【技术实现步骤摘要】
本专利技术涉及医学信号处理领域，尤其涉及一种基于深度聚类网络的纹状体分区功能表征方法。
技术介绍
1、大脑是最为复杂的生物组织之一，认识和理解大脑是当前国内外的研究热点。对比其他非手术脑功能检测技术，如正电子发射断层成像、脑电图和脑磁图，功能性磁共振成像(fmri，functional magnetic resonance imaging)作为一种非侵入式手段，具有空间分辨率高和安全稳定的特点，被广泛应用在神经与大脑相关的研究中。
2、大脑各个部分的区分与整合形成了大脑的各种高级功能，因此尽可能精确的划分大脑区域是理解人类大脑的基础。由于全脑体素数量过多，计算开销过大而且可解释性低，难以将大脑的所有体素在一起进行分析，因此便需要首先定义各种功能不同的大脑区域再进行分析和建模。由于体素间存在大量冗余信息量，因此可以通过降低维数来精炼体素中的信息，进而提升聚类算法的效率与效果。
3、目前为止，已经有很多被提出的功能分区的方法。其中之一是根据医学解剖的图像或模板手动划分子区，例如brodmann图谱和aal图谱，但需要耗费较高的时间成本，并且不可避免地容易受到划分者个人的经验和主观意识的影响。再者也不能保证脑区各体素结构上的统一性与体素各功能的同质性相一致。另一种方法是基于体素间的连接划分子区。常用的方法包括k-means、谱聚类(ncut)和层次聚类等。虽然这三种算法可以得到功能同质性较强的子区，但是可重复性较差，计算花销大，未考虑空间连续性等要求，而且这些聚类方法通常在原始空间上进行，并没有学习数据的非线性
技术实现思路
1、本专利技术是为了解决上述现有技术存在的不足之处，提出一种基于深度聚类网络的纹状体分区功能表征方法，以期能得到更稳定，更连续的，可迁移性，可解释性更好的纹状体划分，从而能促进对纹状体功能区域表征的认识潜力。
2、本专利技术为达到上述专利技术目的，采用如下技术方案：
3、本专利技术一种基于深度聚类网络的纹状体分区功能表征方法的特点在于，是按如下步骤进行：
4、步骤1：采集任一受试者大脑上各个区域的静息态功能磁共振信号并进行平均处理后，得到全脑各区域的平均磁共振信号y＝{yj|j＝1,2,…,j}，yj表示受试者全脑第j个区域的平均磁共振信号；
5、从所述静息态功能磁共振信号y中提取纹状体区域信号p＝{pj|j＝1,2,…,j}，pj表示受试者第j个纹状体区域的磁共振信号；
6、利用皮尔逊系数计算第j个纹状体区域的磁共振信号pj与全脑第j个区域的平均磁共振信号yj之间的相关性，得到第j个功能连接矩阵其中，为xj的第i列元素，表征第j个区域第i个体素的功能连接值，n为纹状体区域中体素的数量；
7、步骤2：利用深度聚类网络对样本数据进行联合降维与聚类；
8、步骤2.1：基于xj对自编码器进行预训练，得到预训练后的自编码器；
9、步骤2.2：将xj输入预训练后的自编码器中，并得到第j个最优低维特征矩阵z'j；
10、在体素数量维度上对z'j进行kmeans聚类，得到第j个区域的n个分区；
11、根据n个分区生成第j个区域的分区标签sj，若第i个体素属于第k个分区，则令sj中第i行第k列的元素否则，令
12、将第j个区域的n个分区的聚类中心矩阵记为其中，表示第j个区域的第k个分区中的聚类中心；
13、步骤2.3：利用式(2)计算第i个体素和第i'个体素之间受试者无关的邻接距离d(vi,vi')：
14、
15、式(2)中，vi为第i个体素的空间坐标，vi'为第i'个体素的空间坐标，dist表示欧氏距离；δ为阈值；
16、步骤2.4：将各个体素作为顶点，将各个体素之间的邻接距离作为边，从而构建与受试者无关的加权无向图g；利用最小距离算法计算加权无向图g内任意第i个顶点和第i'个顶点之间与受试者无关的流形距离di,i'；
17、步骤2.5：利用式(3)计算第j个区域的第k个分区的空间中心
18、
19、式(3)中，表示第j个区域的第k个分区内的体素集合；
