[发明专利]一种基于变分自编码器的脑功能网络分类方法在审
申请号: | 201910541911.8 | 申请日: | 2019-06-21 |
公开(公告)号: | CN110188836A | 公开(公告)日: | 2019-08-30 |
发明(设计)人: | 刘天;杨明;范庚;陈宇豪 | 申请(专利权)人: | 西安交通大学 |
主分类号: | G06K9/62 | 分类号: | G06K9/62;G06N3/04 |
代理公司: | 西安智大知识产权代理事务所 61215 | 代理人: | 弋才富 |
地址: | 710049 陕*** | 国省代码: | 陕西;61 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 编码器 大脑功能 脑功能 预处理 个体水平 网络分类 网络 分类器 构建 推断 自变量 功能磁共振图像 认知功能障碍 特征提取模块 网络图 多层感知器 加权磁共振 分类结果 个体功能 回归分析 因变量 分类 回归 准确率 样本 采集 图像 测试 输出 融合 | ||
一种基于变分自编码器的脑功能网络分类方法,包括以下步骤:采集若干正常人和脑认知功能障碍患者的T1加权磁共振图像T1 weighted MRI和静息态功能磁共振图像rs‑fMRI;进行预处理;将预处理后的rs‑fMRI作为回归因变量,大脑功能网络作为回归自变量进行双回归分析,得到个体水平大脑功能网络;构建深度变分自编码器(VAE)模型,将得到的个体水平大脑功能网络图作为VAE的输入和输出,编码器部分作为特征提取模块用于得到个体功能网络的隐编码;构建多层感知器网络对步骤四中VAE得到的编码进行分类;利用训练好的针对不同脑功能网络的多个分类器对测试集中的样本进行推断,并将多个分类器的推断结果进行融合,得到最终的分类结果;本发明提高了分类的准确率。
技术领域
本发明涉及医学图像分析技术领域,特别涉及脑科学领域对功能磁共振影像进行处理分类的方法,具体是一种基于变分自编码器的脑功能网络分类方法。
背景技术
人脑是自然界中最复杂的系统之一,大脑的各种神经生理活动是不同脑区之间相互作用的结果。一个复杂认知任务的实现,往往需要多个脑区的协同配合,对不同脑区之间相互依赖关系的研究有助于加深人类对于大脑工作方式的理解。从网络的角度对大脑的功能进行建模已被证实是一种有效的研究手段,脑功能网络分析已成为脑科学领域的重要研究方向之一。
基于血样水平依赖(blood oxygenation level dependent,BOLD)的功能磁共振成像(functional magnetic resonance imaging,fMRI)方法由于其无创性、空间分辨率高、可全脑成像等一系列的优点为脑科学研究提供了有利条件。fMRI数据通常包含有噪声,并且作为一种包含时间信息的4维数据在不同人之间并不具有一致性,不适合直接用于分析。目前对大脑功能网络的表征通常是利用标准化的大脑分区模板将大脑划分维若干脑区,计算不同脑区之间的关系,如皮尔逊互相关、偏相关、tangent embedding等,得到相关系数矩阵,称为功能连接矩阵(functional connectivity matrices)。进一步地,支持向量机、随机森林、LASSO等传统机器学习方法方法将功能连接矩阵作为分类特征用以区分不同群体的脑功能网络。利用功能连接矩阵对脑功能网络进行分类有以下问题:
1.功能连接矩阵的计算依赖于对大脑脑区的划分,不同的脑区划分方式对分类结果会产生较大影响;2功能连接矩阵作为分类特征忽视了不同体素间的空间结构信息;3.传统的机器学习模型都是浅层模型,对于高维的fMRI数据拟合效果不好;4.fMRI数据局部区域内体素之间存在较强的相关性,而传统机器学习模型不能很好的挖掘和利用fMRI中的这种局部特性。
近几年来,深度学习方法特别是卷积神经网络由于其强大的特征提取能力被广泛应用于各种计算机视觉任务中,如分类、目标检测、语义分割等。变分自编码器基于卷积神经网络,作为一种生成模型可以直接对数据分布进行建模,同时变分自编码器对输入的高维数据可以进行有效的压缩,经过压缩后的隐编码向量具有良好的分布性质可以用来进一步做脑功能网络生成、分类等任务。
发明内容
为克服传统脑功能网络分类方法中输入特征向量包含信息不够丰富,忽略了脑功能网络中不同脑区之间的拓扑结构关系,以及传统机器学习算法对数据建模能力有限的问题,本发明的目的在于提出了一种基于变分自编码器的脑功能网络分类方法,成组独立成分分析(Group ICA)能够有效区分具有生理意义的信号和噪声信号,并且能够分离出具有共活动模式的脑网络,再运用双回归方法提取出个体水平脑功能网络;Group ICA作为一种数据驱动的方法无需事先定义模板网络,同时保留了不同脑区间的拓扑结构信息;变分自编码器作为一种深度神经网络生成模型一方面可以将脑网络中不同脑区的激活程度和不同脑区间的非局部关系进行捕捉,另一方面可以对隐变量的分布进行学习,得到一组具有良好分布性质的隐变量。利用该隐变量可以进一步对不同个体的脑功能网络进行分析,比较同一脑功能网络在不同人群之间的差异性,从而实现对脑功能网络的分类。
为了达到上述目的,本发明采用如下的技术方案:
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于西安交通大学,未经西安交通大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201910541911.8/2.html,转载请声明来源钻瓜专利网。