【技术实现步骤摘要】
本专利技术涉及大脑功能剖分领域，尤其涉及一种大脑图像处理方法及装置。
技术介绍
1、大脑包含复杂的功能网络和功能单元，大脑功能单元定义是有效探究大脑功能的前提，越来越多的研究人员致力于大脑功能剖分的研究。聚类算法作为一种非监督学习算法，逐渐成为当前大脑功能剖分的主要趋势。
2、k-均值聚类或谱聚类作为常用的聚类算法，在大脑功能剖分中被广泛应用。而这两种典型的聚类方法在用于剖分时，经常会产生不连续的子区(离散点)。虽然这种情况可以通过选择感兴趣区域、层次聚类、或概率图谱等方式来避免，但这样一来就不能保证得到的子区边界是清晰和准确的，这也是刻画通用脑模板的一大挑战。在k-均值和谱聚类中，聚类数是提前给定的，这可能导致最终的聚类结果不能反映数据本质的聚类结构。另一种保证子区空间连续的常用方法是施加一定的距离约束(或邻接约束)，这种策略被普遍运用在体素聚类和皮层顶点聚类中。然而，距离约束是一种人为施加的约束，至少有两个理由要避免施加距离约束，一是在功能磁共振数据的预处理中包含了空间平滑，已经引入了足够的空间相关性，施加距离约束虽然会进一步增加空间一致性，却也会使得功能边界变模糊，从而增加剖分的难度；二是施加距离约束意味着在模型中增加了额外的参数，一个特定的距离约束对剖分结果有多大程度的影响也是很难估计的，而且过度使用距离约束可能使得剖分结果更多是基于空间结构而非功能连接。很多剖分研究忽略了施加距离约束的后果，只有少部分研究提到了距离约束会导致剖分子区趋于圆形或球形，但没有提出彻底解决这一问题的办法。也有研究通过在多模态mri
技术实现思路
1、本专利技术所要解决的技术问题在于，提供一种大脑图像处理方法及装置，对噪声有很好的鲁棒性，得到的脑区剖分没有离散点，并且能自动确定聚类数目，实现对大脑图像的自动分区。
2、为了解决上述技术问题，本专利技术实施例第一方面公开了一种大脑图像处理方法，所述方法包括：
3、s1，获取大脑图像数据；
4、s2，对所述大脑图像数据进行预处理，得到预处理大脑图像数据；
5、s3，对所述预处理大脑图像数据进行处理，得到大脑分区功能连接数据；
6、s4，利用图像特征数据降维模型，对所述大脑分区功能连接数据进行降维处理，得到大脑图像降维数据；
7、s5，利用大脑图像剖分算法模型，对所述大脑图像降维数据进行处理，得到大脑图像剖分数据。
8、作为一种可选的实施方式，在本专利技术实施例第一方面中，所述对所述大脑图像数据进行预处理，得到预处理大脑图像数据，包括：
9、s21，对所述大脑图像数据进行空间校正处理，得到第一预处理数据；
10、s22，对所述第一预处理数据进行头动校正处理，得到第二预处理数据；
11、s23，对所述第二预处理数据进行畸变校正处理，得到第三预处理数据；
12、s24，对所述第三预处理数据进行空间标准化处理，得到第四预处理数据；
13、s25，对所述第四预处理数据进行空间平滑处理，得到第五预处理数据；
14、s26，对所述第五预处理数据进行时域滤波处理，得到所述预处理大脑图像数据；
15、作为一种可选的实施方式，在本专利技术实施例第一方面中，所述对所述预处理大脑图像数据进行处理，得到大脑分区功能连接数据，包括：
16、s31，利用图像预分割模型，对所述预处理大脑图像数据进行预分割处理，得到大脑图像预分割数据；
17、s32，利用大脑图像分割模型，对所述大脑图像预分割数据进行处理，得到所述大脑图像分割数据；
18、s33，利用功能连接矩阵模型，对所述大脑图像分割数据进行处理，得到所述大脑分区功能连接数据；
19、所述功能连接矩阵模型为：
20、
21、其中，mi,k为所述大脑分区功能连接数据，i为体素个数，j为时间序列数，k为所述大脑分区模块数。
22、作为一种可选的实施方式，在本专利技术实施例第一方面中，所述图像预分割模型，包括：数据输入层、第一归一化层、第一卷积层、最大池化层、第二归一化层、第二卷积层、数据扩展层、第三卷积层、第三归一化层和数据输出层；
23、所述数据输入层，用于接收所述预处理大脑图像数据；所述数据输入层的输出端，与所述第一卷积层的输入端连接；所述第一卷积层的输出端，分别与所述第一池化层的输入端和所述数据扩展层的输入端连接；所述第一池化层的输出端，与所述第一归一化层的输入端连接；所述第一归一化层的输出端，与所述第二卷积层的输入端连接；所述第二卷积层的输出端，与所述数据扩展层的输入端连接；所述数据扩展层的输出端，与所述第三卷积层的输入端连接；所述第三卷积层的输出端，与所述第三归一化层的输入端连接；所述第三归一化层的输出端，与所述输出层的输入端连接；所述数据输出层，用于接收所述第三归一化层输出的所述大脑图像预分割数据，并发送至所述大脑图像分割模型。
