CN113077456B - 基于功能性磁共振成像构建网络模型的训练方法和装置 - Google Patents
基于功能性磁共振成像构建网络模型的训练方法和装置 Download PDFInfo
- Publication number
- CN113077456B CN113077456B CN202110424672.5A CN202110424672A CN113077456B CN 113077456 B CN113077456 B CN 113077456B CN 202110424672 A CN202110424672 A CN 202110424672A CN 113077456 B CN113077456 B CN 113077456B
- Authority
- CN
- China
- Prior art keywords
- data set
- training
- fmri
- model
- training data
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
-
- 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
-
- 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Radiology & Medical Imaging (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Pathology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- High Energy & Nuclear Physics (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
公开了基于fMRI构建网络模型的训练方法和装置、计算机设备以及存储介质。所述基于fMRI构建网络模型的训练方法,包括:对原始的功能磁共振成像(fMRI)图像数据进行采样和预处理;建立卷积神经网络(CNN)模型;创建第一训练数据集,其中第一训练数据集包括预处理后的fMRI图像片段;在第一阶段使用第一训练数据集对CNN模型进行训练并输出分类结果;创建第二训练数据集,其中第二训练数据集是第一训练数据集中损失值最小的fMRI图像片段;在第二阶段使用第二测试数据集对CNN模型进行训练并输出分类结果。
Description
技术领域
本申请涉及医学影像的计算机分析技术领域,尤其涉及一种基于功能性磁共振成像构建网络模型的训练方法和装置,计算机设备以及存储介质。
背景技术
随着现代医学的发展,医学影像在疾病的辅助诊断和治疗上起到了越来越重要的作用。而精神科疾病由于其复杂的发病原理和多变的临床表现,使得神经影像在帮助医生认识和研究患者脑部结构和功能等方面更是有着不可替代的作用。其中,功能性磁共振成像(functionalMagnetic Resonance Imaging,fMRI)作为一种新兴的神经影像学方式,以其高的空间和时间分辨率特点,在临床治疗和医学研究中都有广泛应用。然而,fMRI数据本身易受噪声干扰、数据维度高,这些都导致数据的处理和分析存在较大难度。因此,针对fMRI数据的这些特点,利用最新的人工智能相关技术,将深度学习算法应用于fMRI的分析中,可以挖掘更多有价值的信息。另一方面,分析工具可以简化人工处理和分析数据的过程,以减轻医生和研究者的负担。
近年来,磁共振成像等多模态医学图像已成为神经科学领域的研究热点。由于其高时空分辨率,这些医学图像已广泛应用于多种精神障碍疾病的脑结构和功能研究。在传统的fMRI训练方法中,研究者们一般采用先对原数据进行降维,再使用机器学习算法进行判别分析;或者使用划分脑区、提取感兴趣区域等方法进行功能分析。2004年,Yu-FengZang等人提出了一种基于区域同质性(Regional Homogeneity,ReHo)的新方法,即,使用肯德尔和谐系数(Kendall′s Coeffiicient Concordance,KCC)来度量给定体素的时间序列与邻近体素的时间序列的相似性。2007年,Yu-Feng Zang等使用了低频振幅(0.01-0.08Hz)波动(Amplitude of Low-Frequency Fluctuation,ALFF)作为一项新的衡量fMRI的基线指标。该指标将功率谱的平方根在低频范围内积分,用以检测血氧依赖水平(Blood OxygenLevel Dependent,BOLD)信号中自发波动的区域强度。2008年,Qi-Hong Zou等改进了ALFF指标,提出了相对低频振幅指标(fractional Amplitude of Low-FrequencyFluctuation,fALFF),即低频功率谱与整个频率范围的功率谱之比。该指标相比ALFF降低了对低频噪声的敏感性,实验结果表明fALFF指标在检测自发性脑活动时提高了灵敏度和特异性。除了以上列举的最为常用的几种fMRI特征外,还有诸如功能连通性(FunctionalConnectivity,FC)、体素镜像等位连通性(Voxel-Mirrored Homotopic Connectivity,VMHC)等。
然而,现有技术虽然能够针对fMRI数据进行判别处理,但这些传统的特征指标都是基于先验知识或特定目的设计的人工特征,虽然可以直接使用特征公式进行计算,实用上很便利,然而这类特征的缺点也很明显。首先,由于fMRI的高维性,即使是精心设计的特征也可能导致有价值信息的缺失;并且使用单一的特征会给分析带来片面性,不同的特征得到的分析结果也不尽一致。一些研究者同时利用多个特征来消除片面性,取得了较好的效果。其次,其固定的特征计算方法通常对噪声、各种扫描装置和参数比较敏感。这些因素会导致每种特征对结果的影响不同,最终导致整体判别效果下降。此外,在特征计算过程中也会耗费大量的时间和计算资源。
发明内容
基于此,针对上述技术问题,本申请提供了一种基于fMRI构建网络模型的训练方法和装置、计算机设备以及存储介质。
在一个实施例中,提供了一种基于fMRI构建网络模型的训练方法,包括:
对原始的功能磁共振成像(fMRI)图像数据进行采样和预处理;
建立卷积神经网络(CNN)模型;
创建第一训练数据集,其中第一训练数据集包括预处理后的fMRI图像片段;
在第一阶段使用第一训练数据集对CNN模型进行训练并输出分类结果;
