【技术实现步骤摘要】
本申请涉及信息处理，尤其涉及一种任务态功能磁共振影像层次化建模的方法及装置。
技术介绍
1、随着神经影像技术的不断发展，任务型功能磁共振成像(task-based functionalmagnetic resonance imaging，tfmri)已成为研究人类大脑功能网络和认知行为的重要手段。然而，tfmri数据的复杂性和高维性使得其分析和建模变得非常具有挑战性。目前，已经有许多方法被提出来处理tfmri数据，包括基于模型的方法(如通用线性模型)和基于数据的方法(如独立成分分析和稀疏字典学习)。然而，这些方法都存在一些问题和局限性。
2、首先，基于模型的方法需要先假设一个模型，然后根据数据来拟合模型参数。这种方法的缺点是需要先对数据进行假设，而且模型的假设可能与实际情况不符，导致建模结果不准确。其次，基于数据的方法虽然不需要对数据进行假设，但是它们通常只能建立浅层模型，无法很好地模拟大脑功能网络的层次结构。此外，这些方法通常需要手动选择特征或字典，这可能会导致建模结果的偏差。
3、为了解决这些问题，深度学习技术被引入到tfmri数据分析中。深度学习是一种基于多层神经网络的机器学习方法，它可以自动学习数据的高级特征，从而更好地建模复杂的数据结构。其中，卷积神经网络(convolutional neural network，cnn)是一种特殊的深度学习结构，它可以自动提取图像数据中的特征。因此，cnn被广泛应用于图像识别和计算机视觉领域。
4、然而，将cnn应用于tfmri数据分析也存在一些问
技术实现思路
1、本申请提供一种任务态功能磁共振影像层次化建模的方法及装置，以解决相关技术中存在的问题。
2、第一方面，本专利技术提供一种任务态功能磁共振影像层次化建模的方法，包括获取大脑tfmri信号，并对所述tfmri信号进行预处理；将预处理后的信号输入至训练完成的模型中，输出重建后的数据；其中，训练完成的模型包括：将预处理后的信号映射为目标特征的编码器、以及基于所述目标特征进行重建的解码器；其中，所述编码器和解码器之间通过全连接层连接。
3、可选地，所述编码器包括预设层数的卷积层，在第一层卷积层后的每一层之间可执行最大池化操作；所述解码器包括预设层数的卷积层，在各卷积层之间可执行反池化操作。
4、可选地，当预处理后的信号输入至编码器后，编码器中的第i个特征以卷积方式计算：zi＝f(pi*x+bi)，其中，*表示一维卷积，pi和bi分别为第i个特征的滤波器和偏置，使用整流非线性单元作为激活函数。
5、可选地，所述编码器中的隐藏层h的计算方式为h＝z×w+c，其中，z表示从下层卷积层获得的整个特征映射，w和c分别是所述全连接层的权重和偏置。
6、可选地，在所述解码器中，所述全连接层将隐藏层h重塑为特征映射z的重构版本z'：z'＝h×w'+c'，其中，w'和c'分别表示解码器中全连接层的权重和偏置；所述解码器还对重构后的特征进行线性组合，得到重构后的信号。
7、可选地，在对所述模型训练时，在编码器顶层的特征映射和解码器底层的特征映射之间增加正则项，
8、可选地，当模型训练完成后，基于预设的脑反应理论模型对模型进行验证，其中，所述脑反应理论模型中通过延迟、导数、积分、逆运算将回归器r(t)扩展为回归器组，在所述回归器组中包含多种人脑功能反应。
9、可选地，当模型训练完成后，使用原始的所述大脑tfmri信号与重建的信号之间的皮尔逊相关系数，评估模型的性能。
10、第二方面，本专利技术提供一种任务态功能磁共振影像层次化建模的装置，包括预处理单元，被配置成获取大脑tfmri信号，并对所述tfmri信号进行预处理；重建单元，被配置成将预处理后的信号输入至训练完成的模型中，输出重建后的数据；其中，训练完成的模型包括：将预处理后的信号映射为目标特征的编码器、以及基于所述目标特征进行重建的解码器；其中，所述编码器和解码器之间通过全连接层连接。
11、第三方面，本专利技术提供一种计算机可读存储介质，所述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第一方面任一项所述的方法。
12、第四方面，本专利技术提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现第一方面提供的方法。
