一种双协同学习的脑网络特征分类系统及其训练方法技术方案

本发明专利技术涉及医学图像分析及脑疾病计算机辅助诊断领域，提出一种双协同学习的脑网络特征分类系统及其训练方法，具体包括：利用自动解剖标记模板，基于脑区平均时间序列信号，采用皮尔逊相关系数构建静态和动态功能脑网络；使用双流网络分别提取功能脑网络的静态和动态特征表示；使用剪枝嫁接Transformer模块动态调整静态和动态功能脑网络之间和各自内部的特征；引入协同对比损失函数学习高水平的特征表示；使用一个多层感知机依据输出的高水平特征进行特征分类。本发明专利技术提出的脑网络特征分类系统及其训练方法不仅显著地提升特征分类性能，而且为大脑活动的交互动力学提供了新的见解。

【技术实现步骤摘要】

本专利技术涉及医学图像分析及脑疾病计算机辅助诊断领域，具体涉及一种双协同学习的脑网络特征分类系统及其训练方法。

技术介绍

1、阿兹海默症为老年人群中最常见的脑功能疾病之一。为此，研究者提出了诸多基于rs-fmri数据构建的功能脑网络的计算机辅助诊断方法。

2、为量化静息态功能磁共振成像(resting-state functional magneticresonance imaging，rs-fmri)时间序列中的神经元活动，大多数先前的功能连接研究都基于一个隐含的假设，即神经元活动在fmri扫描期间是静止的。这种方法得到的脑网络被称为静态功能脑网络，其能够较好地反映脑网络的空间拓扑信息。然而，脑网络的时间变化却被忽略，而这些变化可能与认知功能密切相关。为捕获脑网络的动态性，一些最新的研究采用滑动时间窗口技术，通过将时间序列划分为多个子序列从而得到动态功能脑网络。动态功能脑网络能够揭示脑网络的时间信息，但也可能引入噪声的功能连接影响。

3、事实上，静态功能连接和动态功能连接作为功能脑网络(functional brainnetwor本文档来自技高网...

【技术保护点】

1.一种双协同学习的脑网络特征分类系统，其特征在于，包括：

2.如权利要求1所述的一种双协同学习的脑网络特征分类系统，其特征在于：所述脑网络构建模块对于每个受试者样本，基于AAL模板将每个受试者的大脑划分为N个脑区，并依据rs-fMRI数据得到每个脑区的平均时间序列；所述静态功能脑网络描述脑网络的结构拓扑信息，所述动态功能脑网络通过时间窗口捕获脑网络的功能连接变化。

3.如权利要求1所述的一种双协同学习的脑网络特征分类系统，其特征在于：所述协同编码模块使用卷积神经网络作为特征提取器分别从静态功能脑网络和动态功能脑网络中依次提取边到边、边到点和点到图的分层特征。...

【技术特征摘要】

1.一种双协同学习的脑网络特征分类系统，其特征在于，包括：

2.如权利要求1所述的一种双协同学习的脑网络特征分类系统，其特征在于：所述脑网络构建模块对于每个受试者样本，基于aal模板将每个受试者的大脑划分为n个脑区，并依据rs-fmri数据得到每个脑区的平均时间序列；所述静态功能脑网络描述脑网络的结构拓扑信息，所述动态功能脑网络通过时间窗口捕获脑网络的功能连接变化。

3.如权利要求1所述的一种双协同学习的脑网络特征分类系统，其特征在于：所述协同编码模块使用卷积神经网络作为特征提取器分别从静态功能脑网络和动态功能脑网络中依次提取边到边、边到点和点到图的分层特征。

4.如权利要求1所述的一种双协同学习的脑网络特征分类系统，其特征在于：所述协同编码模块使用transformer模块...

【专利技术属性】
技术研发人员：接标，周杰，张志祥，岑至峰，李汪根，卞维新，杨杨，丁新涛，
申请(专利权)人：安徽师范大学，
类型：发明
国别省市：