CN110916661B - 一种ICA-CNN分类的fMRI脑内数据时间预滤波增广方法 - Google Patents
一种ICA-CNN分类的fMRI脑内数据时间预滤波增广方法 Download PDFInfo
- Publication number
- CN110916661B CN110916661B CN201911144811.8A CN201911144811A CN110916661B CN 110916661 B CN110916661 B CN 110916661B CN 201911144811 A CN201911144811 A CN 201911144811A CN 110916661 B CN110916661 B CN 110916661B
- Authority
- CN
- China
- Prior art keywords
- fmri
- cnn
- data
- ica
- filtering
- 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
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves
- A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
- A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
- A61B5/0042—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part for the brain
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2576/00—Medical imaging apparatus involving image processing or analysis
- A61B2576/02—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part
- A61B2576/026—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part for the brain
Abstract
一种ICA‑CNN分类的fMRI脑内数据时间预滤波增广方法,属于生物医学信号处理领域。首先对fMRI脑内数据施加时间滤波,增广生成新的fMRI数据集;然后送入ICA‑CNN框架,实现对病人与健康人分类性能的改进。采用本发明对82被试的静息态fMRI数据进行病人和健康人的分类,采用三种具有不同通频带的理想带通滤波器对fMRI脑内数据进行时间滤波,生成三组fMRI数据集,然后送入ICA‑CNN框架分类。相比已有的多模型阶数数据增广方法,本发明能将分类准确率提高8.24%;若将二者结合,能将分类准确率提高21.06%。因此本发明既能独立提升网络分类性能,也容易与其他增广方法结合,显著提高分类准确率。
Description
技术领域
本发明属于生物医学信号处理领域,特别是涉及一种ICA-CNN分类的fMRI脑内数据时间预滤波增广方法。
背景技术
卷积神经网络(convolutional neural networks,CNN)具有局部感知、权值共享等优点,不但在识别、检测、分类等任务中表现突出,在智慧医疗方面也大有作为。静息态fMRI(resting-state fMRI,rs-fMRI)数据有着非侵入性、空间分辨率高、易于在病人被试上采集等优势,常用于神经障碍类疾病如精神分裂症的分析和诊断。因此,以rs-fMRI数据作为训练数据的CNN将在健康人与病人的分类任务中体现独特优势。
鉴于病人fMRI难于采集、数据量不大的问题,林秋华等人提出了一种病人与健康人复数fMRI数据的ICA-CNN分类框架(专利申请号201910350137.2)。在该框架中,首先采用独立成分分析(independent component analysis,ICA)分离得到感兴趣空间成分的二维切片,然后将二维切片送入二维CNN提取特征并分类。与直接利用观测数据或使用三维CNN分类的方法相比,该框架减轻了对fMRI数据量的需求,在fMRI数据量有限的情况下,取得了较好的分类性能。
实际上,在fMRI数据量一定的情况下,数据增广能起到进一步增大数据量并提高ICA-CNN分类效果的作用。在图像分类领域,广泛采用的数据增广方法有旋转、翻转、添加噪声、缩放、纹理色彩变换等。然而,这些方法不适于空间结构不能任意变化的rs-fMRI分析。专利申请号201910350137.2仅提供了一种多模型阶数的数据增广方法,探索适于ICA-CNN分类框架下fMRI数据增广的其他方法,具有重要的实际价值。
发明内容
本发明提供了一种适于ICA-CNN分类框架的fMRI脑内数据增广方法,能有效地扩充fMRI样本量,进一步提升ICA-CNN网络的分类性能。具体方案是,对fMRI脑内数据施加时间滤波,增广生成新的fMRI数据集,然后送入ICA-CNN框架,实现对病人与健康人分类性能的改进,如图1所示。具体实现步骤如下:
第三步:将每个被试的fMRI脑内数据沿着空间维分解成一系列一维时间序列x(k)(t,1),…,x(k)(t,v),…,x(k)(t,V),其中x(k)(t,v)为体素v处的时间序列,k=1,…,K,t=1,…,T,v=1,…,V。
其中,为的滤波结果。将进行一维离散傅里叶逆变换,得到x(k)(t,v)经滤波后的时间序列,记做利用F个具有不同通频带的带通滤波器,对所有被试fMRI脑内数据的时间序列进行滤波,可将每个被试的数据集由原来的一组增广至F组。对于被试k,将F组增广数据记做如图2所示。
第六步:ICA分离与感兴趣成分提取。采用Infomax算法对 进行ICA分离;基于与空间成分模板相关系数最大的原则,从N个ICA分离成分中选择感兴趣成分的空间激活图空间成分模板选自文献(S.M.Smith,P.T.Fox et al.,“Correspondence of the brain's functional architecture duringactivation and rest,”Proceedings of the National Academy of Sciences of theUnited States of America,vol.106,no.31,pp.13040-13045,2009)给出的分析结果。
第九步:将W个二维切片的体素值归一化至[0,1],记为然后给每个切片附上对应标签 表示健康人,表示精神分裂症患者,建立增广后的CNN样本集每个被试的样本集由原来的W扩大为W×F,即增广为原来的F倍。全部K个被试的样本集增广为K×W×F。
第十步:将被试顺序打乱,将样本集按比例分成训练集、验证集、测试集;比如:取60%的样本集作为训练集,20%作为验证集,20%作为测试集。
第十一步:将训练集送入CNN网络进行训练。本发明使用的CNN网络结构与专利申请号201910350137.2一致,如图3所示,包括2个卷积层,2个最大池化层,1个全连接层以及输出层。其中,卷积层核的尺寸为3×3,个数分别为8和16;池化层核的尺寸为2×2,个数分别为8和16;全连接层共64个节点,采用修正线性单元(rectified linear unit,ReLU)作为激活函数,输出层使用Softmax给出每个切片所属类别。批处理的大小为64,采用Adam算法进行参数更新,使用二分类交叉熵函数作为网络的损失函数,同时使用L2正则化控制权重,训练CNN模型共R轮。在每一轮,使用验证集计算准确率ACC;保存R轮中验证准确率最高的CNN模型,作为训练得到的CNN模型。令CNN验证结果为准确率ACC定义如下:
第十二步:将测试集输入第十一步训练得到的CNN模型,得到测试准确率ACC。
第十三步:采取5折交叉验证,即重复第十步到第十二步5次,得到5次测试准确率ACC,计算其平均结果,记为CNN的最终分类准确率。
本发明的有益效果:本发明聚焦计算机辅助诊断领域中的分类问题,提供了一种针对fMRI数据特性并适于ICA-CNN分类框架的数据增广方法,用于训练CNN网络并改善分类结果。例如,采用本发明对82个被试的rs-fMRI数据进行精神分裂症患者和健康人分类,采用三个通频带分别为10~30mHz、30~70mHz、10~100mHz的理想带通滤波器,对所有被试的fMRI脑内数据进行时间滤波,生成三组fMRI数据集,采用Infomax进行ICA分离,然后选择默认模式网络(default mode network,DMN)建立样本集,最后送入CNN进行训练并测试。相比于专利201910350137.2提出的多模型阶数数据增广方法,本发明能够在样本数相同的情况下将分类准确率提高8.24%。如果将本专利方法与多模型阶数增广方法进行结合,为每一种时间滤波后得到的fMRI数据设定N=20、60、100三种模型阶数,分别提取空间成分,建立样本集,然后全部送入ICA-CNN网络进行分类。相比于只利用多模型阶数增广方法而言,结合方法能够将分类准确率提高21.06%。由此可见,本发明不但能独立提升网络分类性能,而且容易与其他增广方法进行结合,显著提高分类准确率。
附图说明
图1为本发明在ICA-CNN分类框架中的位置与使用步骤。
图2为本发明对fMRI脑内数据进行时间滤波增广的示意图。
图3为本发明使用的CNN网络架构。
具体实施方式
下面结合技术方案详细叙述本发明的一个实施例。现有82个被试的rs-fMRI幅值数据,包括42名精神分裂症患者和40名健康人。每个被试含有T=146次扫描,每幅扫描图共有X×Y×Z=53×63×46=153594体素的全脑数据,其中脑内体素V=62336,体素大小为3×3×3mm3。
第三步:将每个被试的fMRI脑内数据沿着空间维分解成一系列一维时间序列x(k)(t,1),…,x(k)(t,v),…,x(k)(t,62336),其中x(k)(t,v)为体素v处的时间序列,k=1,…,82,t=1,…,146,v=1,…,62336。
第四步:时间滤波。将被试k在体素v处的时间序列,x(k)(t,v),k=1,…,82,进行一维离散傅里叶变换,得到按照式(1)的定义,生成F=3个理想带通滤波器,令C=1,3组通频带fl~fh取10~30mHz、30~70mHz、10~100mHz。将分别与3个理想带通滤波器在频域相乘实现时间滤波,如式(2)所示,得到然后对进行一维离散傅里叶逆变换,得到对于被试k,将其全部时间序列进行滤波后,得到3组增广数据,记做
第六步:ICA分离与感兴趣成分提取。采用Infomax算法对 进行ICA分离;基于与文献(S.M.Smith,P.T.Fox et al.,“Correspondence of the brain's functional architecture during activation andrest,”Proceedings of the National Academy of Sciences of the United States ofAmerica,vol.106,no.31,pp.13040-13045,2009)给出的DMN成分模板相关系数最大的原则,从50个ICA分离成分中选择DMN成分的空间激活图
第九步:将25个二维切片的体素值归一化至[0,1],记为然后给每个切片附上对应标签 表示健康人,表示精神分裂症患者,建立增广后的CNN样本集每个被试的样本数目由原来的W=25扩大为W×F=25×3=75,即增广为原来的3倍。全部82个被试的样本数目增广为K×W×F=82×25×3=6150。
第十步:将被试顺序打乱,取60%的样本集作为训练集,20%作为验证集,20%作为测试集。
第十一步:将训练集送入CNN网络进行训练,共训练CNN模型R=50轮。在每一轮,使用验证集按式(3)计算准确率ACC;保存50轮中验证准确率最高的CNN模型。
第十二步:将测试集输入第十一步训练得到的CNN模型,按式(3)计算得到测试准确率ACC。
第十三步:采取5折交叉验证,即重复第十步到第十二步5次,得到5次测试准确率ACC,计算其平均结果,得到最终分类准确率为0.7770。
Claims (3)
1.一种ICA-CNN分类的fMRI脑内数据时间预滤波增广方法,通过对fMRI脑内数据施加时间滤波,增广生成新的fMRI数据集,然后送入ICA-CNN框架,实现对精神分裂症患者与健康人分类性能的改进,其特征在于,以下步骤:
第三步:将每个被试的fMRI脑内数据沿着空间维分解成一系列一维时间序列x(k)(t,1),…,x(k)(t,v),…,x(k)(t,V),其中x(k)(t,v)为体素v处的时间序列,k=1,…,K,t=1,…,T,v=1,…,V;
其中,为的滤波结果,将进行一维离散傅里叶逆变换,得到x(k)(t,v)经滤波后的时间序列,记做 利用F个具有不同通频带的带通滤波器,对所有被试fMRI脑内数据的时间序列进行滤波,能将每个被试的数据集由原来的一组增广至F组,对于被试k,将F组增广数据记做
第九步:将W个二维切片的体素值归一化至[0,1],记为然后给每个切片附上对应标签 表示健康人,表示精神分裂症患者,建立增广后的CNN样本集每个被试的样本集由原来的W扩大为W×F,即增广为原来的F倍,全部K个被试的样本集增广为K×W×F;
第十步:将被试顺序打乱,将样本集按比例分成训练集、验证集、测试集;
第十一步:将训练集送入CNN网络进行训练,所述的CNN网络包括2个卷积层,2个最大池化层,1个全连接层以及输出层,其中,卷积层核的尺寸为3×3,个数分别为8和16,池化层核的尺寸为2×2,个数分别为8和16,全连接层共64个节点,采用修正线性单元ReLU作为激活函数,输出层使用Softmax给出每个切片所属类别,批处理的大小为64,采用Adam算法进行参数更新,使用二分类交叉熵函数作为网络的损失函数,同时使用L2正则化控制权重,训练CNN模型共R轮,在每一轮,使用验证集计算准确率ACC,保存R轮中验证准确率最高的CNN模型,作为训练得到的CNN模型,令CNN验证结果为准确率ACC定义如下:
第十二步:将测试集输入第十一步训练得到的CNN模型,得到测试准确率ACC;
第十三步:采取5折交叉验证,即重复第十步到第十二步5次,得到5次测试准确率ACC,计算其平均结果,记为CNN的最终分类准确率。
2.根据权利要求1所述的一种ICA-CNN分类的fMRI脑内数据时间预滤波增广方法,其特征在于,通频带取10~30mHz或30~70mHz。
3.根据权利要求1或2所述的一种ICA-CNN分类的fMRI脑内数据时间预滤波增广方法,其特征在于,所述第十步中,将样本集60%作为训练集,20%作为验证集,20%作为测试集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911144811.8A CN110916661B (zh) | 2019-11-21 | 2019-11-21 | 一种ICA-CNN分类的fMRI脑内数据时间预滤波增广方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911144811.8A CN110916661B (zh) | 2019-11-21 | 2019-11-21 | 一种ICA-CNN分类的fMRI脑内数据时间预滤波增广方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110916661A CN110916661A (zh) | 2020-03-27 |
CN110916661B true CN110916661B (zh) | 2021-06-08 |
Family
ID=69850532
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911144811.8A Active CN110916661B (zh) | 2019-11-21 | 2019-11-21 | 一种ICA-CNN分类的fMRI脑内数据时间预滤波增广方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110916661B (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10115194B2 (en) * | 2015-04-06 | 2018-10-30 | IDx, LLC | Systems and methods for feature detection in retinal images |
US10417788B2 (en) * | 2016-09-21 | 2019-09-17 | Realize, Inc. | Anomaly detection in volumetric medical images using sequential convolutional and recurrent neural networks |
CN109376751B (zh) * | 2018-08-21 | 2022-03-22 | 北京工业大学 | 一种基于卷积神经网络的人脑功能网络分类方法 |
CN109222972B (zh) * | 2018-09-11 | 2020-09-22 | 华南理工大学 | 一种基于深度学习的fMRI全脑数据分类方法 |
CN110110776B (zh) * | 2019-04-28 | 2021-11-05 | 大连理工大学 | 一种构建病人与健康人的静息态复数fMRI数据ICA-CNN分类框架的方法 |
-
2019
- 2019-11-21 CN CN201911144811.8A patent/CN110916661B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110916661A (zh) | 2020-03-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110110776B (zh) | 一种构建病人与健康人的静息态复数fMRI数据ICA-CNN分类框架的方法 | |
CN109522894A (zh) | 一种探测fMRI脑网络动态协变的方法 | |
CN111544017A (zh) | 基于gpdc图卷积神经网络的疲劳检测方法、装置及存储介质 | |
CN112002428B (zh) | 以独立成分网络为参照的全脑个体化脑功能图谱构建方法 | |
CN107909109A (zh) | 基于显著性和多尺度深度网络模型的sar图像分类方法 | |
CN111832431A (zh) | 一种基于cnn的情绪脑电分类方法 | |
Kanimozhi et al. | Brain MR image segmentation using self organizing map | |
CN115919330A (zh) | 基于多层次se注意力和图卷积的eeg情绪状态分类方法 | |
CN113317803B (zh) | 一种基于图论和机器学习的神经症特征提取方法 | |
CN111046918B (zh) | 一种ICA-CNN分类的fMRI数据空间预平滑增广方法 | |
CN110870770B (zh) | 一种ICA-CNN分类的fMRI空间激活图平滑增广方法 | |
CN110916661B (zh) | 一种ICA-CNN分类的fMRI脑内数据时间预滤波增广方法 | |
Ghasemzadeh et al. | Hyperspectral face recognition using 3D discrete wavelet transform | |
Muralidharan et al. | Diffeomorphic shape trajectories for improved longitudinal segmentation and statistics | |
CN116421200A (zh) | 一种基于并行训练的多任务混合模型的脑电情感分析方法 | |
CN113963349B (zh) | 一种提取个体空时特征矢量与被试细分类的方法 | |
CN114187475A (zh) | 一种基于热力图解释多被试复数fMRI数据CNN分类结果的方法 | |
CN113255789B (zh) | 基于对抗网络和多被试脑电信号的视频质量评价方法 | |
DE102017208560A1 (de) | Funktionelle Magnetresonanz-Bildgebung | |
Vinutha et al. | A convolution neural network based classifier for diagnosis of Alzheimer’s disease | |
Haweel et al. | Early autism analysis and diagnosis system using task-based fMRI in a response to speech task | |
CN114176518B (zh) | 一种提高CNN分类性能的复数fMRI数据空间成分相位反校正方法 | |
CN115715677B (zh) | 情绪识别模型的训练方法、训练装置、设备及存储介质 | |
CN109948529B (zh) | 一种fMRI数据空间源相位从实数域到复数域的映射方法 | |
Prasad et al. | AI based segmentation technique to identify abnormality in MRI images |
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 |