创建第二训练数据集,其中第二训练数据集是第一训练数据集中损失值最小的fMRI图像片段;
在第二阶段使用第二测试数据集对CNN模型进行训练并输出分类结果。
在一个实施例中,所述在第一阶段使用第一训练数据集对CNN模型进行训练包括在第一阶段使用第一训练数据集对3D-CNN+LSTM模型进行训练。
在一个实施例中,所述在第二阶段使用第二测试数据集对CNN模型进行训练并输出分类结果包括在第二阶段使用第二测试数据集对4D-CNN模型进行训练并输出分类结果。
在一个实施例中,所述第二训练数据集是在第一训练数据集上进行最大期望(EM)算法得到。
在一个实施例中,所述4D-CNN模型中的4D卷积为一个3×3×3×1卷积和一个1×1×1×3卷积的叠加。
在一个实施例中,在对获取的原始功能磁共振成像(fMRI)数据进行预处理之前,该方法还包括:对获取的原始功能磁共振成像(fMRI)图像数据进行验证;
其中,对获取的原始功能磁共振成像(fMRI)图像数据进行验证包括:
存储组织形式验证:根据给定的数据存储目录,验证数据存储方式是否符合脑成像数据存储的标准化框架(BIDS)标准;同时,可以根据目录信息获取受试者列表;
数据格式验证:对数据存储格式进行验证,如果数据存储格式是dicom格式,将其转换为nifti格式;
数据完整性验证:对受试者样本中的图像是否缺失、影像数据内部像素是否完整进行验证,筛选并去除异常的样本;
异常数据日志报告:根据以上各验证结果,收集检测异常的数据相关信息,并将检测异常的数据相关信息返回给用户,以方便用户调整该数据;其中,每一条日志应对应一个受试者的样本编号、异常数据的存储路径以及异常类型。
在一个实施例中,所述预处理后的fMRI图像序列表示为{fs,fs+d,…,fs+(m-1)d},其中d为采集步长,fs为随机选择的开始帧,s+(m-1)d<n,m为采样片段的帧数。
在一个实施例中,提供了一种基于fMRI构建网络模型的训练装置,包括:数据处理模块、模型分析模块和可视化模块;其中,
数据处理模块用于对原始的功能磁共振成像(fMRI)数据进行采样和预处理;
模型分析模块用于建立卷积神经网络(CNN)模型,创建第一训练数据集,其中第一训练数据集包括预处理后的fMRI图像片段,在第一阶段使用第一训练数据集对CNN模型进行训练并输出分类结果,创建第二训练数据集,其中第二训练数据集是第一训练数据集中损失值最小的fMRI图像片段,在第二阶段使用第二测试数据集对CNN模型进行训练并输出分类结果;
可视化模块用于获取指令,检测模型的训练效果,以及展示分析和分类结果。
在一个实施例中,提供了一种计算机设备,包括处理器和存储器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
对原始的功能磁共振成像(fMRI)图像数据进行采样和预处理;
建立卷积神经网络(CNN)模型;
创建第一训练数据集,其中第一训练数据集包括预处理后的fMRI图像片段;
在第一阶段使用第一训练数据集对CNN模型进行训练并输出分类结果;
创建第二训练数据集,其中第二训练数据集是第一训练数据集中损失值最小的fMRI图像片段;
在第二阶段使用第二测试数据集对CNN模型进行训练并输出分类结果。
在一个实施例中,提供了一种存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
对原始的功能磁共振成像(fMRI)数据进行采样和预处理;
建立卷积神经网络(CNN)模型;
创建第一训练数据集,其中第一训练数据集包括预处理后的fMRI图像片段;
在第一阶段使用第一训练数据集对CNN模型进行训练并输出分类结果;
创建第二训练数据集,其中第二训练数据集是第一训练数据集中损失值最小的fMRI图像片段;
在第二阶段使用第二测试数据集对CNN模型进行训练并输出分类结果。
本发明在fMRI判别分析算法上进行了研究,提出了一种基于深度学习的网络模型的快速训练方法,用于判断样本的提供者是否患病。该算法使用3DCNN+LSTM从时间和空间等不同的粒度进行特征提取和融合,使用EM算法提取最具关键性样本片段,然后基于粒计算理论,输入到同时学习空间和时间的4DCNN模型中,得到对样本的分类预测。本方法在不明显影响分类结果的前提下,显著地减少模型了的参数和计算量,同时又保持了计算精度。
附图说明
图1是本申请一实施例的一种基于fMRI构建网络模型的训练方法的流程示意图。
图2是本申请一实施例的3D-CNN构架。
图3是本申请一实施例的3D-CNN+LSTM模型。
图4是本申请一实施例的4D-CNN模型.
图5是本申请一实施例中对原始的功能磁共振成像(fMRI)图像数据进行验证的示意图。
图6是本申请一实施例中一种基于fMRI构建网络模型的训练装置结构示意图。
图7是本申请一实施例中计算机设备的内部结构图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,否则“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可以包括复数。一般来说,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素并不构成排他性的罗列,方法或装置也可能包含其他步骤或元素。
另外,以下描述的各个实施例分别具有一或多个技术特征,然此并不意味着使用本发明者必需同时实施任一实施例中的所有技术特征,或仅能分开实施不同实施例中的一部或全部技术特征。换句话说,在实施为可能的前提下,本领域技术人员可依据本发明的公开内容,并依据设计规范或实际需求,选择性地实施任一实施例中部分或全部的技术特征,或者选择性地实施多个实施例中部分或全部的技术特征的组合。
为了使本申请的目的、技术方案及优点更加清楚明白,通过下述实施例并结合附图,对本申请实施例中的技术方案的进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定发明。
图1提供了一种基于fMRI构建网络模型的训练方法的流程示意图。在一个实施例中,如图1所示,该方法包括下属步骤。
S101:对原始的功能磁共振成像(fMRI)数据进行采样和预处理。