20、步骤2.6：构建算深度聚类网络在第j个区域的总损失lj，并根据所述总损失lj对深度聚类网络的网络参数进行反向调节，得到调节后的网络参数；
21、步骤2.7：保持调节后的网络参数，并更新第j个区域的聚类中心矩阵mj和分区标签sj：
22、步骤2.8：按照步骤2.6步骤2.7的过程，将j个功能连接矩阵x1,x2,...,xj依次输入网络进行训练直至总损失l收敛为止，从而得到最优纹状体分区模型，用于对待测的功能连接矩阵进行处理，得到最优分区标签；
23、步骤3：利用所述最优纹状体分区模型中的解码器对所述最优纹状体分区模型对应的最优聚类中心矩阵进行重建，得到重构聚类中心矩阵其中，表示第k个分区的重构聚类中心；
24、设置第k个分区的阈值θk，并将中大于θk的一部分值所对应的位置与已知皮质网络的空间重叠程度来确定纹状体对应子区的功能。
25、本专利技术所述的基于深度聚类网络的纹状体分区功能表征方法的特点也在于，所述步骤2.1包括：
26、步骤2.1.1：构建自编码器，包括：一个r层的编码器和一个r层的解码器；
27、所述编码器对第j个功能连接矩阵xj进行处理后，得到第j个低维特征矩阵zj；
28、所述解码器对zj进行处理后，得到xj的重构矩阵其中，为的第i列元素，表征第j个区域第i个体素的重构功能连接值；
29、步骤2.1.2：利用式(1)构建第j个区域的重构损失lj,r：
30、
31、式(1)中，||||2表示l2范数；
32、步骤2.1.3：将j个功能连接矩阵x1,x2,...,xj依次输入所述自编码器中进行预训练，并计算重构损失{lj,r|j＝1,2,…,j}以更新网络参数，直到重构损失收敛为止，从而得到预训练后的自编码器。
33、所述步骤2.6包括：
34、步骤2.6.1：利用式(4)构建第j个区域的聚类损失lj,c：
35、
36、式(4)中，表示z'j中第i列元素，表示sj中第i行元素，t代表转置；
37、步骤2.6.2：利用式(5)构建第j个区域的空间损失lj.s：
38、
39、式(5)中，表示第j个区域的第k个分区内的体素集合中的第i个顶点与第k个分区的空间中心ck之间的流形距离；
40、步骤2.6.3：利用式(6)构建第j个区域的总损失lj，并根据本文档来自技高网...
【技术保护点】
1.一种基于深度聚类网络的纹状体分区功能表征方法，其特征在于，是按如下步骤进行：
2.根据权利要求1所述的基于深度聚类网络的纹状体分区功能表征方法，其特征在于，所述步骤2.1包括：
3.根据权利要求2所述的基于深度聚类网络的纹状体分区功能表征方法，其特征在于，所述步骤2.6包括：
4.根据权利要求3所述的基于深度聚类网络的纹状体分区功能表征方法，其特征在于，所述步骤2.7包括：
5.一种电子设备，包括存储器以及处理器，其特征在于，所述存储器用于存储支持处理器执行权利要求1-4中任一所述纹状体分区功能表征方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
6.一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行权利要求1-4中任一所述纹状体分区功能表征方法的步骤。
【技术特征摘要】
1.一种基于深度聚类网络的纹状体分区功能表征方法，其特征在于，是按如下步骤进行：
2.根据权利要求1所述的基于深度聚类网络的纹状体分区功能表征方法，其特征在于，所述步骤2.1包括：
3.根据权利要求2所述的基于深度聚类网络的纹状体分区功能表征方法，其特征在于，所述步骤2.6包括：
4.根据权利要求3所述的基于深度聚类网络的纹状体分区功能表征方法，其特征在于，所...
【专利技术属性】
技术研发人员：刘爱萍，姜永翔，李煜，陈勋，吴乐，
申请(专利权)人：中国科学技术大学，
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。