CN113920123A

CN113920123A - 一种成瘾性脑网络分析方法及装置

Info

Publication number: CN113920123A
Application number: CN202111536650.4A
Authority: CN
Inventors: 王书强; 荆常宏
Original assignee: Shenzhen Institute of Advanced Technology of CAS
Current assignee: Shenzhen Institute of Advanced Technology of CAS
Priority date: 2021-12-16
Filing date: 2021-12-16
Publication date: 2022-01-11
Anticipated expiration: 2041-12-16
Also published as: WO2023108873A1; CN113920123B

Abstract

本申请实施例提供了一种成瘾性脑网络分析方法及装置。该方法包括：获取不同标签的真实脑部功能性核磁共振fMRI图像；基于训练真实脑部fMRI图像样本，生成不同标签的第一脑部拓扑结构；基于成瘾性真实脑部fMRI图像，生成脑成瘾标准特征图；根据脑成瘾标准特征图确定第一脑部拓扑结构的初始权重值；基于不同标签的第一脑部拓扑结构和第一脑部拓扑结构的初始权重值，训练成瘾性脑网络分析模型；将测试真实脑部fMRI图像样本输入到成瘾性脑网络分析模型中，生成第一加权脑部拓扑结构。上述方法能够有效学习到成瘾相关的异常脑部拓扑特征，从而准确地对成瘾性大脑的脑网络进行分析，提高模型整体的性能。

Description

一种成瘾性脑网络分析方法及装置

技术领域

本申请涉及人工智能技术领域，尤其涉及一种成瘾性脑网络分析方法及装置。

背景技术

以人工智能为代表的信息技术和医学影像技术不断取得重大进展。利用机器学习算法分析磁共振图像，开展脑网络计算方法研究，促进人工智能在脑科学领域的快速发展，对脑科学的发展以及大脑的尼古丁成瘾机制的探究具有重要意义。

功能性磁共振成像 (functional Magnetic Resonance Imaging，fMRI）技术通过探测大脑血氧饱和程度的变化达到无侵入性观察大脑活动变化的目的。功能性磁共振成像能够对特定的大脑活动皮层区域进行准确定位，并捕获能够反映神经元活动的血氧变化。随着神经影像学的不断发展，功能性核磁共振技术越来越多的应用于脑网络分析。

目前，对于成瘾性脑网络分析通常将脑部fMRI图像进行压缩或下采样等方式降维，将降维后的图像输入到模型中，或，对脑部fMRI图像进行切片处理，再将不同方向的切片输入到机器学习模型中，从而识别和检测大脑成瘾相关的异常脑区。

降维的方式会造成fMRI图像信息的损失，切片处理依赖专业医师的先验知识和操作，将处理后的图像输入到机器学习模型中，会影响机器学习模型的性能，无法有效地分析成瘾性脑网络结构图。

发明内容

本申请实施例提供了一种成瘾性脑网络分析方法及装置，能保留不同成瘾性脑部之间个体差异的同时，有效学习到成瘾相关的异常脑部拓扑特征，从而准确地对成瘾性大脑的脑网络进行分析，提高模型整体的性能。

第一方面，本申请实施例提供了一种成瘾性脑网络分析方法，其特征在于，包括：

获取不同标签的真实脑部功能性核磁共振fMRI图像，所述不同标签用于指示不同浓度的成瘾物，所述真实脑部功能性核磁共振fMRI图像包括多个真实脑部区域fMRI图像，所述不同标签的真实脑部fMRI图像包括训练真实脑部fMRI图像样本和测试真实脑部fMRI图像样本；

