使用trackvis获得校正后的弥散磁共振成像数据的纤维图像，利用aal模板对弥散磁共振成像数据的纤维图像进行脑区划分，得到受试者的处理后的弥散磁共振成像数据；
21、根据所述受试者的处理后的静息态功能磁共振成像数据，计算所述受试者的功能脑网络；
22、根据所述受试者的处理后的弥散磁共振成像数据，计算所述受试者的结构脑网络；
23、根据所述受试者的功能脑网络、所述受试者的结构脑网络和对应的类别标签，构建训练数据集。
24、可选地，根据受试者的功能脑网络和受试者的结构脑网络确定跨群组高阶脑网络，具体包括：
25、将受试者划分为健康群组和患病群组；
26、根据所述健康群组的功能脑网络和所述患病群组的功能脑网络，计算所述健康群组的平均功能脑网络和所述患病群组的平均功能脑网络；
27、根据所述健康群组的结构脑网络，计算所述健康群组的平均结构脑网络；
28、利用pagerank算法，确定所述健康群组的平均功能脑网络的脑区中心性分布和所述患病群组的平均功能脑网络的脑区中心性分布；
29、根据所述健康群组的平均功能脑网络的脑区中心性分布、所述患病群组的平均功能脑网络的脑区中心性分布和所述健康群组的平均结构脑网络，确定所述跨群组高阶脑网络。
30、一种脑网络分类系统，包括：
31、数据获取模块，用于获取待分类者的静息态功能磁共振成像数据；
32、预处理模块，用于对所述静息态功能磁共振成像数据进行预处理，得到处理后的静息态功能磁共振成像数据；所述预处理包括校正、对齐、归一化和脑区划分；
33、功能脑网络确定模块，用于确定所述处理后的静息态功能磁共振成像数据的皮尔森相关性系数，得到所述待分类者的功能脑网络；
34、分类模块，用于根据所述功能脑网络，利用脑网络分类模型，确定所述待分类者的脑网络类别；其中，所述脑网络分类模型是利用训练数据集对图自编码器分类模型进行训练得到的；所述训练数据集包括受试者的功能脑网络和对应的类别标签；所述图自编码器分类模型包括嵌入跨群组高阶脑网络的图自编码器、解码器和全连接层分类器；所述跨群组高阶脑网络是根据受试者的功能脑网络和受试者的结构脑网络确定的。
35、一种电子设备，包括：存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行上述的脑网络分类方法。
36、一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述的脑网络分类方法。
37、根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
38、本专利技术提供的一种脑网络分类方法、系统、电子设备及介质，通过获取待分类者的静息态功能磁共振成像数据；对静息态功能磁共振成像数据进行预处理，得到处理后的静息态功能磁共振成像数据；确定处理后的静息态功能磁共振成像数据的皮尔森相关性系数，得到待分类者的功能脑网络；根据功能脑网络，利用脑网络分类模型，确定待分类者的脑网络本文档来自技高网
...
【技术保护点】
1.一种脑网络分类方法，其特征在于，包括：
2.根据权利要求1所述的脑网络分类方法，其特征在于，对所述静息态功能磁共振成像数据进行预处理，得到处理后的静息态功能磁共振成像数据，具体包括：
3.根据权利要求1所述的脑网络分类方法，其特征在于，确定所述处理后的静息态功能磁共振成像数据的皮尔森相关性系数，得到所述待分类者的功能脑网络，具体包括：
4.根据权利要求1所述的脑网络分类方法，其特征在于，利用训练数据集对图自编码器分类模型进行训练，具体包括：
5.根据权利要求4所述的脑网络分类方法，其特征在于，构建训练数据集，具体包括：
6.根据权利要求5所述的脑网络分类方法，其特征在于，根据受试者的功能脑网络和受试者的结构脑网络确定跨群组高阶脑网络，具体包括：
7.一种脑网络分类系统，其特征在于，包括：
8.一种电子设备，其特征在于，包括：存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行权利要求1-6任一项所述的脑网络分类方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-6任一项所述的脑网络分类方法。
...
【技术特征摘要】
1.一种脑网络分类方法，其特征在于，包括：
2.根据权利要求1所述的脑网络分类方法，其特征在于，对所述静息态功能磁共振成像数据进行预处理，得到处理后的静息态功能磁共振成像数据，具体包括：
3.根据权利要求1所述的脑网络分类方法，其特征在于，确定所述处理后的静息态功能磁共振成像数据的皮尔森相关性系数，得到所述待分类者的功能脑网络，具体包括：
4.根据权利要求1所述的脑网络分类方法，其特征在于，利用训练数据集对图自编码器分类模型进行训练，具体包括：
5.根据权利要求4所述的脑网络分类方法，其特征在于，构建训练数据集...
【专利技术属性】
技术研发人员：朱旗，于婧，李胜荣，陈枢，马凯，张道强，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：
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。