本实施例中,为了保证后续分析工作的准确有效,需要对原始的fMRI数据进行预处理,尽可能去除原始图像中的噪声、保留有效信号。获取的原始fMRI图像需要经过多个预处理步骤。为了保证预处理过程的精确性,这里选择调用专业医学影像处理软件中的预处理功能实现这一过程,例如,Nipype软件。Nipype的工具包对现有的医学影像处理软件中的多项预处理功能进行了封装,提供了统一的接口供开发者直接使用。在该工具中,预先定义了多种常见的预处理功能结点,包括脑组织提取(BET)、头皮层分割(segmentation)、伪帧去除(skip dummy scans)、头动校正(realignment)、时间片校正(slice timing)、结构像配准(coregistration)、标准化(normalization)等等预处理功能。在本实施例中,首先对获取的三维fMRI图像进行脑组织提取、头皮层分割和伪帧去除,然后进行头动校正和时间片校正,最后将校正后的图像进行结构像配准和标准化。
当然,也可以根据实际需要设置预处理功能结点。本申请具体的预处理功能的种类和数量进行限定。
一般来说,从零开始训练一个深度学习模型需要大量fMRI图像的样本,而本方法希望在短时间内能够在对fMRI影响进行快速分析,所以在保证数据量的情况下,同时也注重数据质量,挑选出最具代表性的片段帧。
因此,本申请在一个实施例中提出了一种通过将fMRI扫描分割成相对较短的片段来增加样本数量的采样方法。通常从第一帧开始,具体地,每隔k帧分割出它,直到选择出m帧,将选取出的m帧作为一个样本片段。具体地说,在给定的序列{f1,f2,…,fn},其中fi表示第i帧,设置采样步长为d并随机选择开始帧为fs。通常,fs选取最开始的1至8帧中的任一一帧。最终采样得到的一个样本片段为{fs,fs+d,fs+2d,…fs+(m-1)d}。
通过这种fMRI数据增强方法,可以实现样本增殖,提升模型的训练效果。在硬件条件允许的情况下,通过调整时间帧间隔参数,可以实现短时间甚至实时的样本分析,也可以选取较长片段进行长时间样本分析。
在传统方法中,基于人工设计的特征模板一般会把整个扫描的序列作为特征提取的材料。但是为了能够做到实时快速的模型分析,可以通过调节步长d控制选取帧之间的时间间隔以及选取帧数m两者的取值,调整选取帧的时间范围。通过减小d的取值,使得模型能够在短时间内采集到足够多的数据进行处理,从而达到快速分析的效果。通过控制选取帧数m的取值,从而反映样本所覆盖的时间维度大小。此外,通过固定选取帧m的取值,使得最后得到的每个样本片段中所含的帧数都相同,且数据维度都是一致,为后续挑选最具代表片段提供统一衡量标准。
例如,如果有给定的fMRI序列{f1,f2,…,fn},其中表示第i帧大脑影像帧(volume)。设置采样步长为d,并随机选择开始帧为fs,则采样的片段序列为{fs,fs+d,…,fs+(m-1)d},其中s+(m-1)d<n,m为采样片段的长度。例如,血氧浓度相依对比或血氧依赖水平(BOLD)信号的变化不是瞬间的,在序列中跳过几帧对整体信号变化的影响很小。同时这种采样方法的另一个优点是,可以在减少帧数的情况下囊括进较长时间的动态变化,从而度简化了图像数据。
在传统方法中,基于人工设计的特征模板一般会把整个扫描的序列作为特征提取的材料。然而,为了利用这种数据扩充方法,假设可以用相对较短的序列来进行脑活动异常的诊断和预测。但是有一项证据佐证了这一假设的可行性,那就是在目前的fMRI采集过程中没有规定标准的扫描时长,来自不同站点的fMRI数据通常帧数长短不同。为了验证上述假设,研究人员设计了实验来探索时间跨度对分类的影响。设计这种数据扩充方法的另一个原因是为了保持输入数据的维数一致。由于不同站点的fMRI数据集的时间维度不一致,甚至不同站点之间大脑影像帧(volume)的大小也不一致。在预处理过程中的标准化操作可以将三维空间维数规格化为固定的尺寸,而本申请提出的这种数据采样方法可以通过选择固定的采样帧数来约束时间维度的大小,进而可以保持输入数据的维数一致。
S102:建立卷积神经网络(CNN)模型。
具体地,结合图2进行理解。图2示出了一种三维CNN架构。在模型的建立过程中,模型的设计上主要关注的是如何将三维空间信息和时间维度信息融合起来。在本实施例中,首先利用三维CNN对三维空间特征进行尺度扩展,然后分别采用特征池法(featuringpooling)和长短时记忆网络(LSTM)进行时间维度的特征融合。图2示出了一种3D-CNN模型。在该模型中,将采样片段的长度设置为16帧。在数据输入该CNN之前,每一幅fMRI大脑影像帧(volume)都要先经过一个2×2×2尺寸大小的max-pooling层来减小图像的尺寸。此外,在实验中将卷积核的边长限制为3,并将LSTM单元的隐藏层向量大小设置为64,以获得更少的参数和更好的计算效率。3D-CNN模型以单个的fMRI大脑影像帧(volume)图像作为输入。该模型叠加了四层重复的卷积层,每一层特征图的数量比前一层增加了一倍,同时在每个卷积层之前添加一个最大池化(max-pooling)层来降低图像尺寸。最后一层利用全局的平均池化(average pooling)将特征图转化为向量,最后对向量应用分类器(例如,sigmoid分类器)获得预测结果。然后,再利用图2示出的是特征池化模型和LSTM模型进行时间维度的特征融合。其中,3D-CNN的输出作为特征池化和LSTM模型的输入,输入大小为4D格式。对于特征池化模型,将跨帧的池化操作直接应用到最后一个卷积层的特征图上;而LSTM模型是以特征图的平均特征值组成的向量作为输入。
在本实施例中,首先对单个图像进行特征编码,然后在时间维度上融合空间特征。特征池化模型通过融合不同时间点上对应的特征图,来保证空间信息的位置不变性,但是没有考虑它们在时间上的顺序。而LSTM模型通过平均空间特征来学习序列信息,侧重于寻求时间关联性,但破坏了特征图的空间位置。为了同时学习空间和时间特征,直观的想法是将卷积扩展到时间维度,这意味着将卷积运算同时应用于相邻体素和相邻大脑影像帧(volume),从而学习短期的局部脑部活动模式。然而,如果只是将卷积运算直接从三维扩大到四维,会导致参数和运算的急剧增加模型会耗费大量的计算资源,并容易陷入过拟合问题。
为了简化参数和节约计算资源,在另一实施例中提供了一种4D-CNN模型构架。在该蘑模型中,将一般4D卷积分解为一个三维空间卷积和一个一维时间卷积的叠加。例如,在4D-CNN模型中,将一个一般3×3×3×3卷积替换为一个3×3×3×1卷积和一个1×1×1×3卷积的叠加。与三维卷积相比,该方式包含的参数数量远低于三维卷积,因此整个卷积块的参数与三维卷积的参数相当。由此,既保持了计算精度,又减少了计算量。
S103:创建第一训练数据集,其中第一训练数据集包括预处理后的fMRI图像片段。
S104:在第一阶段使用第一训练数据集对CNN模型进行训练并输出分类结果。
S105:创建第二训练数据集,其中第二训练数据集是第一训练数据集中损失值最小的fMRI图像片段。
