CN109192298B - 基于脑网络的深度脑疾病诊断算法 - Google Patents
基于脑网络的深度脑疾病诊断算法 Download PDFInfo
- Publication number
- CN109192298B CN109192298B CN201810838893.5A CN201810838893A CN109192298B CN 109192298 B CN109192298 B CN 109192298B CN 201810838893 A CN201810838893 A CN 201810838893A CN 109192298 B CN109192298 B CN 109192298B
- Authority
- CN
- China
- Prior art keywords
- brain
- matrix
- network
- data
- brain network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 210000004556 brain Anatomy 0.000 title claims abstract description 57
- 208000014644 Brain disease Diseases 0.000 title claims abstract description 14
- 238000003745 diagnosis Methods 0.000 title claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims abstract description 44
- 238000013528 artificial neural network Methods 0.000 claims abstract description 16
- 201000010099 disease Diseases 0.000 claims abstract description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 6
- 238000013135 deep learning Methods 0.000 claims abstract description 5
- 238000011176 pooling Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 13
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 230000000284 resting effect Effects 0.000 claims description 4
- 238000010200 validation analysis Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 7
- 238000013459 approach Methods 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011496 digital image analysis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于脑网络的深度脑疾病诊断算法，包括步骤：(1)对每个被试的时间序列数据两两计算皮尔森相关系数，得到一个节点数乘节点数的数据矩阵；(2)对上述数据矩阵进行阈值化，得到一个稀疏的脑网络；(3)编写神经网络代码，并利用深度学习框架工具实现算法；(4)使用同种病的病例脑网络和其他特征相同的正常脑网络，进行神经网络的训练，优化交叉熵为最终目标；(5)训练完成的神经网络，直接输入一个被试的脑网络矩阵，得到被试的输出标签，是患病还是正常。本发明使用了行卷积神经网络，实现了有效使用脑网络数据进行自动辅助疾病诊断的方法。
Description
技术领域
本发明属于脑影像与计算机科学的交叉领域，涉及数字图像分析、神经科学和机器学习的技术领域，尤其涉及一种基于脑网络的深度脑疾病诊断算法。
背景技术
脑图像在脑疾病的研究中已经受到了医学界广泛的重视和利用，例如静息状态功能磁共振图像(fMRI)。而由此得到的脑网络在脑疾病的诊断中起着重要作用。通常，脑网络表示为图，其中节点和边缘分别表示大脑区域和区域对之间的连接。大脑网络的连接已被证明与许多脑部疾病有关，因为脑网络的结构变化通常先于医生可以诊断的临床症状。所以分析脑网络对于脑疾病的早期发现和治疗是非常有用的。
在过去的几十年中，已经有许多用于脑网络分类的方法被提出。一种常见的方法是通过将结构数据转换为向量来分析向量空间中的脑网络，例如基于复杂网络的方法和基于连接权重的方法。显然，它不适合大脑网络分析，因为这些方法不考虑图形结构信息。为了克服这些问题，可以使用基于子图的方法，它可以利用从大脑网络中挖掘出来的最频繁的子图来保存结构信息。然而，这些方法仅关注图中的简单空间相似性。为了在脑网络中找到更复杂的信息，使用图的拉普拉斯矩阵特征值分解来将图转换为基于频谱的矢量表示是一种对应的方法。但是这种方法因为要对每个图的拉普拉斯矩阵的计算而不灵活，并且难以获得与原始节点相关的有意义的表示。
发明内容
发明目的：针对以上问题，本发明提出一种基于脑网络的深度脑疾病诊断算法，有效使用脑网络数据进行自动辅助疾病诊断。
技术方案：为实现本发明的目的，本发明所采用的技术方案是：一种基于脑网络的深度脑疾病诊断算法，包括步骤：
(1)对每个被试的时间序列数据两两计算皮尔森相关系数，得到一个节点数乘节点数的数据矩阵；