24、作为一种可选的实施方式，在本专利技术实施例第一方面中，所述大脑图像分割模型，包括：数据输入模块、第一特征提取模块、多特征融合模块、第一卷积模块、第一注意力处理模块、第二注意力处理模块、第三注意力处理模块、第二卷积模块和分割结果输出模块；
25、所述数据输入模块，用于接收所述大脑图像预分割数据；所述数据输入模块的输出端，与所述第一特征提取模块的输入端连接；所述第一特征提取模块的输出端，与所述多特征融合模块、第一注意力处理模块、第二注意力处理模块和第三注意力处理模块的输入端分别连接；所述多特征融合模块的输出端，与所述第一卷积模块的输入端连接；所述第一卷积模块的输出端，与所述第一注意力处理模块的输入端连接；所述第一注意力处理模块的输出端，与所述第二注意力处理模块的输入端连接；所述第二注意力处理模块的输出端，与所述第三注意力处理模块的输入端连接；所述第三注意力处理模块的输出端，与所述第二卷积模块的输入端连接；所述第二卷积模块的输出端，与所述分割结果输出模块的输入端连接；所述分割结果输出模块，用于接收所述第二卷积模块输出的所述大脑图像分割数据，并发送至所述功能连接矩阵模型；
26、所述第一特征提取模块，包括第一特征提取卷积层、第一特征提取池化层、第二特征提取卷积层、第二特征提取池化层、第三特征提取卷积层、第四特征提取卷积层、第五特征提取卷积层、第三特征提取池化层、第一特征提取全连接层、第二特征提取全连接层和第三特征提取全连接层；所述第一特征提取卷积层、第一特征提取池化层、第二特征提取卷积层、第二特征提取池化层、第三特征提取卷积层、第四特征提取卷积层、第五特征提取本文档来自技高网...
【技术保护点】
1.一种大脑图像处理方法，其特征在于，所述方法包括：
2.根据权利要求1所述的大脑图像处理方法，其特征在于，所述对所述大脑图像数据进行预处理，得到预处理大脑图像数据，包括：
3.根据权利要求1所述的大脑图像处理方法，其特征在于，所述对所述预处理大脑图像数据进行处理，得到大脑分区功能连接数据，包括：
4.根据权利要求3所述的大脑图像处理方法，其特征在于，所述图像预分割模型，包括：数据输入层、第一归一化层、第一卷积层、最大池化层、第二归一化层、第二卷积层、数据扩展层、第三卷积层、第三归一化层和数据输出层；
5.根据权利要求1所述的大脑图像处理方法，其特征在于，所述利用图像特征数据降维模型，对所述大脑分区功能连接数据进行降维处理，得到大脑图像降维数据，包括：
6.根据权利要求1所述的大脑图像处理方法，其特征在于，所述利用大脑图像剖分算法模型，对所述大脑图像降维数据进行处理，得到大脑图像剖分数据，包括：
7.根据权利要求6所述的大脑图像处理方法，其特征在于，所述利用样本数据，对所述大脑图像剖分算法模型进行训练，得到大
8.根据权利要求1所述的大脑图像处理方法，其特征在于，所述大脑图像剖分算法模型为：
9.一种大脑图像处理装置，其特征在于，所述装置包括：图像获取模块、图像数据预处理模块、连接矩阵获取模块、图像数据降维处理模块和大脑图像剖分处理模块；
10.一种大脑图像处理装置，其特征在于，所述装置包括：
...【技术特征摘要】
1.一种大脑图像处理方法，其特征在于，所述方法包括：
2.根据权利要求1所述的大脑图像处理方法，其特征在于，所述对所述大脑图像数据进行预处理，得到预处理大脑图像数据，包括：
3.根据权利要求1所述的大脑图像处理方法，其特征在于，所述对所述预处理大脑图像数据进行处理，得到大脑分区功能连接数据，包括：
4.根据权利要求3所述的大脑图像处理方法，其特征在于，所述图像预分割模型，包括：数据输入层、第一归一化层、第一卷积层、最大池化层、第二归一化层、第二卷积层、数据扩展层、第三卷积层、第三归一化层和数据输出层；
5.根据权利要求1所述的大脑图像处理方法，其特征在于，所述利用图像特征数据降维模型，对所述大脑分区功能连接数据进行降维处...
【专利技术属性】
技术研发人员：于文东，耿震，张美红，马天丹，闫慧炯，张世月，黄如强，王宁慈，秦祎昕，
申请(专利权)人：天津滨海人工智能创新中心，
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。