S106:在第二阶段使用第二测试数据集对CNN模型进行训练并输出分类结果。
本申请中,提供了一种基于fMRI构建网络模型的训练方法,包括对原始的功能磁共振成像(fMRI)图像数据进行采样和预处理;建立卷积神经网络(CNN)模型;创建第一训练数据集,其中第一训练数据集包括预处理后的fMRI图像片段;在第一阶段使用第一训练数据集对CNN模型进行训练并输出分类结果;创建第二训练数据集,其中第二训练数据集是第一训练数据集中损失值最小的fMRI图像片段;在第二阶段使用第二测试数据集对CNN模型进行训练并输出分类结果。该方法是在fMRI判别分析算法上进行了研究,提出了一种基于深度学习的判别模型,用于判断样本的提供者是否患病。该方法基于粒计算理论,从时间和空间等不同的粒度进行特征提取和融合,并通过最大期望EM算法选取得到最具代表的样本片段,然后将该片段输入到搭建的4D-CNN网络当中,最终得到预测结果。本方法在不明显影响分类结果的前提下,显著地减少模型了的参数和计算量,同时又保持了计算精度。
在本实施例中,在第一阶段使用第一训练数据集对CNN模型进行训练包括在第一阶段使用第一训练数据集对3D-CNN+LSTM模型进行训练;在第二阶段使用第二测试数据集对CNN模型进行训练并输出分类结果包括在第二阶段使用第二测试数据集对4D-CNN模型进行训练并输出分类结果。这样,将上述获得的最具代表性的样本片段输入到4D-CNN模型当中,通过迭代将4D-CNN训练成效果最优的分类器,最终获取预测的结果。
在另一实施例中,4D-CNN模型中的4D卷积为一个3×3×3×1卷积和一个1×1×1×3卷积的叠加。
在本实施例中,第二训练数据集是在第一训练数据集上进行最大期望(EM)算法得到。
具体地,例如,输入一个fMRI图像样本数据D={(B1,l1),(B2,l2)…(Bn,ln)},其中Bi代表第i个片段,li代表第i个样本所对应的标签,一共有n个样本数据。由于每个样本是由m帧的影像构成,所以Bij={Bi1,Bi2…Bim},其中Bij表示第i个样本中的第j帧影像。lij代表Bij所对应的标签,具体表示为
其中,li=0表示该样本不患病,li=1表示该样本患病。对于每一帧,利用3DCNN+LSTM模型预测输出概率值pij,pij表示lij=1的概率。其中,θ是3DCNN+LSTM模型的参数,pij=fθ(Bij)是lij=1的概率。在EM算法步骤中,使用数据增强得到的n个样本优化参数θ,使得S={(B1,l1′),(B2,l2′)…(Bn,ln′)},其中li′表示第i个样本的预测标签。在EM算法步骤中,使用梯度下降算法优化θ使得3DCNN+LSTM模型可以很好的进行分类,样本Bi最终的损失函数如下
通过不断设置迭代轮次,降低损失函数值,最终得到训练好的3DCNN+LSTM模型(如图3所示)可以进行很好的分类。
将前面n个样本输入到以上训练好的3DCNN+LSTM模型,选取损失值最小的样本Bk,其满足
Lossk=min{Loss1,Loss2…Lossk,Lossk+1…Lossn}
即认为该样本Bk是最具代表性的样本片段。将此样本Bk输入到4D-CNN模型(图4)中得到最终的分类
在另一实施例中,在步骤S101之前,该方法还包括:对原始的功能磁共振成像(fMRI)图像数据进行验证。
具体地,如图5所示。对原始的功能磁共振成像(fMRI)图像数据进行验证的步骤具体包括:
存储组织形式验证:根据给定的数据存储目录,验证数据存储方式是否符合脑成像数据存储的标准化框架(BIDS)标准;同时,可以根据目录信息获取受试者列表,方便后续验证。
数据格式验证:对数据存储格式进行验证,如果数据存储格式是dicom格式,将其转换为nifti格式。BIDS规定的影像格式为nifti,但目前大多数扫描设备中直接恢复的影像为dicom格式。因此,需要对数据存储格式进行验证,如果发现是dicom格式,将其统一转换为nifti格式。
数据完整性验证:对受试者样本中的图像是否缺失,影像数据内部像素是否完整进行验证;筛选并去除异常的样本。
异常数据日志报告:根据以上各验证结果,收集检测异常的数据相关信息,并将检测异常的数据相关信息返回给用户,以方便用户调整该数据。其中,每一条目志应具体到对应一个受试者的样本编号、异常数据的存储路径以及异常类型等。
在一个实施例中,对原始的功能磁共振成像(fMRI)图像进行预处理的步骤S101进一步包括:时间片校正(slice timing)、头动校正(realignment)、图像配准(co-register)、图像标准化(normalization)、平滑(smoothing)。
为了保证后续分析工作的准确有效,需要对原始的fMRI数据进行预处理,尽可能去除原始图像中的噪声、保留有效信号。fMRI的理想实验环境要求恒定的磁场,然而实际情况中却存在多种外界干扰导致实验误差的存在。一般来说,导致误差的因素包含以下几点:试验设备产生的磁场稳定性,设备在启动过程中的磁场稳定性和快速移动产生的噪声;受试者产生的噪声,包括受试者头动、呼吸等自然生理噪声;无法避免的白噪声。因此,必须对影像进行校正以消除失真,同时也为后续的统计分析作准备,需要采取一系列预处理步骤。
1.时间片校正(Slice Timing)
扫描仪在扫描人脑时,每次只能扫描一个平面截面,这就导致拼接而成的一幅大脑影像中的各个切片是不同时间采集的,对应了不同时间的脑部激活状态。因此需要将每一幅volume中不同大脑二维截面(slice)的时间偏差校正到相同的时间点。时间片校正就是要调整各层slice使它们在时间上匹配。通常会选择一个固定的slice,将其余各层的时间与选定的slice进行配准。
2.头动校正(Realignment)
fMRI的分析是基于体素的,这要求功能图像的每一个volume中同一位置的体素(voxel)表示同一脑部位。而受试者在接受测试时会不可避免的产生微小头动,这些不受控制的头动会造成不同volume中的脑区位置变化,从而影响后续的统计分析结果。为了得到正确的分析结果,需要将同一被试者不同时间点的脑部图像校正到同一个位置,从而避免头动偏差造成的影响。头动校正程序通常选用单幅位于中间时间位置的图像作为标准模板,进行损失函数计算,获得头动参数,生成重采样图像。
3.图像配准(Co-register)
磁共振影像分为结构像和功能像,其中结构像又被称为解剖像,这是因为它的空间分辨率很高,可以清晰的看出人脑的解剖结构,而功能像为了提高时间分辨率、加快扫描速度,牺牲了空间分辨率,为了弥补空间分辨率的不足,需要将功能像配准到结构像。同时,也是将结构像作为功能像每一个volume的标准模板,将每个volume中的同一位置的voxel进行对齐的操作,从而避免头部位置的位移造成的误差。