(2)对上述数据矩阵进行阈值化，得到一个稀疏的脑网络；
(3)编写神经网络代码，并利用深度学习框架工具实现算法；
(4)使用同种病的病例脑网络和其他特征相同的正常脑网络，进行神经网络的训练，优化交叉熵为最终目标；
(5)训练完成的神经网络，直接输入一个被试的脑网络矩阵，得到被试的输出标签，是患病还是正常。
所述步骤(1)中，每隔一定时间扫描一个静息状态功能磁共振图像，计算每个脑区的体素值，得到每个脑区对应的时间序列数据。
所述步骤(1)中，所述数据矩阵大小为N*N，元素值为-1到1。
所述步骤(2)中，数据被表示为图结构的邻接矩阵，且所有的负值数据被舍弃。
所述步骤(3)包括具体步骤：
(3.1)对输入数据矩阵进行卷积操作得到多个N维向量，把卷积后得到的N*1*Ml的特征表示重新排序成N*Ml*1的输出矩阵S；
(3.2)对输出S进行池化操作，把池化后的数据重新排序成和输出矩阵S一样的 N*Ml*1的格式，得到池化后的表示R；
(3.3)重复堆叠多层卷积和池化层，下一层卷积的输入是S和R的线性加权和；
(3.4)使用全连接层把前面的所有R和最后一层的S线型加权，最后使用另一层全连接层和softmax层，把输出定为2维向量，使用交叉熵作为输出和标签的损失进行优化。
所述步骤(4)中，使用反向传播的梯度下降法，随着每一次的梯度下降，训练集和验证集的交叉熵损失变得越来越小，当验证集损失最小的时候且算法稳定收敛即训练完成。
有益效果：本发明使用了新颖的行卷积神经网络，定义了行卷积操作，不同于传统方格卷积，该卷积操作可以有效获取图结构数据上的局部信息；定义了结构保持池化操作，可以有效利用多个尺度的图拓扑信息和节点信息，从而获得更好的脑疾病分类诊断效果；通过堆叠多层卷积层和池化层，之后连接全连接层和softmax层，最后得到分类结果。
具体实施方式
下面结合实施例对本发明的技术方案作进一步的说明。
本发明所述的基于脑网络的深度脑疾病诊断算法，包括步骤：
(1)每一个被试都有一个静息状态的fMRI时间序列数据，每隔一定时间扫描一个fMRI图像，再计算每个脑区的体素值，所以每个脑区都有一串对应的时间序列数据。对这些时间序列两两计算皮尔森相关系数，得到一个节点数乘节点数的数据矩阵。每一个被试就可以表示成大小为N*N，元素值为-1到1的矩阵。
(2)对该矩阵进行阈值化，取前30％大的数值保留，得到一个稀疏的脑网络，数据被表示为图结构的邻接矩阵，并且所有的负值数据一般都会被舍弃。
(3)编写神经网络代码，并利用深度学习框架工具实现算法。
(3.1)对输入N*N数据矩阵进行卷积操作，因为卷积后得到的是多个N维向量而不是二维矩阵，所以要把卷积后得到的N*1*Ml的特征表示重新排序成就N*Ml*1的输出矩阵S，Ml为卷积核的个数，可以定义为60。
行卷积操作是对于神经网络中的每个隐含节点，利用如下公式：
其中，i∈{1,2,3,...,N},m∈{1,2,3,...,Ml}，
是第l层的输入，下标i、j是A的行列序号，
是l层的第m个卷积器，下标j是w的元素序号，bl,m第l层的第m个偏置，fl是l层的激活函数，N是脑网络的节点个数，Ml-1和Ml代表l-1层和 l层的卷积核个数，
l层的输出。
(3.2)对输出S进行池化操作，再把数据重排序表示成和S一样的N*Ml*1的格式就可以得到池化后的表示R。
在L层的卷积之后，利用如下公式：
其中，Sl是上一层卷及网络的输出矩阵，第j列
是第j个卷积器下的节点表示，每一个元素按对应位置作为每个脑区节点的输出值。
接着使用转移矩阵P对输出向量进行结构保持池化：
P需要让学得的s变得稀疏以及保持原来的结构信息，而原始的输入矩阵A正是结构化的脑网络图表示，所以可以直接使用X近似最优的P。
将网络输出与转移矩阵相乘，可以得到结构保持后的数据：
(3.3)重复堆叠多层卷积和池化层，下一层卷积的输入是S和R的线性加权和。
堆叠多层卷积层和池化层之后，在每一个池化层后面都可以获得对应节点的特征表示。这些表示随着层数的深入会变得更加复杂和抽象，但是每一层都有各自侧重的信息表示。所以融合多层的特征可以得到更加完整的信息：
其中，S是前一个卷积层的输出，R是前面所有的池化层的输出，通过系数λ线性融合。
(3.4)使用全连接层把前面的所有R和最后一层的S线型加权，最后使用另一层全连接层和softmax层，把输出定为2维向量，使用交叉熵作为输出和标签的损失进行优化。
全连接层：最后一层的输出A，使用两层全连接的网络，第一层之后特征变为一列N维向量(N为脑网络节点个数)，第二层之后变为2维向量。
Softmax层：上一层输出的2维向量就是表征所判断的脑网络是否为病患的预测。为了方便后面使用交叉熵进行优化，这里需要将该两维表示标准化到0-1之间的概率分布。
(4)训练过程，使用同种病的病例脑网络和其他特征相同的正常人，进行神经网络的训练，优化交叉熵为最终目标。
一般使用反向传播的梯度下降法，很多深度学习框架中都可以自动实现反向传播梯度下降法，减少交叉熵损失。随着每一次的梯度下降，训练集和验证集的交叉熵损失会变得越来越小。当验证集损失最小的时候并且算法稳定收敛即是训练完成。
根据样本数量设置网络层数大小，在400训练样本的情况下，可以使用三层中间层的神经网络。输入为脑网络矩阵X，输入节点个数为脑网络邻接矩阵大小，如N*N，N 为脑网络节点个数，有90的也有116的。使用1*N*75作为卷积核参数，池化的转移矩阵使用原始的数据矩阵X，ρ设置为0.1。最后连接中间节点个数为N的全连接层，后面连接两个隐含节点的输出层，输出层加上softmax变换就得到了最后的输出标签概率，优化目标是交叉熵损失。所有的权重初始化为0均值和0.1方差的高斯分布，并且对每一个权重都加上L2范数约束。在全连接层之前使用dropout＝0.5。使用adam优化器进行损失优化。
