【技术实现步骤摘要】
本专利技术涉及医学影像处理分析，具体为基于图连接和图节点的脑网络分类方法、系统和设备。
技术介绍
1、近年来，医学影像处理在计算机视觉领域的进步，推动医疗智能化的蓬勃发展。医学影像中的脑网络能够反映大脑内部神经元或神经细胞进行传输和处理的信息，广泛用于大脑功能、神经网络疾病、脑损伤等研究方面。从结构磁共振成像（尤其是t1加权成像）中获取的脑网络，特征不仅丰富，而且还能节约成本和提高检测分类效率。
2、现有技术当中，常使用图卷积神经网络（graph convolutional network，gcn）来分析t1加权成像的脑网络的拓扑结构，以帮助理解大脑的结构和功能，识别与疾病相关的潜在连接模式。然而，当前基于gcn的算法，仅适用于稀疏图脑网络中，无法关注脑网络中脑区之间的联系，导致脑网络信息的丧失，尤其是与疾病相关有价值的生物学信息的丧失，造成脑网络分类的准确率较低。
技术实现思路
1、本专利技术的目的是提供一种具有高分类准确率的基于图连接和图节点的脑网络分类方法、系统和设备。
2、本专利技术技术方案如下：
3、一种基于图连接和图节点的脑网络分类方法，包括如下操作：
4、s1、获取t1加权成像的灰质体积图，所述灰质体积图经脑区划分，并提取不同脑区的影像组学特征，不同脑区的影像组学特征分别经归一化处理后，进行矩阵构建，得到脑区影像组学特征矩阵；
5、s2、基于所述脑区影像组学特征矩阵，获取脑区之间的连通性，得到脑区间连接性矩阵
6、所述图连接处理的操作具体为：所述脑区间连接性矩阵经一维卷积和维度扩展处理，得到脑区间连接性多维矩阵；所述脑区间连接性多维矩阵经转置处理，得到脑区间连接性转置矩阵；所述脑区间连接性转置矩阵与脑区间连接性多维矩阵进行逐元素相加后，得到所述脑区间图连接性矩阵；
7、s3、脑区影像组学特征矩阵经多层感知机处理，得到脑区图节点特征矩阵；所述脑区图节点特征矩阵与脑区间图连接性矩阵经融合处理，得到融合特征脑网络；
8、s4、所述融合特征脑网络经平均池化处理、第一全连接层处理、第一非线性处理、第二全连接层处理和第二非线性处理，得到权重矩阵；所述权重矩阵与融合特征脑网络经逐元素相乘，得到脑网络注意力特征；脑网络注意力特征经脑区间维度的池化聚合处理，得到脑网络脑区间池化特征；所述脑网络脑区间池化特征经脑区维度的池化聚合处理，得到脑网络节点池化特征；
9、s5、所述脑网络节点池化特征经分类处理，得到脑网络分类结果。
10、s2中，脑区之间的连通性为不同脑区之间的直接连通性；不同脑区之间的直接连通性是基于不同脑区的影像组学特征和影像组学特征均值得到的。
11、s2中，脑区之间的连通性为，不同脑区之间的直接连通性，与不同脑区之间的间接连通性的加权后的和；不同脑区之间的直接连通性是基于不同脑区的影像组学特征和影像组学特征均值得到的；不同脑区之间的间接连通性，是不同脑区与中间脑区的直接连通性的加权后的和。
12、s4中脑区间维度的池化聚合处理，是通过将所述脑网络注意力特征中的每一个行向量进行加权求和处理实现的。
13、s4中脑区维度的池化聚合处理，是通过将所述脑网络脑区间池化特征中的所有数据进行加权求和处理得到的。
14、s2中的脑区间图连接性矩阵经图连接处理，得到优化脑区间图连接性矩阵；所述s3中的脑区图节点特征矩阵经多层感知机处理，得到优化脑区图节点特征矩阵；所述优化脑区图节点特征矩阵与优化脑区间图连接性矩阵和融合特征脑网络经融合处理，得到优化融合特征脑网络；所述优化融合特征脑网络用于执行s4中的操作。
15、所述优化脑区间图连接性矩阵经图连接处理，得到最优脑区间图连接性矩阵；所述优化脑区图节点特征矩阵经多层感知机处理，得到最优脑区图节点特征矩阵；所述最优脑区图节点特征矩阵与最优脑区间图连接性矩阵和融合特征脑网络经融合处理，得到最优融合特征脑网络；所述最优融合特征脑网络用于执行s4中的操作。
16、一种基于图连接和图节点的脑网络分类系统，包括：
17、脑区影像组学特征矩阵生成模块，用于获取t1加权成像的灰质体积图，所述灰质体积图经脑区划分，并提取不同脑区的影像组学特征，不同脑区的影像组学特征分别经归一化处理后，进行矩阵构建，得到脑区影像组学特征矩阵；
18、脑区间图连接性矩阵生成模块，用于基于所述脑区影像组学特征矩阵，获取脑区之间的连通性，得到脑区间连接性矩阵；所述脑区间连接性矩阵经图连接处理，得到脑区间图连接性矩阵；所述图连接处理的操作具体为：所述脑区间连接性矩阵经一维卷积和维度扩展处理，得到脑区间连接性多维矩阵；所述脑区间连接性多维矩阵经转置处理，得到脑区间连接性转置矩阵；所述脑区间连接性转置矩阵与脑区间连接性多维矩阵进行逐元素相加后，得到所述脑区间图连接性矩阵；