4.图像标准化(Normalization)
如果说将图像配准视作对同一位受试者的功能像不同volume之间进行的标准化,那么这一步图像标准化的不同在于,将不同受试者的图像映射到相同的标准模板中。这样在分析不同受试者的样本时就可以方便的采用同一套统计训练方法和衡量标准。
5.平滑(Smoothing)
平滑的作用主要包括提高信噪比,消除图像标准化带来的细微误差。由于图像包含空间和时间维度,因此,平滑操作分为空间平滑和滤波。一般对空间采用高斯平滑,而在时间维度上进行滤波。
在一个实施例中,在第一阶段使用第一训练数据集对3D-CNN模型进行训练并输出分类结果的步骤进一步包括:用单独帧的fMRI训练单帧的CNN模型;然后将CNN的输出按照时间顺序将多个帧串联起来;然后在3D-CNN模型顶部添加特征池化层(例如整体最大池层(global Maxpooling))和或LSTM层来微调整个3D-CNN模型。预训练的单帧CNN不仅可以加速多帧模型的训练,而且可以作为检测时间特征池方法效果的基线模型。最终根据比较loss的损失值选取最具代表性的样本片段。
在另一实施例中,为了提高训练效率并解决过拟合问题,使得CNN模型包括批归一化(Batch Normallization)层;LSTM模型包括dropout层。
在一个实施例中,CNN模型采用随机梯度下降法来优化二元交叉熵损失函数,其中二元交叉熵损失函数表示为:
L(θ)=-(ylnHθ(x)+(1-y)ln(1-Hθ(x)))
其中,x,y分别表示输入样本和对应的标签;Hθ(·)表示整个模型的计算函数,θ表示模型的参数,Hθ(x)代表模型的预测值。CNN模型的初始学习率设置为10-3,LSTM结构的初始学习率设置为10-4,学习率随时间变化呈指数级减小。
下面以注意缺陷多动障碍(Attention-deficit/hyperactivity disorder,ADHD)为例,将其公开的数据集ADHD-200数据集输入本申请中的模型,以评估该模型的效果,比较性能差异。按照上述实施例中的方法,将训练数据集输入到模型中,然后用测试数据集测试该模型的性能。同时,将前述实施例中提出的数据量增强的方法应用于训练数据集和测试数据集。训练和测试的过程是一样的,将采样得的fMRI片段数据作为模型的输入,得到单次的预测结果,我们称之为片段级(clip level)结果;将从同一样本中获取的片段级结果进行综合得到样本级(scan level)结果。样本级结果是通过对各个片段结果取平均得到的。通过给出每个模型在两个预测等级上的分类精度(ACC)以及敏感性(SEN)和特异性(SPC)来评估该模型的性能。
具体地,以下通过具体实施例给出不同模型的测试结果对比,以及不同采样参数的实验结果对比。
在一个实施例中,将对ADHD获取的fMRI数据输入到特征池化模型中。特征池化模型是时间不变模型,其精度接近于不采用多帧特征融合的单帧3D-CNN模型,尤其是当考虑整个fMRI扫描样本时,它们之间的精度差小于1%。当平均多个采样片段的最大池化结果时,最大池化退化为平均池化,这与平均单帧的结果非常相似。因此,特征池化模型的特征融合对ADHD的分类有积极的影响。
在一个实施例中,将对ADHD获取的fMRI数据输入到LSTM模型中。与特征池化模型相比,LSTM模型的精度提高约5%,获得了更好的效果。
在一个实施例中,将对ADHD获取的fMRI数据输入到4D-CNN模型中。与特征池化模型相比,LSTM模型的精度提高约5%,获得了更好的效果。
上述实施例中的实验结果表明,通过融合时间的细粒度来表征fMRI数据对诊断有积极的影响。此外,整个扫描等级的结果相比片段等级的结果得到了轻微改善。然而,研究人员认为这是多次投票的结果,因为增加采样片段的数量并没有进一步提高准确性。
根据不同模型的受试者工作特性曲线(receiver operating characteristic,ROC)可以进一步计算每个模型的曲线下面积(area under curve,AUC)。从ROC曲线中,可以很容易地检测出在任何阈值处的模型预测能力。LSTM模型和4D-CNN模型的AUC均为0.80,说明这两种模型在ADHD诊断上都有一定的准确性。
下面针对采样参数的不同设置来描述对实验结果产生的影响,以及通过改变采样步长和每个片段采样的帧数来观察实验结果。在本实施例中,只针对LSTM和4D-CNN两种模型进行了测试,这是因为前述的模型对比实验结果已经表明采样对于特征池化的作用很小,甚至会产生负面效果。对于LSTM和4D-CNN模型,我们在经验值范围内设置了的几组不同的参数,分别测试了它们在片段等级的分类结果。其中,步长(Stride)1表示采样片段是连续帧;步长2表示在两个采样帧之间跳过一帧。实验结果表明,步长大于1的采样得到的测试结果准确率较高,这可能是由于采样时间太短导致的结果。相邻的fMRI帧通常有2秒的时间间隔,这意味着包含超过1分钟扫描时长的片段中能够提取到更有效的大脑运动模式。但是太长时间间隔可能会导致信息缺失,导致准确率下降,所以用步长2进行采样是最合适的。此外,LSTM模型似乎更喜欢具有更多帧的片段,而4D-CNN则相反。这可以解释为LSTM擅长通过在LSTM模型中维持记忆来获取长序列特征,而4D-CNN每一卷积运算只融合几个相邻的帧。
在现有技术中,对于ADHD-200数据集上的实验,在一个实施例中,是利用从结构MRI和功能MRI中提取的多模态特征;该多模态特征包括皮层厚度(CT)、灰质概率(GMP)、区域一致性(ReHo)和功能连接。
上述现有技术的实施例中,虽然在研究中使用了深度学习模型,但输入的是人工设计的特征。本申请提供的深度学习模型在ADHD-200测试数据集上获得了优秀的测试结果。
如图6所示,本申请一实施例还提供了一种基于fMRI构建网络模型的训练装置10。该快速训练装置10包括:数据处理模块11、模型分析模块12。
具体地,获取模块11用于对原始的功能磁共振成像(fMRI)数据进行采样和预处理;
模型分析模块12用于建立卷积神经网络(CNN)模型,创建第一训练数据集,其中第一训练数据集包括预处理后的fMRI图像片段,在第一阶段使用第一训练数据集对CNN模型进行训练并输出分类结果,创建第二训练数据集,其中第二训练数据集是第一训练数据集中损失值最小的fMRI图像片段,在第二阶段使用第二测试数据集对CNN模型进行训练并输出分类结果。
在另一实施例中,所述装置10还包括可视化模块13,用于获取指令,检测模型的训练效果,以及展示分析和分类结果。
在一个实施例中,所述在第一阶段使用第一训练数据集对CNN模型进行训练包括在第一阶段使用第一训练数据集对3D-CNN+LSTM模型进行训练。
在一个实施例中,所述在第二阶段使用第二测试数据集对CNN模型进行训练并输出分类结果包括在第二阶段使用第二测试数据集对4D-CNN模型进行训练并输出分类结果。其中,所述第二训练数据集是在第一训练数据集上进行最大期望(EM)算法得到;4D-CNN模型中的4D卷积为一个3×3×3×1卷积和一个1×1×1×3卷积的叠加。
在另一实施例中,模型分析模块12还用于对原始的功能磁共振成像(fMRI)图像数据进行验证。
具体地,对原始的功能磁共振成像(fMRI)图像数据进行验证的步骤具体包括:
存储组织形式验证:根据给定的数据存储目录,验证数据存储方式是否符合脑成像数据存储的标准化框架(BIDS)标准;同时,可以根据目录信息获取受试者列表,方便后续验证。
数据格式验证:对数据存储格式进行验证,如果数据存储格式是dicom格式,将其转换为nifti格式。
数据完整性验证:对受试者样本中的图像是否缺失,影像数据内部像素是否完整进行验证;筛选并去除异常的样本。
异常数据日志报告:根据以上验证结果,收集检测异常的数据相关信息,并将检测异常的数据相关信息返回给用户,以方便用户调整该数据。其中,每一条日志应具体到对应的受试者的样本编号、异常数据的存储路径以及异常类型等。
在一个实施例中,对原始的功能磁共振成像(fMRI)图像进行预处理的步骤进一步包括:头动校正(realignment)、时间片校正(slice timing)、图像配准(co-register)、图像标准化(normalization)、平滑(Smoothing)。
在一个实施例中,预处理后的fMRI图像序列表示为{fs,fs+d,…,fs+(m-1)d},其中d为采集步长,fs为随机选择的开始帧,s+(m-1)d<n,m为采样片段的长度。
在一个实施例中,在第一阶段使用第一训练数据集对3D-CNN模型进行训练并输出分类结果的步骤进一步包括:用单独帧的fMRI训练单帧的CNN模型;将CNN的输出按照时间顺序将多个帧串联起来;在3D-CNN模型顶部添加特征池化层或LSTM层来微调整个3D-CNN模型。
例如,CNN模型包括批归一化(BatchNormallization)层;LSTM模型包括dropout层。
在一个实施例中,CNN模型采用随机梯度下降法来优化二元交叉熵损失函数,其中二元交叉熵损失函数表示为:
L(θ)=-(ylnHθ(x)+(1-y)ln(1-Hθ(x)))
其中,x,y分别表示输入样本和对应的标签;Hθ(·)表示整个模型的计算函数,θ表示模型的参数,Hθ(x)代表模型的预测值。
本申请在一实施例中还提供了一种计算机设备,如图7所示,包括处理器和存储器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
对原始的fMRI图像数据进行采样和预处理;
建立卷积神经网络(CNN)模型;
创建第一训练数据集,其中第一训练数据集包括预处理后的fMRI图像片段;
在第一阶段使用第一训练数据集对CNN模型进行训练并输出分类结果;
创建第二训练数据集,其中第二训练数据集是第一训练数据集中损失值最小的fMRI图像片段;
在第二阶段使用第二测试数据集对CNN模型进行训练并输出分类结果。
本申请在一个实施例中还提供了一种存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
对原始的fMRI图像数据进行采样和预处理;
建立卷积神经网络(CNN)模型;
创建第一训练数据集,其中第一训练数据集包括预处理后的fMRI图像片段;
在第一阶段使用第一训练数据集对CNN模型进行训练并输出分类结果;
创建第二训练数据集,其中第二训练数据集是第一训练数据集中损失值最小的fMRI图像片段;
在第二阶段使用第二测试数据集对CNN模型进行训练并输出分类结果。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性获取机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所能够承受的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于功能性磁共振成像(fMRI)构建网络模型的训练方法,包括:
对原始的fMRI图像数据进行采样和预处理;
建立卷积神经网络(CNN)模型;
创建第一训练数据集,其中第一训练数据集包括预处理后的fMRI图像片段;
在第一阶段使用第一训练数据集对CNN模型进行训练并输出分类结果;
创建第二训练数据集,其中第二训练数据集是第一训练数据集中损失值最小的fMRI图像片段;
在第二阶段使用第二测试数据集对CNN模型进行训练并输出分类结果。
2.根据权利要求1所述的方法,其中,所述在第一阶段使用第一训练数据集对CNN模型进行训练包括在第一阶段使用第一训练数据集对3D-CNN+LSTM模型进行训练。
3.根据权利要求1所述的方法,其中,所述在第二阶段使用第二测试数据集对CNN模型进行训练并输出分类结果包括在第二阶段使用第二测试数据集对4D-CNN模型进行训练并输出分类结果。
4.根据权利要求1所述的方法,其中,所述第二训练数据集是在第一训练数据集上进行最大期望(EM)算法得到。
5.根据权利要求3所述的方法,其中,所述4D-CNN模型中的4D卷积为一个3×3×3×1卷积和一个1×1×1×3卷积的叠加。
6.根据权利要求1所述的方法,其中,在对获取的原始功能磁共振成像(fMRI)数据进行预处理之前,该方法还包括:对获取的原始功能磁共振成像(fMRI)图像数据进行验证;
其中,对获取的原始功能磁共振成像(fMRI)图像数据进行验证包括:
存储组织形式验证:根据给定的数据存储目录,验证数据存储方式是否符合脑成像数据存储的标准化框架(BIDS)标准;同时,可以根据目录信息获取受试者列表;
数据格式验证:对数据存储格式进行验证,如果数据存储格式是dicom格式,将其转换为nifti格式;
数据完整性验证:对受试者样本中的图像是否缺失、影像数据内部像素是否完整进行验证,筛选并去除异常的样本;
异常数据日志报告:根据以上各验证结果,收集检测异常的数据相关信息,并将检测异常的数据相关信息返回给用户,以方便用户调整该数据;其中,每一条日志应对应一个受试者的样本编号、异常数据的存储路径以及异常类型。
7.根据权利要求1所述的方法,其中,所述预处理后的fMRI图像序列表示为{fs,fs+d,...,fs+(m-1)d},其中d为采集步长,fs为随机选择的开始帧,s+(m-1)d<n,m为采样片段的帧数。
8.一种基于fMRI构建网络模型的训练装置(10),包括:数据处理模块(11)、模型分析模块(12)和可视化模块(13);其中,
数据处理模块(11)用于对原始的功能磁共振成像(fMRI)图像数据进行采样和预处理;
模型分析模块(12)用于建立卷积神经网络(CNN)模型,创建第一训练数据集,其中第一训练数据集包括预处理后的fMRI图像片段,在第一阶段使用第一训练数据集对CNN模型进行训练并输出分类结果,创建第二训练数据集,其中第二训练数据集是第一训练数据集中损失值最小的fMRI图像片段,在第二阶段使用第二测试数据集对CNN模型进行训练并输出分类结果;
可视化模块(13)用于获取指令,检测模型的训练效果,以及展示分析和分类结果。
9.一种计算机设备,包括处理器和存储器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
对原始的功能磁共振成像(fMRI)图像数据进行采样和预处理;
建立卷积神经网络(CNN)模型;
创建第一训练数据集,其中第一训练数据集包括预处理后的fMRI图像片段;
在第一阶段使用第一训练数据集对CNN模型进行训练并输出分类结果;
创建第二训练数据集,其中第二训练数据集是第一训练数据集中损失值最小的fMRI图像片段;
在第二阶段使用第二测试数据集对CNN模型进行训练并输出分类结果。
10.一种存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
对原始的功能磁共振成像(fMRI)图像数据进行采样和预处理;
建立卷积神经网络(CNN)模型;
创建第一训练数据集,其中第一训练数据集包括预处理后的fMRI图像片段;
在第一阶段使用第一训练数据集对CNN模型进行训练并输出分类结果;
创建第二训练数据集,其中第二训练数据集是第一训练数据集中损失值最小的fMRI图像片段;
在第二阶段使用第二测试数据集对CNN模型进行训练并输出分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110424672.5A CN113077456B (zh) | 2021-04-20 | 2021-04-20 | 基于功能性磁共振成像构建网络模型的训练方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110424672.5A CN113077456B (zh) | 2021-04-20 | 2021-04-20 | 基于功能性磁共振成像构建网络模型的训练方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113077456A CN113077456A (zh) | 2021-07-06 |
CN113077456B true CN113077456B (zh) | 2022-01-04 |
Family
ID=76618342
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110424672.5A Active CN113077456B (zh) | 2021-04-20 | 2021-04-20 | 基于功能性磁共振成像构建网络模型的训练方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113077456B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114376522B (zh) * | 2021-12-29 | 2023-09-05 | 四川大学华西医院 | 构建用于识别青少年肌阵挛癫痫的计算机识别模型的方法 |
CN115005798B (zh) * | 2022-06-02 | 2023-05-05 | 四川大学 | 一种基于连边功能连接的脑影像特征提取方法 |
CN117438054B (zh) * | 2023-12-15 | 2024-03-26 | 之江实验室 | 一种脑影像数据的bids格式自动转换方法和装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109285139A (zh) * | 2018-07-23 | 2019-01-29 | 同济大学 | 一种基于深度学习的x射线成像焊缝检测方法 |
CN111179177A (zh) * | 2019-12-31 | 2020-05-19 | 深圳市联合视觉创新科技有限公司 | 图像重建模型训练方法、图像重建方法、设备及介质 |
CN111260055A (zh) * | 2020-01-13 | 2020-06-09 | 腾讯科技(深圳)有限公司 | 基于三维图像识别的模型训练方法、存储介质和设备 |
CN112164028A (zh) * | 2020-09-02 | 2021-01-01 | 陈燕铭 | 基于人工智能的垂体腺瘤磁共振图像定位诊断方法和装置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8861815B2 (en) * | 2011-08-03 | 2014-10-14 | International Business Machines Corporation | Systems and methods for modeling and processing functional magnetic resonance image data using full-brain vector auto-regressive model |
CN102509123B (zh) * | 2011-12-01 | 2013-03-20 | 中国科学院自动化研究所 | 一种基于复杂网络的脑功能磁共振图像分类方法 |
CN110599557B (zh) * | 2017-08-30 | 2022-11-18 | 深圳市腾讯计算机系统有限公司 | 图像描述生成方法、模型训练方法、设备和存储介质 |
US20220139530A1 (en) * | 2019-05-01 | 2022-05-05 | Blackthorn Therapeutics, Inc. | Systems and methods for processing mri data |