训练过程分为训练集和验证集，在验证集上的loss最小的时候即作为网络收敛的标志。
(5)训练完成之后的神经网络，直接输入一个被试的N*N的脑网络矩阵，就可以得到被试的输出标签，是患病还是正常人。
Claims (2)
1.一种基于脑网络的深度脑疾病诊断算法，其特征在于，包括步骤：
（1）对每个被试的时间序列数据两两计算皮尔森相关系数，得到一个节点数乘节点数的数据矩阵；
（2）对上述数据矩阵进行阈值化，得到一个稀疏的脑网络；
（3）编写神经网络代码，并利用深度学习框架工具实现算法；
（4）使用同种病的病例脑网络和其他特征相同的正常脑网络，进行神经网络的训练，优化交叉熵为最终目标；
（5）训练完成的神经网络，直接输入一个被试的脑网络矩阵，得到被试的输出标签，是患病还是正常；
所述步骤（1）中，每隔一定时间扫描一个静息状态功能磁共振图像，计算每个脑区的体素值，得到每个脑区对应的时间序列数据；
所述步骤（1）中，所述数据矩阵大小为N*N，元素值为-1到1；
所述步骤（2）中，数据被表示为图结构的邻接矩阵，且所有的负值数据被舍弃；
所述步骤（3）包括具体步骤：
（3.1）对输入数据矩阵进行卷积操作得到多个N维向量，把卷积后得到的N*1* M l 的特征表示重新排序成N* M l *1的输出矩阵S，其中N是脑网络的节点个数，l代表卷积层的层数，M l 代表l层的卷积核个数；
（3.2）对输出S进行池化操作，把池化后的数据重新排序成和输出矩阵S一样的N* M l *1的格式，得到池化后的表示R；
（3.3）重复堆叠多层卷积和池化层，下一层卷积的输入是S和R的线性加权和；
（3.4）使用全连接层把前面的所有R和最后一层的S线型加权，最后使用另一层全连接层和softmax层，把输出定为2维向量，使用交叉熵作为输出和标签的损失进行优化。
2.根据权利要求1所述的基于脑网络的深度脑疾病诊断算法，其特征在于，所述步骤（4）中，使用反向传播的梯度下降法，随着每一次的梯度下降，训练集和验证集的交叉熵损失变得越来越小，当验证集损失最小的时候且算法稳定收敛即训练完成。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810838893.5A CN109192298B (zh) | 2018-07-27 | 2018-07-27 | 基于脑网络的深度脑疾病诊断算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810838893.5A CN109192298B (zh) | 2018-07-27 | 2018-07-27 | 基于脑网络的深度脑疾病诊断算法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109192298A CN109192298A (zh) | 2019-01-11 |
| CN109192298B true CN109192298B (zh) | 2021-11-23 |
Family
ID=64937126
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810838893.5A Active CN109192298B (zh) | 2018-07-27 | 2018-07-27 | 基于脑网络的深度脑疾病诊断算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109192298B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110322969A (zh) * | 2019-07-03 | 2019-10-11 | 北京工业大学 | 一种基于宽度学习的fMRI数据分类方法 |
| CN110569880A (zh) * | 2019-08-09 | 2019-12-13 | 天津大学 | 一种利用人工神经网络模型对视觉刺激解码方法 |
| CN110604572A (zh) * | 2019-10-08 | 2019-12-24 | 江苏海洋大学 | 基于人脑特征图谱的脑活动状态识别方法 |
| CN110797123B (zh) * | 2019-10-28 | 2023-05-26 | 大连海事大学 | 一种动态脑结构的图卷积神经网络演化方法 |
| CN110910377B (zh) * | 2019-11-28 | 2023-01-03 | 哈尔滨工程大学 | 一种基于神经网络的脑梗死mri图像识别方法 |
| CN111916204A (zh) * | 2020-07-08 | 2020-11-10 | 西安交通大学 | 一种基于自适应稀疏深度神经网络的脑疾病数据评估方法 |
| CN112382385A (zh) * | 2020-11-12 | 2021-02-19 | 山东中医药大学 | 一种基于3d卷积神经网络的无先兆偏头痛辅助诊断算法 |
| CN114334140B (zh) * | 2022-03-08 | 2022-07-19 | 之江实验室 | 基于多关系功能连接矩阵的疾病预测系统及装置 |
| CN115049814B (zh) * | 2022-08-15 | 2022-11-08 | 聊城市飓风工业设计有限公司 | 采用神经网络模型的护眼灯智能调节方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012048247A2 (en) * | 2010-10-07 | 2012-04-12 | Decharms Christopher R | Localization of a brain network associated with sustained chronic pain |
