一种功能性磁共振成像数据的处理方法及装置制造方法及图纸

本发明专利技术公开了一种功能性磁共振成像数据的处理方法及装置，其中方法包括获取功能性磁共振成像数据，并对所述功能性磁共振成像数据进行预处理；基于预处理后的数据，利用预设的字典学习和稀疏编码规则重建功能性脑网络；对脑功能网络输入至训练完成的3D卷积神经网络模型中，输出对应的分类类型。本方式大大提高了识别准确率，提高了对功能性脑网络的自动识别能力，还为脑成像数据的深度学习建模开辟了新途径。克服了相关技术中缺乏有效描述大脑网络空间体积图的方法，处理大脑网络空间模式的变异和噪声存在困难，需要自动分类ICA结果以应对不同网络的挑战等问题。

【技术实现步骤摘要】

本申请涉及图像处理，尤其涉及一种功能性磁共振成像数据的处理方法及装置。

技术介绍

1、科学界的大部分研究着重于使用功能性磁共振成像(functional magneticresonance imaging，下称fmri)数据来探究人类的脑功能。fmri技术是一种非侵入性的神经影像学技术，通过测量血氧水平变化，来反映脑区活动水平。独立成分分析(independentcomponent analysis，下称ica)和稀疏表示法能从fmri数据中分离出多个同时存在的功能性脑网络。这两个方法是是目前广泛应用的技术，通过在线字典学习和稀疏编码算法，从个体脑的任务相关功能性磁共振成像(task-related functional magnetic resonanceimaging，下称tfmri)或静息态功能性磁共振成像(resting-state functional magneticresonance imaging，下称rsfmri)数据中分解出数百个具有时间序列和空间图特征的功能性脑网络。这两个方法，为了人们更好地理解脑功能，提供了强有力的工具。

<本文档来自技高网...

【技术保护点】

1.一种功能性磁共振成像数据的处理方法，其特征在于，包括：

2.根据权利要求1所述的功能性磁共振成像数据的处理方法，其特征在于，利用预设的字典学习和稀疏编码规则重建脑功能网络包括：

3.根据权利要求1所述的功能性磁共振成像数据的处理方法，其特征在于，所述3D卷积神经网络模型包括双层卷积层，其中，每个卷积层具有不同大小的卷积核，不同大小的3D滤波器，以及不同大小的步长；在每层卷积层后包括ReLU单元；

4.根据权利要求3所述的功能性磁共振成像数据的处理方法，其特征在于，在对所述3D卷积神经网络模型第一卷积层进行训练时，对预设个数不同类型、预设大小的滤波器...

【技术特征摘要】

1.一种功能性磁共振成像数据的处理方法，其特征在于，包括：

2.根据权利要求1所述的功能性磁共振成像数据的处理方法，其特征在于，利用预设的字典学习和稀疏编码规则重建脑功能网络包括：

3.根据权利要求1所述的功能性磁共振成像数据的处理方法，其特征在于，所述3d卷积神经网络模型包括双层卷积层，其中，每个卷积层具有不同大小的卷积核，不同大小的3d滤波器，以及不同大小的步长；在每层卷积层后包括relu单元；

4.根据权利要求3所述的功能性磁共振成像数据的处理方法，其特征在于，在对所述3d卷积神经网络模型第一卷积层进行训练时，对预设个数不同类型、预设大小的滤波器进行训练；

5.根据权利要求3所述的功能性磁共振成像数据的处理方法，其特征在于，对所述3d卷积神经网络模型进行训练时，目标损失函数为：

6.根据权利要求1所述...

【专利技术属性】
技术研发人员：刘伟奇，马学升，陈金钢，赵友源，仇壮，赵晓彤，
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：