CN110188836B (zh) * | 2019-06-21 | 2021-06-11 | 西安交通大学 | 一种基于变分自编码器的脑功能网络分类方法 |
CN111461233A (zh) * | 2020-04-02 | 2020-07-28 | 大连海事大学 | 一种基于MDCLSTM-LDenseNet网络的核磁共振图像自动分类方法及装置 |
-
2021
- 2021-04-20 CN CN202110424672.5A patent/CN113077456B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109285139A (zh) * | 2018-07-23 | 2019-01-29 | 同济大学 | 一种基于深度学习的x射线成像焊缝检测方法 |
CN111179177A (zh) * | 2019-12-31 | 2020-05-19 | 深圳市联合视觉创新科技有限公司 | 图像重建模型训练方法、图像重建方法、设备及介质 |
CN111260055A (zh) * | 2020-01-13 | 2020-06-09 | 腾讯科技(深圳)有限公司 | 基于三维图像识别的模型训练方法、存储介质和设备 |
CN112164028A (zh) * | 2020-09-02 | 2021-01-01 | 陈燕铭 | 基于人工智能的垂体腺瘤磁共振图像定位诊断方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113077456A (zh) | 2021-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113077456B (zh) | 基于功能性磁共振成像构建网络模型的训练方法和装置 | |
US11210781B2 (en) | Methods and devices for reducing dimension of eigenvectors and diagnosing medical images | |
Eslami et al. | Auto-ASD-network: a technique based on deep learning and support vector machines for diagnosing autism spectrum disorder using fMRI data | |
CN110188836B (zh) | 一种基于变分自编码器的脑功能网络分类方法 | |
KR102125127B1 (ko) | 딥러닝 기반 뇌 질환 진단 방법 | |
KR102097740B1 (ko) | 인공지능을 활용한 의료영상 자동 분류 및 표준화 시스템 및 그 구동방법 | |
CN109344889B (zh) | 脑疾病分类装置、用户终端和计算机可读存储介质 | |
CN114041795B (zh) | 基于多模态生理信息与深度学习的情绪识别方法及系统 | |
Wang et al. | Modeling dynamic characteristics of brain functional connectivity networks using resting-state functional MRI | |
CN111681233A (zh) | 基于深度神经网络的us-ct图像分割方法、系统及设备 | |
CN110189302B (zh) | 脑图像分析方法、计算机设备和可读存储介质 | |
Gallos et al. | Construction of embedded fMRI resting-state functional connectivity networks using manifold learning | |
Pan et al. | DecGAN: Decoupling generative adversarial network detecting abnormal neural circuits for Alzheimer's disease | |
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 | |
KR102179090B1 (ko) | 신경망을 이용한 의료 진단 방법 | |
CN114926396A (zh) | 一种精神障碍类磁共振图像初步筛查模型构建方法 | |
KR20230070085A (ko) | 뇌 네트워크를 이용한 알츠하이머병에 대한 진단정보 제공방법 | |
CN113936172A (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 | |
CN116664956A (zh) | 基于多任务自动编码器的图像识别方法及系统 | |
Divya et al. | An efficient machine learning approach to nephrology through iris recognition | |
CN115381400A (zh) | 一种基于特征选择和svm的脑部疾病患者分类系统和方法 | |
Dufumier et al. | Exploring the potential of representation and transfer learning for anatomical neuroimaging: application to psychiatry | |
Mahmoud et al. | Classifying a type of brain disorder in children: an effective fMRI based deep attempt | |
KR102319326B1 (ko) | 구조적 자기공명영상을 이용한 피험자 내 및 피험자 간 변동성 기반 예측 모델 생성 방법 및 그 장치 | |
Tang et al. | Learning asynchronous common and individual functional brain network for ad diagnosis |
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 |