| CN107967686A (zh) * | 2017-12-27 | 2018-04-27 | 电子科技大学 | 一种联合动态脑网络和长短时记忆网络的癫痫识别装置 |
-
2018
- 2018-07-27 CN CN201810838893.5A patent/CN109192298B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012048247A2 (en) * | 2010-10-07 | 2012-04-12 | Decharms Christopher R | Localization of a brain network associated with sustained chronic pain |
| CN107967686A (zh) * | 2017-12-27 | 2018-04-27 | 电子科技大学 | 一种联合动态脑网络和长短时记忆网络的癫痫识别装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109192298A (zh) | 2019-01-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109192298B (zh) | 基于脑网络的深度脑疾病诊断算法 | |
| CN110335261B (zh) | 一种基于时空循环注意力机制的ct淋巴结检测系统 | |
| CN107610194B (zh) | 基于多尺度融合cnn的磁共振图像超分辨率重建方法 | |
| Mansour et al. | Accurate detection of Covid-19 patients based on Feature Correlated Naïve Bayes (FCNB) classification strategy | |
| CN106778014B (zh) | 一种基于循环神经网络的患病风险预测建模方法 | |
| Kumar et al. | Breast cancer classification of image using convolutional neural network | |
| Alharbi et al. | Using genetic algorithm and ELM neural networks for feature extraction and classification of type 2-diabetes mellitus | |
| Calisto et al. | EMONAS-Net: Efficient multiobjective neural architecture search using surrogate-assisted evolutionary algorithm for 3D medical image segmentation | |
| CN110522444B (zh) | 一种基于Kernel-CNN的心电信号识别分类方法 | |
| CN111090764B (zh) | 基于多任务学习和图卷积神经网络的影像分类方法及装置 | |
| CN113693563B (zh) | 一种基于超图注意力网络的脑功能网络分类方法 | |
| Luo et al. | Bayesian MRI reconstruction with joint uncertainty estimation using diffusion models | |
| CN110136109B (zh) | 一种基于膨胀卷积神经网络的mci分类方法 | |
| CN116759100B (zh) | 基于联邦学习构建慢性心血管疾病大模型方法 | |
| Zeng et al. | Graph convolutional network with sample and feature weights for Alzheimer’s disease diagnosis | |
| CN114611384A (zh) | 基于图神经网络的医学知识图谱节点重要性评估方法 | |
| Vieira et al. | Deep neural networks | |
| CN112529063A (zh) | 一种适用于帕金森语音数据集的深度域适应分类方法 | |
| CN115130376A (zh) | 一种基于行列式多样性引导的群体强化学习训练方法 | |
| CN114898879A (zh) | 一种基于图表示学习的慢病风险预测方法 | |
| CN112990359B (zh) | 一种影像数据处理方法、装置、计算机及存储介质 | |
| CN114155952A (zh) | 一种老年人群老年痴呆病患病辅助分析系统 | |
| CN112863650A (zh) | 一种基于卷积与长短期记忆神经网络的心肌病识别系统 | |
| CN110613445B (zh) | 一种基于dwnn框架的心电信号的识别方法 | |
| Yang et al. | Hierarchical bias mitigation for semi-supervised medical image classification |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |