CN111488934A - 脑影像数据处理方法、存储介质、计算机设备和装置 - Google Patents

脑影像数据处理方法、存储介质、计算机设备和装置 Download PDF

Info

Publication number
CN111488934A
CN111488934A CN202010287342.1A CN202010287342A CN111488934A CN 111488934 A CN111488934 A CN 111488934A CN 202010287342 A CN202010287342 A CN 202010287342A CN 111488934 A CN111488934 A CN 111488934A
Authority
CN
China
Prior art keywords
image data
brain image
brain
processing
group
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.)
Pending
Application number
CN202010287342.1A
Other languages
English (en)
Inventor
张锡哲
王菲
谷迁乔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Brain Structure Nanjing Technology Co ltd
Original Assignee
Brain Structure Nanjing Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Brain Structure Nanjing Technology Co ltd filed Critical Brain Structure Nanjing Technology Co ltd
Priority to CN202010287342.1A priority Critical patent/CN111488934A/zh
Publication of CN111488934A publication Critical patent/CN111488934A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种脑影像数据处理方法，包括：获取不同类型的脑影像数据；对脑影像数据进行影像特征提取，并对提取到的影像特征进行降维处理；对降维处理后的数据进行聚类分析，获得多组聚类结果，并对每个脑影像数据分配分组标签；将每组聚类结果与标准组数据进行比对，获得每组聚类结果的特征差异；根据每个脑影像数据的分组标签训练分类模型；将当前脑影像数据输入分类模型以获得当前脑影像数据的分组结果，以及根据分组结果和每组聚类结果的特征差异获取当前脑影像数据的特征差异。从影像特征上对待测脑影像数据进行准确分类，并能获取待测脑影像数据的特征差异。此外，本发明还提出一种计算机可读存储介质、计算机设备和脑影像数据处理装置。

Description

脑影像数据处理方法、存储介质、计算机设备和装置
技术领域
本发明涉及图像处理技术领域，尤其涉及一种脑影像数据处理方法、存储介质、计算机设备和装置。
背景技术
脑是自然界最复杂的动态系统之一，脑内神经元通过突触互相连接，形成高度复杂的脑功能结构，探索人脑的功能活动规律，具有十分重要的意义。
静息态功能磁共振成像技术是一种能够观察人脑内神经元活动的成像手段，具有无创伤，高分辨率等优点，现在已广泛应用于研究人脑高级功能。另一方面，机器学习分支中的深度学习在大数据时代得到飞速发展，现已在特征提取、目标检测、图像分割等方面取得了非常丰富的成果。因此，将深度学习方法与脑影像数据相结合是对人脑功能活动规律研究的发展趋势。
在众多机器学习的方法中，分类器常被用作脑影像数据的分析。目前采用分类器对脑影像数据进行分析时，往往是针对单一特定类型的脑影像数据作为算法的输入和输出训练分类器，样本数据太过单一、数量小，分类边界较为模糊，无法客观、准确地得到显著的分析结论，因此，对脑影像数据的研究不具备实质性意义。
发明内容
(一)要解决的技术问题
鉴于上述技术中存在的问题，本发明至少从一定程度上进行解决。为此，本发明的一个目的在于提出了一种脑影像数据处理方法，能够从影像特征上对各种类型的待测脑影像数据进行准确分类，并能够根据分类结果获取待测脑影像数据的显著特征差异，对脑功能研究具有实质性意义。
本发明的第二个目的在于提出一种计算机可读存储介质。
本发明的第三个目的在于提出一种计算机设备。
本发明的第四个目的在于提出一种脑影像数据处理装置。
(二)技术方案
为了达到上述目的，本发明一方面提供一种脑影像数据处理方法，包括以下步骤：
获取不同类型的脑影像数据；
对脑影像数据进行影像特征提取，以获得影像特征信息；
对影像特征信息进行降维处理，以获得低维特征数据；
对低维特征数据进行聚类分析，以将脑影像数据分成多组聚类结果，并对每个脑影像数据分配分组标签；
将每组聚类结果与预设的标准组数据进行比对，以获得每组聚类结果的特征差异；
根据每个脑影像数据的分组标签训练分类模型；
获取当前脑影像数据，并将当前脑影像数据输入到分类模型以获得当前脑影像数据的分组结果，以及根据当前脑影像数据的分组结果和每组聚类结果的特征差异获取当前脑影像数据的特征差异。
本发明实施例提供的脑影像数据处理方法，首先整合了不同类型的脑影像数据，大大丰富了后续训练所需的样本集，并通过对脑影像数据进行影像特征提取来获得影像特征信息，然后对影像特征信息进行降维处理以获得低维特征数据，接着通过对低维特征数据进行聚类分析，以将脑影像数据分成多组聚类结果，并对每个脑影像数据分配分组标签，以及将每组聚类结果与预设的标准组数据进行比对，以获得每组聚类结果的特征差异，最后根据每个脑影像数据的分组标签训练分类模型，这样在将当前脑影像数据输入到分类模型，能够获得当前脑影像数据的分组结果，然后根据当前脑影像数据的分组结果和每组聚类结果的特征差异获取当前脑影像数据的特征差异。因此，本发明将当前脑影像数据输入训练好的分类模型，实现了从影像特征上对当前脑影像数据进行准确分类，并能够根据分类结果获取当前脑影像数据的显著特征差异，由于是将各种类型的脑影像数据进行整合统一分析，大大丰富了训练所需的样本集，有效地提高了分类的准确性，并且在对脑影像数据处理的过程中采用降维处理算法，可以大大降低运算量，提高了处理速度，以及在对脑影像数据进行准确分类之后再根据分组结果和每组聚类结果的特征差异来获得脑影像数据的显著特征差异，剔除了干扰，大大提高了算法的准确度，对后续脑功能的研究具有实质性意义。
可选地，在对脑影像数据进行影像特征提取之前，还对脑影像数据进行预处理，其中，预处理的步骤包括数据格式转化、图像去噪处理、时间差异校正、头动校正、空间标准化、去除线性漂移和高频滤波处理。
可选地，对脑影像数据进行影像特征提取，包括：通过计算脑影像数据内每一个体素的肯德尔和谐系数KCC值，以获得脑影像数据的KCC矩阵，并将KCC矩阵作为影像特征信息。
可选地，对影像特征信息进行降维处理，包括：采用非负矩阵分解NMF对KCC矩阵进行降维处理。
为达到上述目的，本发明另一方面提供的一种脑影像数据处理装置，包括：
获取模块，用于获取不同类型的脑影像数据；
特征提取模块，用于对脑影像数据进行影像特征提取，以获得影像特征信息；
降维处理模块，用于对影像特征信息进行降维处理，以获得低维特征数据；
聚类分析模块，用于对低维特征数据进行聚类分析，以将脑影像数据分成多组聚类结果，并对每个脑影像数据分配分组标签；
特征比对模块，用于将每组聚类结果与预设的标准组数据进行比对，以获得每组聚类结果的特征差异；
模型训练模块，用于根据每个脑影像数据的分组标签训练分类模型；
获取模块还用于，获取当前脑影像数据，并将当前脑影像数据输入到分类模型以获得当前脑影像数据的分组结果，以及根据当前脑影像数据的分组结果和每组聚类结果的特征差异获取当前脑影像数据的特征差异。
本发明实施例提供的脑影像数据处理装置，通过获取模块获取不同类型的脑影像数据，大大丰富了后续训练所需的样本集，并通过特征提取模块对脑影像数据进行影像特征提取来获得影像特征信息，然后通过降维处理模块对影像特征信息进行降维处理以获得低维特征数据，接着通过聚类分析模块对低维特征数据进行聚类分析，以将脑影像数据分成多组聚类结果，并对每个脑影像数据分配分组标签，以及通过特征比对模块将每组聚类结果与预设的标准组数据进行比对，以获得每组聚类结果的特征差异，并且模型训练模块根据每个脑影像数据的分组标签训练分类模型，这样在将当前脑影像数据输入到分类模型，能够获得当前脑影像数据的分组结果，然后根据当前脑影像数据的分组结果和每组聚类结果的特征差异获取当前脑影像数据的特征差异。因此，本发明将当前脑影像数据输入训练好的分类模型，实现了从影像特征上对当前脑影像数据进行准确分类，并能够根据分类结果获取当前脑影像数据的显著特征差异，由于是将各种类型的脑影像数据进行整合统一分析，大大丰富了训练所需的样本集，有效地提高了分类的准确性，并且在对脑影像数据处理的过程中采用降维处理算法，可以大大降低运算量，提高了处理速度，以及在对脑影像数据进行准确分类之后再根据分组结果和每组聚类结果的特征差异来获得脑影像数据的显著特征差异，剔除了干扰，大大提高了算法的准确度，对后续脑功能的研究具有实质性意义。
可选地，脑影像数据处理装置还包括预处理模块，用于在特征提取模块对脑影像数据进行影像特征提取之前，对脑影像数据进行数据格式转化、图像去噪处理、时间差异校正、头动校正、空间标准化、去除线性漂移和高频滤波处理。
可选地，特征提取模块还用于，通过计算脑影像数据内每一个体素的肯德尔和谐系数KCC值，以获得脑影像数据的KCC矩阵，并将KCC矩阵作为影像特征信息。
可选地，降维处理模块还用于，采用非负矩阵分解NMF对KCC矩阵进行降维处理。
此外，本发明实施例还提出一种计算机可读存储介质，其上存储有脑影像数据处理程序，该脑影像数据处理程序被处理器执行时实现如上所述的脑影像数据处理方法。
本发明实施例的计算机可读存储介质，其存储的脑影像数据处理程序被处理器执行时，能够将当前脑影像数据输入训练好的分类模型，实现了从影像特征上对当前脑影像数据进行准确分类，并能够根据分类结果获取当前脑影像数据的显著特征差异，由于是将各种类型的脑影像数据进行整合统一分析，大大丰富了训练所需的样本集，有效地提高了分类的准确性，并且在对脑影像数据处理的过程中采用降维处理算法，可以大大降低运算量，提高了处理速度，以及在对脑影像数据进行准确分类之后再根据分组结果和每组聚类结果的特征差异来获得脑影像数据的显著特征差异，剔除了干扰，大大提高了算法的准确度，对后续脑功能的研究具有实质性意义。
此外，本发明实施例还提出一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的脑影像数据处理程序，处理器执行脑影像数据处理程序时，实现如上所述的脑影像数据处理方法。
本发明实施例的计算机设备，通过处理器运行存储器存储的脑影像数据处理程序，能够将当前脑影像数据输入训练好的分类模型，实现了从影像特征上对当前脑影像数据进行准确分类，并能够根据分类结果获取当前脑影像数据的显著特征差异，由于是将各种类型的脑影像数据进行整合统一分析，大大丰富了训练所需的样本集，有效地提高了分类的准确性，并且在对脑影像数据处理的过程中采用降维处理算法，可以大大降低运算量，提高了处理速度，以及在对脑影像数据进行准确分类之后再根据分组结果和每组聚类结果的特征差异来获得脑影像数据的显著特征差异，剔除了干扰，大大提高了算法的准确度，对后续脑功能的研究具有实质性意义。
(三)有益效果
本发明的有益效果是：
本发明提供的脑影像数据处理方法和处理装置，首先整合了不同类型的脑影像数据，并基于影像特征对脑影像数据进行重新分类，然后根据分类结果训练分类模型，以及将分类结果与预设的标准组数据进行比对以获得每种分类结果的特征差异，这样将当前脑影像数据输入训练好的分类模型，实现了从影像特征上对当前脑影像数据进行准确分类，并能够根据分类结果获取当前脑影像数据的显著特征差异，由于是将各种类型的脑影像数据进行整合统一分析，大大丰富了训练所需的样本集，有效地提高了分类的准确性，并且在对脑影像数据处理的过程中采用降维处理算法，可以大大降低运算量，提高了处理速度，以及在对脑影像数据进行准确分类之后再根据分组结果和每组聚类结果的特征差异来获得脑影像数据的显著特征差异，剔除了干扰，大大提高了算法的准确度，对后续脑功能的研究具有实质性意义。
附图说明
本发明借助于以下附图进行描述：
图1为根据本发明一个实施例的脑影像数据处理方法的流程图；
图2为根据本发明一个实施例的脑影像数据处理装置的方框示意图。
【附图标记说明】
1：获取模块；
2：预处理模块；
3：特征提取模块；
4：降维处理模块；
5：聚类分析模块；
6：特征对比模块；
7：模型训练模块。
具体实施方式
为了更好的解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。
本发明实施例提出的脑影像数据处理方法和处理装置，通过整合不同类型的脑影像数据，基于影像特征对脑影像数据进行重新分类，能够客观、准确地对脑影像数据进行分类，大大提高了算法的准确度，对后续脑功能的研究具有实质性意义。
为了更好的理解上述技术方案，下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更清楚、透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
下面就参照附图来描述根据本发明实施例提出的脑影像数据处理方法和脑影像数据处理装置。
图1为本发明一个实施例的脑影像数据处理方法的流程示意图。
如图1所示，该脑影像数据处理方法包括以下步骤：
步骤101、获取不同类型的脑影像数据。
其中，脑影像数据可以通过MRI磁共振扫描仪采集被试者静息态功能脑影像获取。
例如，可针对抑郁症、精神分裂症、双相障碍等重性精神疾病，使用MRI磁共振扫描仪对每个参与者采集静息态功能磁共振影像，从而获得不同类型的脑影像数据。
具体地，作为一个示例，可采集17-55岁被试共1263人的脑影像数据作为样本集。其中样本集可包括268名SCZ患者的脑影像数据、215名BPD患者的脑影像数据，318名MDD患者的脑影像以及462名健康者的脑影像数据，462名健康者的脑影像数据作为标准组数据。每个脑影像数据的采集参数如下，TR＝2000ms，TE＝30ms，翻转角＝90°，矩阵＝64×64，FOV＝240cm×240mm2，扫描层数＝35层，层厚＝3mm，层间隔＝0mm，体素大小＝3mm3，总扫描时间为6分40秒。
步骤102、对脑影像数据进行预处理。
其中，预处理的步骤包括数据格式转化、图像去噪处理、时间差异校正、头动校正、空间标准化、去除线性漂移和高频滤波处理。
进一步地，对于通过MRI磁共振扫描仪获取的脑影像数据，预处理的步骤还包括移除起始10个时间点图像和滋扰协变量回归。
具体地，作为一个示例，数据格式转化包括将DICOM原始数据转为Nifti格式，便于后续软件处理；移除起始10个时间点图像，排除MRI磁共振扫描仪开始扫描时信号不稳定及被试适应环境的过程对结果的影响；时间差异校正，用于校正在不同时间获取的图像的差异；头动校正，对脑影像数据进行刚体变换，避免图像不清晰、定位不准确的影响；空间标准化，用于将脑影像数据配准到同一标准空间下；去除线性漂移，用于去除所有受试者机器线性趋势影响；高频滤波处理，用于去除高频生理噪声；滋扰协变量回归，用于将头动参数、白质和脑脊液的时间序列作为回归变量，以剔除这些变量对fMRI图像的影响。
步骤103、对脑影像数据进行影像特征提取，以获得影像特征信息。
具体地，作为一个实施例，对脑影像数据进行影像特征提取，包括：通过计算脑影像数据内每一个体素的KCC(Kendall's Coefficient Concordance，肯德尔和谐系数)值，以获得脑影像数据的KCC矩阵，并将KCC矩阵作为影像特征信息。其中，肯德尔和谐系数KCC的计算公式为：
Figure BDA0002449029290000081
其中，W为指定体素的KCC值；Ri为第i个时间点上指定体素和邻近体素的等级秩和；K为指定体素和邻近体素的数目总和；
Figure BDA0002449029290000091
为所有Ri的平均值。
当然，将KCC矩阵作为影像特征信息仅仅是优选，可以想见，将体素之间的功能连接矩阵或体素的低频振幅(ALFF)矩阵作为影像特征信息，也可实现类似的效果。
步骤104、对影像特征信息进行降维处理，以获得低维特征数据。
由于KCC矩阵是三维矩阵，其维度为61*73*61，共有271633个值，因此在进行聚类分析之前需要对其进行降维。具体地，降维处理步骤包括采用非负矩阵分解NMF对KCC矩阵进行降维处理。
即言，给定一个非负矩阵V，NMF能够找到一个非负矩阵W和一个非负矩阵H，使得矩阵W和H的乘积近似等于矩阵V中的值，即：
Vn×m＝Wn×k×Hk×m
其中，W矩阵为从原矩阵V中抽取出来的特征，H矩阵为系数矩阵。其中W矩阵用于进行下一步聚类分析。
可选地，采用主成分分析或深度自编码器或t-SNE算法对KCC矩阵进行降维处理，也可实现类似的效果。
步骤105、对低维特征数据进行聚类分析，以将脑影像数据分成多组聚类结果，并对每个脑影像数据分配分组标签。
具体地，聚类分析步骤包括将降维后的W矩阵转换为特征向量集合{Ri}，i＝1…N，其中N为被试人数；采用凝聚层次聚类方法对特征向量集合进行聚类分析，以将脑影像数据分成多组聚类结果，例如3组，其中，数据点的距离采用欧几里得距离进行计算，数据簇间的距离采用完全链接方法进行计算；根据聚类结果，对每个脑影像数据分配分组标签。
可选地，采用k-均值聚类方法、谱聚类方法、密度聚类方法或基于深度学习的聚类方法对低维特征数据进行聚类分析，也可以实现类似的效果。
步骤106、将每组聚类结果与预设的标准组数据进行比对，以获得每组聚类结果的特征差异。
具体地，将每组聚类结果与预设的标准组数据进行比对，包括根据KCC矩阵，将预设的标准组数据分别与每组聚类结果进行统计检验，获得每组聚类结果中具有统计学差异的特征，将其作为该组聚类结果的特征差异。其中，统计检验的步骤包括针对KCC矩阵中对应位置的体素，逐个施行基于体素的两样本T检验，以年龄和性别作为协变量。
例如，这3组聚类结果中，每组聚类结果与预设的标准组均存在明显的差异，其特征差异明显，说明本发明实施例方法实现了从影像特征上对当前脑影像数据的准确分类。
步骤107、根据每个脑影像数据的分组标签训练分类模型。
其中，分类模型可以为3D卷积神经网络模型，3D卷积神经网络模型的模型架构采用ResNet-18结构，3D卷积神经网络模型的优化器采用Adam优化器。
可选地，将支撑向量机模型、深度神经网络模型、卷积神经网络模型、决策树模型和随机森林模型作为分类模型，也可以实现类似的效果。
步骤108、获取当前脑影像数据，并将当前脑影像数据输入到分类模型以获得当前脑影像数据的分组结果，以及根据当前脑影像数据的分组结果和每组聚类结果的特征差异获取当前脑影像数据的特征差异。
综上所述，本发明实施例提供的脑影像数据处理方法将不同类型的脑影像进行统一分析，从而能够准确得到目标脑影像的特征差异区，为后续脑功能研究提供了基础。
根据本发明实施例提供的脑影像数据处理方法，首先整合了不同类型的脑影像数据，大大丰富了后续训练所需的样本集，并通过对脑影像数据进行影像特征提取来获得影像特征信息，然后对影像特征信息进行降维处理以获得低维特征数据，接着通过对低维特征数据进行聚类分析，以将脑影像数据分成多组聚类结果，并对每个脑影像数据分配分组标签，以及将每组聚类结果与预设的标准组数据进行比对，以获得每组聚类结果的特征差异，最后根据每个脑影像数据的分组标签训练分类模型，这样在将当前脑影像数据输入到分类模型，能够获得当前脑影像数据的分组结果，然后根据当前脑影像数据的分组结果和每组聚类结果的特征差异获取当前脑影像数据的特征差异。因此，本发明将当前脑影像数据输入训练好的分类模型，实现了从影像特征上对当前脑影像数据进行准确分类，并能够根据分类结果获取当前脑影像数据的显著特征差异，由于是将各种类型的脑影像数据进行整合统一分析，大大丰富了训练所需的样本集，有效地提高了分类的准确性，并且在对脑影像数据处理的过程中采用降维处理算法，可以大大降低运算量，提高了处理速度，以及在对脑影像数据进行准确分类之后再根据分组结果和每组聚类结果的特征差异来获得脑影像数据的显著特征差异，剔除了干扰，大大提高了算法的准确度，对后续脑功能的研究具有实质性意义。
图2为本发明一个实施例的脑影像数据处理装置的结构示意图。
如图2所示，该脑影像数据处理装置包括：获取模块1、特征提取模块3、降维处理模块4、聚类分析模块5、特征比对模块6和模型训练模块7。
其中，获取模块1，用于获取不同类型的脑影像数据；特征提取模块3，用于对脑影像数据进行影像特征提取，以获得影像特征信息；降维处理模块4，用于对影像特征信息进行降维处理，以获得低维特征数据；聚类分析模块5，用于对低维特征数据进行聚类分析，以将脑影像数据分成多组聚类结果，并对每个脑影像数据分配分组标签；特征比对模块6，用于将每组聚类结果与预设的标准组数据进行比对，以获得每组聚类结果的特征差异；模型训练模块7，用于根据每个脑影像数据的分组标签训练分类模型；获取模块1还用于，获取当前脑影像数据，并将当前脑影像数据输入到分类模型以获得当前脑影像数据的分组结果，以及根据当前脑影像数据的分组结果和每组聚类结果的特征差异获取当前脑影像数据的特征差异。
作为一个实施例，脑影像数据处理装置还包括预处理模块2，用于在特征提取模块对脑影像数据进行影像特征提取之前，对脑影像数据进行数据格式转化、图像去噪处理、时间差异校正、头动校正、空间标准化、去除线性漂移和高频滤波处理。
作为一个实施例，特征提取模块3具体用于通过计算脑影像数据内每一个体素的肯德尔和谐系数KCC值，以获得脑影像数据的KCC矩阵，并将KCC矩阵作为影像特征信息。
作为一个实施例，降维处理模块4具体用于采用非负矩阵分解NMF对KCC矩阵进行降维处理。
需要说明的是，本实施例提供的脑影像数据处理装置中各模块的具体功能，及脑影像数据处理流程，可参照上述实施例1提供的脑影像数据处理方法的详细描述，此处不再赘述。
综上所述，本发明实施例提供的脑影像处理装置通过整合不同类型的脑影像数据，基于影像特征对脑影像数据进行重新分类，能够客观、准确地对脑影像数据进行分类，大大提高了算法的准确度，对后续脑功能的研究具有实质性意义。
根据本发明实施例提供的脑影像处理装置，通过获取模块获取不同类型的脑影像数据，大大丰富了后续训练所需的样本集，并通过特征提取模块对脑影像数据进行影像特征提取来获得影像特征信息，然后通过降维处理模块对影像特征信息进行降维处理以获得低维特征数据，接着通过聚类分析模块对低维特征数据进行聚类分析，以将脑影像数据分成多组聚类结果，并对每个脑影像数据分配分组标签，以及通过特征比对模块将每组聚类结果与预设的标准组数据进行比对，以获得每组聚类结果的特征差异，并且模型训练模块根据每个脑影像数据的分组标签训练分类模型，这样在将当前脑影像数据输入到分类模型，能够获得当前脑影像数据的分组结果，然后根据当前脑影像数据的分组结果和每组聚类结果的特征差异获取当前脑影像数据的特征差异。因此，本发明将当前脑影像数据输入训练好的分类模型，实现了从影像特征上对当前脑影像数据进行准确分类，并能够根据分类结果获取当前脑影像数据的显著特征差异，由于是将各种类型的脑影像数据进行整合统一分析，大大丰富了训练所需的样本集，有效地提高了分类的准确性，并且在对脑影像数据处理的过程中采用降维处理算法，可以大大降低运算量，提高了处理速度，以及在对脑影像数据进行准确分类之后再根据分组结果和每组聚类结果的特征差异来获得脑影像数据的显著特征差异，剔除了干扰，大大提高了算法的准确度，对后续脑功能的研究具有实质性意义。
此外，本发明实施例还提出一种计算机可读存储介质，其上存储有脑影像数据处理程序，该脑影像数据处理程序被处理器执行时实现如上所述的脑影像数据处理方法。
根据本发明实施例提供的计算机可读存储介质，其存储的脑影像数据处理程序被处理器执行时，能够将当前脑影像数据输入训练好的分类模型，实现了从影像特征上对当前脑影像数据进行准确分类，并能够根据分类结果获取当前脑影像数据的显著特征差异，由于是将各种类型的脑影像数据进行整合统一分析，大大丰富了训练所需的样本集，有效地提高了分类的准确性，并且在对脑影像数据处理的过程中采用降维处理算法，可以大大降低运算量，提高了处理速度，以及在对脑影像数据进行准确分类之后再根据分组结果和每组聚类结果的特征差异来获得脑影像数据的显著特征差异，剔除了干扰，大大提高了算法的准确度，对后续脑功能的研究具有实质性意义。
此外，本发明实施例还提出一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的脑影像数据处理程序，处理器执行脑影像数据处理程序时，实现如上所述的脑影像数据处理方法。
根据本发明实施例提供的计算机设备，通过处理器运行存储器存储的脑影像数据处理程序，能够将当前脑影像数据输入训练好的分类模型，实现了从影像特征上对当前脑影像数据进行准确分类，并能够根据分类结果获取当前脑影像数据的显著特征差异，由于是将各种类型的脑影像数据进行整合统一分析，大大丰富了训练所需的样本集，有效地提高了分类的准确性，并且在对脑影像数据处理的过程中采用降维处理算法，可以大大降低运算量，提高了处理速度，以及在对脑影像数据进行准确分类之后再根据分组结果和每组聚类结果的特征差异来获得脑影像数据的显著特征差异，剔除了干扰，大大提高了算法的准确度，对后续脑功能的研究具有实质性意义。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例，或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。
应当注意的是，在权利要求中，不应将位于括号之间的任何附图标记理解成对权利要求的限制。词语“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的词语“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的权利要求中，这些装置中的若干个可以是通过同一个硬件来具体体现。词语第一、第二、第三等的使用，仅是为了表述方便，而不表示任何顺序。可将这些词语理解为部件名称的一部分。
此外，需要说明的是，在本说明书的描述中，术语“一个实施例”、“一些实施例”、“实施例”、“示例”、“具体示例”或“一些示例”等的描述，是指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管已描述了本发明的优选实施例，但本领域的技术人员在得知了基本创造性概念后，则可对这些实施例作出另外的变更和修改。所以，权利要求应该解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种修改和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也应该包含这些修改和变型在内。

Claims (10)

1.一种脑影像数据处理方法，其特征在于，包括以下步骤：
获取不同类型的脑影像数据；
对所述脑影像数据进行影像特征提取，以获得影像特征信息；
对所述影像特征信息进行降维处理，以获得低维特征数据；
对所述低维特征数据进行聚类分析，以将所述脑影像数据分成多组聚类结果，并对每个脑影像数据分配分组标签；
将每组聚类结果与预设的标准组数据进行比对，以获得每组聚类结果的特征差异；
根据每个脑影像数据的分组标签训练分类模型；
获取当前脑影像数据，并将所述当前脑影像数据输入到所述分类模型以获得所述当前脑影像数据的分组结果，以及根据所述当前脑影像数据的分组结果和所述每组聚类结果的特征差异获取所述当前脑影像数据的特征差异。
2.如权利要求1所述的脑影像数据处理方法，其特征在于，在对所述脑影像数据进行影像特征提取之前，还对所述脑影像数据进行预处理，其中，预处理的步骤包括数据格式转化、图像去噪处理、时间差异校正、头动校正、空间标准化、去除线性漂移和高频滤波处理。
3.如权利要求1或2所述的脑影像数据处理方法，其特征在于，对所述脑影像数据进行影像特征提取，包括：
通过计算所述脑影像数据内每一个体素的肯德尔和谐系数KCC值，以获得所述脑影像数据的KCC矩阵，并将所述KCC矩阵作为所述影像特征信息。
4.如权利要求3所述的脑影像数据处理方法，其特征在于，对所述影像特征信息进行降维处理，包括：
采用非负矩阵分解NMF对所述KCC矩阵进行降维处理。
5.一种计算机可读存储介质，其特征在于，其上存储有脑影像数据处理程序，该脑影像数据处理程序被处理器执行时实现如权利要求1-4中任一项所述的脑影像数据处理方法。
6.一种计算机设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的脑影像数据处理程序，所述处理器执行所述脑影像数据处理程序时，实现如权利要求1-4中任一项所述的脑影像数据处理方法。
7.一种脑影像数据处理装置，其特征在于，包括：
获取模块，用于获取不同类型的脑影像数据；
特征提取模块，用于对所述脑影像数据进行影像特征提取，以获得影像特征信息；
降维处理模块，用于对所述影像特征信息进行降维处理，以获得低维特征数据；
聚类分析模块，用于对所述低维特征数据进行聚类分析，以将所述脑影像数据分成多组聚类结果，并对每个脑影像数据分配分组标签；
特征比对模块，用于将每组聚类结果与预设的标准组数据进行比对，以获得每组聚类结果的特征差异；
模型训练模块，用于根据每个脑影像数据的分组标签训练分类模型；
所述获取模块还用于，获取当前脑影像数据，并将所述当前脑影像数据输入到所述分类模型以获得所述当前脑影像数据的分组结果，以及根据所述当前脑影像数据的分组结果和所述每组聚类结果的特征差异获取所述当前脑影像数据的特征差异。
8.如权利要求7所述的脑影像数据处理装置，其特征在于，还包括预处理模块，用于在所述特征提取模块对所述脑影像数据进行影像特征提取之前，对所述脑影像数据进行数据格式转化、图像去噪处理、时间差异校正、头动校正、空间标准化、去除线性漂移和高频滤波处理。
9.如权利要求7或8所述的脑影像数据处理装置，其特征在于，所述特征提取模块还用于，
通过计算所述脑影像数据内每一个体素的肯德尔和谐系数KCC值，以获得所述脑影像数据的KCC矩阵，并将所述KCC矩阵作为所述影像特征信息。
10.如权利要求9所述的脑影像数据处理装置，其特征在于，所述降维处理模块还用于，采用非负矩阵分解NMF对KCC矩阵进行降维处理。
CN202010287342.1A 2020-04-13 2020-04-13 脑影像数据处理方法、存储介质、计算机设备和装置 Pending CN111488934A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010287342.1A CN111488934A (zh) 2020-04-13 2020-04-13 脑影像数据处理方法、存储介质、计算机设备和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010287342.1A CN111488934A (zh) 2020-04-13 2020-04-13 脑影像数据处理方法、存储介质、计算机设备和装置

Publications (1)

Publication Number Publication Date
CN111488934A true CN111488934A (zh) 2020-08-04

Family

ID=71811835

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010287342.1A Pending CN111488934A (zh) 2020-04-13 2020-04-13 脑影像数据处理方法、存储介质、计算机设备和装置

Country Status (1)

Country Link
CN (1) CN111488934A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112183669A (zh) * 2020-11-04 2021-01-05 北京航天泰坦科技股份有限公司 图像分类方法和装置、设备及存储介质
CN112819765A (zh) * 2021-01-25 2021-05-18 西南交通大学 一种肝脏图像处理方法
CN113947577A (zh) * 2021-10-18 2022-01-18 上海市精神卫生中心（上海市心理咨询培训中心） 基于健康人群分布实现脑影像特征归一化处理的方法、系统、装置、处理器及其存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108492873A (zh) * 2018-03-13 2018-09-04 山东大学 一种用于辅助诊断阿兹海默症的知识迁移学习方法
CN109770903A (zh) * 2018-12-29 2019-05-21 中国科学院自动化研究所 功能磁共振影像的分类预测方法、系统、装置
CN109993230A (zh) * 2019-04-04 2019-07-09 江南大学 一种面向脑功能磁共振图像分类的tsk模糊系统建模方法
CN110443798A (zh) * 2018-12-25 2019-11-12 电子科技大学 一种基于磁共振图像的自闭症检测方法、装置及系统
CN110555844A (zh) * 2019-09-17 2019-12-10 武汉大学 功能磁共振成像技术fMRI在分析人脑区活动改变中的应用

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108492873A (zh) * 2018-03-13 2018-09-04 山东大学 一种用于辅助诊断阿兹海默症的知识迁移学习方法
CN110443798A (zh) * 2018-12-25 2019-11-12 电子科技大学 一种基于磁共振图像的自闭症检测方法、装置及系统
CN109770903A (zh) * 2018-12-29 2019-05-21 中国科学院自动化研究所 功能磁共振影像的分类预测方法、系统、装置
CN109993230A (zh) * 2019-04-04 2019-07-09 江南大学 一种面向脑功能磁共振图像分类的tsk模糊系统建模方法
CN110555844A (zh) * 2019-09-17 2019-12-10 武汉大学 功能磁共振成像技术fMRI在分析人脑区活动改变中的应用

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
中国科学技术协会 等: "心理学学科发展报告 2014-2015版", 中国科学技术出版社, pages: 25 - 34 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112183669A (zh) * 2020-11-04 2021-01-05 北京航天泰坦科技股份有限公司 图像分类方法和装置、设备及存储介质
CN112183669B (zh) * 2020-11-04 2024-02-13 航天科工(北京)空间信息应用股份有限公司 图像分类方法和装置、设备及存储介质
CN112819765A (zh) * 2021-01-25 2021-05-18 西南交通大学 一种肝脏图像处理方法
CN113947577A (zh) * 2021-10-18 2022-01-18 上海市精神卫生中心（上海市心理咨询培训中心） 基于健康人群分布实现脑影像特征归一化处理的方法、系统、装置、处理器及其存储介质
CN113947577B (zh) * 2021-10-18 2022-06-28 上海市精神卫生中心（上海市心理咨询培训中心） 基于健康人群分布实现脑影像特征归一化处理的方法、系统、装置、处理器及其存储介质

Similar Documents

Publication Publication Date Title
Khodatars et al. Deep learning for neuroimaging-based diagnosis and rehabilitation of autism spectrum disorder: a review
CN109409416B (zh) 特征向量降维方法和医学图像识别方法、装置及存储介质
CN109376751B (zh) 一种基于卷积神经网络的人脑功能网络分类方法
Yue et al. Auto-detection of Alzheimer's disease using deep convolutional neural networks
CN104700120B (zh) 一种基于自适应熵投影聚类算法的fMRI特征提取及分类方法
CN110840468B (zh) 自闭症风险评估方法及装置、终端设备、存储介质
CN102509123B (zh) 一种基于复杂网络的脑功能磁共振图像分类方法
CN111488934A (zh) 脑影像数据处理方法、存储介质、计算机设备和装置
US11412933B2 (en) System for analysing an activity of brain using magnetic resonance imaging (MRI) data
Yang et al. Large-scale brain functional network integration for discrimination of autism using a 3-D deep learning model
CN113610808A (zh) 基于个体脑连接图的群体脑图谱个体化方法、系统和设备
CN109730678A (zh) 一种多层大脑功能网络模块划分方法
Zhang et al. Deep learning models unveiled functional difference between cortical gyri and sulci
CN113936172B (zh) 一种基于集成学习融合多模式特征的疾病分类方法及设备
CN115272295A (zh) 基于时域-空域联合状态的动态脑功能网络分析方法及系统
Avberšek et al. Deep learning in neuroimaging data analysis: applications, challenges, and solutions
Al-Hiyali et al. Autism spectrum disorder detection based on wavelet transform of BOLD fMRI signals using pre-trained convolution neural network
CN107045624B (zh) 一种基于最大加权团的脑电信号预处理与分类方法
Liu et al. An ensemble hybrid feature selection method for neuropsychiatric disorder classification
Alharthi et al. Do it the transformer way: a comprehensive review of brain and vision transformers for autism spectrum disorder diagnosis and classification
Latha et al. Brain tumour detection using neural network classifier and kmeans clustering algorithm for classification and segmentation
CN108805181B (zh) 一种基于多分类模型的图像分类装置及分类方法
CN117612735A (zh) 一种受结构约束的脑白质功能网络构建方法及系统
Grigorescu et al. Interpretable convolutional neural networks for preterm birth classification
Mareeswari et al. A survey: Early detection of Alzheimer’s disease using different techniques

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200804

RJ01 Rejection of invention patent application after publication