13、本专利技术公开了一种任务态功能磁共振影像层次化建模方法及装置，其中方法包括获取大脑tfmri信号，并对所述tfmri信号进行预处理；将预处理后的信号输入至训练完成的模型中，输出重建后的数据；其中，训练完成的模型包括：将预处理后的信号映射为目标特征的编码器、以及基于所述目标特征进行重建的解码器；其中，所述编码器和解码器之间通过全连接层连接。基于深度卷积的自动化算法即深度卷积自编码器(deepconvolutional auto-encoder，dcae)，可以自动学习tfmri数据的高级特征，模拟大脑功能网络的层次结构，克服了相关技术中存在的技术问题。
本文档来自技高网...【技术保护点】
1.一种任务态功能磁共振影像层次化建模的方法，其特征在于，包括：
2.根据权利要求1所述的任务态功能磁共振影像层次化建模的方法，其特征在于，所述编码器包括预设层数的卷积层，在第一层卷积层后的每一层之间可执行最大池化操作；所述解码器包括预设层数的卷积层，在各卷积层之间可执行反池化操作。
3.根据权利要求2所述的任务态功能磁共振影像层次化建模的方法，其特征在于，当预处理后的信号输入至编码器后，编码器中的第i个特征以卷积方式计算：zi＝f(pi*x+bi)，其中，*表示一维卷积，pi和bi分别为第i个特征的滤波器和偏置，使用整流非线性单元作为激活函数。
4.根据权利要求2所述的任务态功能磁共振影像层次化建模的方法，其特征在于，所述编码器中的隐藏层H的计算方式为H＝Z×W+C，其中，Z表示从下层卷积层获得的整个特征映射，W和C分别是所述全连接层的权重和偏置。
5.根据权利要求2所述的任务态功能磁共振影像层次化建模的方法，其特征在于，在所述解码器中，所述全连接层将隐藏层H重塑为特征映射Z的重构版本Z'：Z'＝H×W'+C'，其中，W'和C'分
6.根据权利要求1所述的任务态功能磁共振影像层次化建模的方法，其特征在于，在对所述模型训练时，在编码器顶层的特征映射和解码器底层的特征映射之间增加正则项，其中，X是一维tfMRI信号、表示X重构后的信号、是第一项为数据拟合项，是原始数据X与重构值之间的平方欧几里得距离一半、Z是从下层卷积层获得的整个特征映射、Z'是Z的重构版本。
7.根据权利要求6所述的任务态功能磁共振影像层次化建模的方法，其特征在于，当模型训练完成后，基于预设的脑反应理论模型对模型进行验证，其中，所述脑反应理论模型中通过延迟、导数、积分、逆运算将回归器r(t)扩展为回归器组，在所述回归器组中包含多种人脑功能反应。
8.根据权利要求6所述的任务态功能磁共振影像层次化建模的方法，其特征在于，当模型训练完成后，使用原始的所述大脑tfMRI信号与重建的信号之间的皮尔逊相关系数，评估模型的性能。
9.一种任务态功能磁共振影像层次化建模的装置，其特征在于，包括：
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述权利要求1～8任一项所述的方法。
...【技术特征摘要】
1.一种任务态功能磁共振影像层次化建模的方法，其特征在于，包括：
2.根据权利要求1所述的任务态功能磁共振影像层次化建模的方法，其特征在于，所述编码器包括预设层数的卷积层，在第一层卷积层后的每一层之间可执行最大池化操作；所述解码器包括预设层数的卷积层，在各卷积层之间可执行反池化操作。
3.根据权利要求2所述的任务态功能磁共振影像层次化建模的方法，其特征在于，当预处理后的信号输入至编码器后，编码器中的第i个特征以卷积方式计算：zi＝f(pi*x+bi)，其中，*表示一维卷积，pi和bi分别为第i个特征的滤波器和偏置，使用整流非线性单元作为激活函数。
4.根据权利要求2所述的任务态功能磁共振影像层次化建模的方法，其特征在于，所述编码器中的隐藏层h的计算方式为h＝z×w+c，其中，z表示从下层卷积层获得的整个特征映射，w和c分别是所述全连接层的权重和偏置。
5.根据权利要求2所述的任务态功能磁共振影像层次化建模的方法，其特征在于，在所述解码器中，所述全连接层将隐藏层h重塑为特征映射z的重构版本z'：z'＝h×w'+c'，其中，w'和c'分别表示解码器中全连接层的权重和偏置；所述解码器还对重构后的特征进行线性组合，得...
【专利技术属性】
技术研发人员：刘伟奇，马学升，陈金钢，张志敏，陈凯乐，陈韵如，
申请(专利权)人：浙江学时医疗科技有限公司，
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。