19、融合特征脑网络生成模块，用于脑区影像组学特征矩阵经多层感知机处理，得到脑区图节点特征矩阵；所述脑区图节点特征矩阵与脑区间图连接性矩阵经融合处理，得到融合特征脑网络；
20、脑网络节点池化特征生成模块，用于所述融合特征脑网络经平均池化处理、第一全连接层处理、第一非线性处理、第二全连接层处理和第二非线性处理，得到权重矩阵；所述权重矩阵与融合特征脑网络经逐元素相乘，得到脑网络注意力特征；脑网络注意力特征经脑区间维度的池化聚合处理，得到脑网络脑区间池化特征；所述脑网络脑区间池化特征经脑区维度的池化聚合处理，得到脑网络节点池化特征；
21、脑网络分类结果生成模块，用于所述脑网络节点池化特征经分类处理，得到脑网络分类结果。
22、一种基于图连接和图节点的脑网络分类设备，包括处理器和存储器，其中，所述处理器执行所述存储器中保存的计算机程序时实现上述的基于图连接和图节点的脑网络分类方法。
23、一种计算机可读存储介质，用于存储计算机程序，其中，所述计算机程序被处理器执行时实现上述的基于图连接和图节点的脑网络分类方法。
24、本专利技术的有益效果在于：
25、本专利技术提供的一种基于图连接和图节点的脑网络分类方法，首先，基于t1加权成像的脑区影像组学特征矩阵，获取不同脑区之间的连通性，组成脑区间连接性矩阵；然后，将图连接处理脑区间连接性矩阵后得到，能够反映脑区间复杂连接强度的脑区间图连接性矩阵，与既包含有脑区初始特征也包含有脑区潜在抽象特征的脑区图节点特征矩阵进行融合，得到特征丰富且表达能力较强的融合特征脑网络；接着，将融合特征脑网络进行全连接处理、非线性处理和加权处理，实现融合特征脑网络的自适应特征权重标定，得到脑网络注意力特征；接着，将脑网络注意力特征进行脑区间维度的池化聚合处理和脑区维度的池化聚合处理，得到表达能力强且还能提高计算效率的脑网络节点池化特征；最后，脑网络节点池化特征经分类处理，得到脑网络分类结果；该分类方本文档来自技高网...
【技术保护点】
1.一种基于图连接和图节点的脑网络分类方法，其特征在于，包括如下操作：
2.根据权利要求1所述的基于图连接和图节点的脑网络分类方法，其特征在于，所述S2中，脑区之间的连通性为不同脑区之间的直接连通性；不同脑区之间的直接连通性是基于不同脑区的影像组学特征和影像组学特征均值得到的。
3.根据权利要求1所述的基于图连接和图节点的脑网络分类方法，其特征在于，所述S2中，脑区之间的连通性为，不同脑区之间的直接连通性，与不同脑区之间的间接连通性的加权后的和；
4.根据权利要求1所述的基于图连接和图节点的脑网络分类方法，其特征在于，所述S4中脑区间维度的池化聚合处理，是通过将所述脑网络注意力特征中的每一个行向量进行加权求和处理实现的。
5.根据权利要求1所述的基于图连接和图节点的脑网络分类方法，其特征在于，所述S4中脑区维度的池化聚合处理，是通过将所述脑网络脑区间池化特征中的所有数据进行加权求和处理得到的。
6.根据权利要求1所述的基于图连接和图节点的脑网络分类方法，其特征在于，
7.根据权利要求6所述的基于图连接和图节点
8.一种基于图连接和图节点的脑网络分类系统，其特征在于，包括：
9.一种基于图连接和图节点的脑网络分类设备，其特征在于，包括处理器和存储器，其中，所述处理器执行所述存储器中保存的计算机程序时实现如权利要求1-7任一项所述的基于图连接和图节点的脑网络分类方法。
10.一种计算机可读存储介质，其特征在于，用于存储计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的基于图连接和图节点的脑网络分类方法。
...【技术特征摘要】
1.一种基于图连接和图节点的脑网络分类方法，其特征在于，包括如下操作：
2.根据权利要求1所述的基于图连接和图节点的脑网络分类方法，其特征在于，所述s2中，脑区之间的连通性为不同脑区之间的直接连通性；不同脑区之间的直接连通性是基于不同脑区的影像组学特征和影像组学特征均值得到的。
3.根据权利要求1所述的基于图连接和图节点的脑网络分类方法，其特征在于，所述s2中，脑区之间的连通性为，不同脑区之间的直接连通性，与不同脑区之间的间接连通性的加权后的和；
4.根据权利要求1所述的基于图连接和图节点的脑网络分类方法，其特征在于，所述s4中脑区间维度的池化聚合处理，是通过将所述脑网络注意力特征中的每一个行向量进行加权求和处理实现的。
5.根据权利要求1所述的基于图连接和图节点的脑网络分类方法，其特征在于，所述s4中脑区维度的池化聚合处理，是通过将所述脑网络脑区间池化特征中的所有数据进行加权求和处理得到的。
6.根据权利要求1所述...
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。