基于所述训练真实脑部fMRI图像样本，生成所述不同标签的第一脑部拓扑结构，所述脑部拓扑结构为脑部神经环路的连通特征；

获取成瘾性真实脑部fMRI图像；

基于所述成瘾性真实脑部fMRI图像，生成脑成瘾标准特征图；

根据所述脑成瘾标准特征图确定所述第一脑部拓扑结构的初始权重值；

基于所述不同标签的第一脑部拓扑结构和所述第一脑部拓扑结构的初始权重值，训练成瘾性脑网络分析模型；

将所述测试真实脑部fMRI图像样本输入到所述成瘾性脑网络分析模型中，生成第一加权脑部拓扑结构，所述第一加权脑部拓扑结构为所述不同标签的加权脑部拓扑结构。

在上述方法中，基于所述训练真实脑部fMRI图像样本，生成不同标签的第一脑部拓扑结构，是根据现有的脑部医学影像获取脑部拓扑连接，不同于纯图像信息，脑部拓扑结构能够提供多个脑区之间的连接信息，生成的脑成瘾标准特征图保留了成瘾性脑区之间的神经生物学信息，并确定了第一脑部拓扑结构不同脑区之间的初始权重值，将不同标签的第一脑部拓扑结构和所述第一脑部拓扑结构的初始权重值训练成瘾性网络分析模型，能保留不同成瘾性脑部之间个体差异的同时，有效学习到不同标签的第一脑部拓扑结构中不同脑区之间的连接信息，最后根据生成的第一加权脑部拓扑结构得到成瘾相关的异常脑部拓扑特征，从而准确地对成瘾性大脑的脑网络进行分析。

在一种可能的实现方式中，所述基于所述训练真实脑部fMRI图像样本，生成所述不同标签的第一脑部拓扑结构包括：

获取脑图谱模板；

基于所述训练真实脑部fMRI图像样本和所述脑图谱模板，生成所述不同标签的第一脑部拓扑结构。

在本申请实施例中，获取第一脑部拓扑结构不需要通过软件提供的有限模板进行提取，而是直接输入脑图谱模板和所述训练真实脑部fMRI图像样本，就可以生成所述不同标签的第一脑部拓扑结构，整个过程十分简捷，提高了脑图谱模板使用的灵活性以及从脑部医学影像中获取脑部拓扑连接的效率。

在一种可能的实现方式中，所述将所述测试真实脑部fMRI图像样本输入到所述成瘾性脑网络分析模型中，生成第一加权脑部拓扑结构包括：

基于所述测试真实脑部fMRI图像样本，生成所述不同标签的第二脑部拓扑结构；

根据所述成瘾性脑网络分析模型确定所述第二脑部拓扑结构的初始权重值；

基于所述不同标签的第二脑部拓扑结构和所述第二脑部拓扑结构的初始权重值，生成第一加权脑部拓扑结构。

在本申请实施例中，成瘾性脑网络分析模型经过训练后，用于所述测试真实脑部fMRI图像样本的测试，测试时，根据测试真实脑部fMRI图像样本生成第二脑部拓扑结构，再将训练后的成瘾性脑网络分析模型的脑部拓扑结构的权重值作为测试时的第二脑部拓扑结构的初始权重值，根据第二脑部拓扑结构和第二脑部拓扑结构的初始权重值，生成第一加权脑部拓扑得到成瘾相关的异常脑部拓扑特征，从而准确地对成瘾性大脑的脑网络进行分析。

在一种可能的实现方式中，所述不同标签的第二脑部拓扑结构包括第一标签的第二脑部拓扑结构和第二标签的第二脑部拓扑结构，所述第一加权脑部拓扑结构包括第一标签的第一加权脑部拓扑结构和第二标签的第一加权脑部拓扑结构，所述基于所述不同标签的第二脑部拓扑结构和所述第二脑部拓扑结构的初始权重值，生成第一加权脑部拓扑结构包括：

将所述第一标签的第二脑部拓扑结构和第二标签的第二脑部拓扑结构输入到所述成瘾性脑网络分析模型中；

当所述第一标签为目标标签时，生成第一标签的第一加权脑部拓扑结构；当所述第二标签为所述目标标签时，生成第二标签的第一加权脑部拓扑结构。

在本申请实施例中，成瘾性脑网络分析模型能够根据目标标签标注的不同，生成不同标签的第一加权脑部拓扑结构，可以同时训练和测试多组不同标签的真实脑部fMRI图像，从而提高模型整体性能。

在一种可能的实现方式中，所述基于所述不同标签的第一脑部拓扑结构和所述第一脑部拓扑结构的初始权重值，训练成瘾性脑网络分析模型包括：

将不同标签的第一脑部拓扑结构和所述第一脑部拓扑结构的初始权重值输入到待训练成瘾性脑网络分析模型中，生成第二加权脑部拓扑结构；

确定第二加权脑部拓扑结构的识别结果；

根据所述第二加权脑部拓扑结构的识别结果，训练所述成瘾性脑网络分析模型。

在本申请实施例中，成瘾性脑网络分析模型根据生成的第二加权脑部拓扑结构的识别结果，训练成瘾性脑网络分析模型，使模型不断地学习直至生成能够欺骗模型的第二加权脑部拓扑结构，提高模型的学习能力。

在一种可能的实现方式中，所述根据所述第二加权脑部拓扑结构的识别结果，训练所述成瘾性脑网络分析模型包括：

根据所述第二加权脑部拓扑结构的识别结果获取所述成瘾性脑网络分析模型的损失函数；

根据所述成瘾性脑网络分析模型的损失函数，迭代训练所述成瘾性脑网络分析模型。

在本申请实施例中，成瘾性脑网络分析模型根据第二加权脑部拓扑结构的识别结果得到模型的损失函数，该损失函数用于迭代训练成瘾性脑网络分析模型能够使模型更好地学习不同的样本特征，从而使模型学习到的第二加权脑部拓扑结构更加贴近真实的成瘾性脑网络的拓扑特征。

第二方面，本申请实施例提供了一种成瘾性脑网络分析装置，包括：

获取单元，用于获取不同标签的真实脑部功能性核磁共振fMRI图像，所述不同标签用于指示不同浓度的成瘾物，所述真实脑部功能性核磁共振fMRI图像包括多个真实脑部区域fMRI图像，所述不同标签的真实脑部fMRI图像包括训练真实脑部fMRI图像样本和测试真实脑部fMRI图像样本；

处理单元，用于基于所述训练真实脑部fMRI图像样本，生成所述不同标签的第一脑部拓扑结构，所述脑部拓扑结构为脑部神经环路的连通特征；

所述获取单元，用于获取成瘾性真实脑部fMRI图像；

所述处理单元，用于基于所述成瘾性真实脑部fMRI图像，生成脑成瘾标准特征图；根据所述脑成瘾标准特征图确定所述第一脑部拓扑结构的初始权重值；基于所述不同标签的第一脑部拓扑结构和所述第一脑部拓扑结构的初始权重值，训练成瘾性脑网络分析模型；将所述测试真实脑部fMRI图像样本输入到所述成瘾性脑网络分析模型中，生成第一加权脑部拓扑结构，所述第一加权脑部拓扑结构为所述不同标签的加权脑部拓扑结构。

在一种可能的实现方式中，所述获取单元还用于：

获取脑图谱模板；

所述处理单元，具体用于基于所述训练真实脑部fMRI图像样本和所述脑图谱模板，生成所述不同标签的第一脑部拓扑结构。

在一种可能的实现方式中，所述处理单元具体用于：

确定第二加权脑部拓扑结构的识别结果；

在一种可能的实现方式中，所述获取单元还用于：

所述处理单元，具体用于根据所述成瘾性脑网络分析模型的损失函数，迭代训练所述成瘾性脑网络分析模型。

该成瘾性脑网络分析装置执行的操作及有益效果可以参见上述第一方面中任意一项所述的方法以及有益效果，重复之处不再赘述。

第三方面，本申请提供了一种成瘾性脑网络分析装置，该成瘾性脑网络分析装置可以是服务器，也可以是服务器中的装置，或者是能够和服务器匹配使用的装置。其中，该成瘾性脑网络分析装置还可以为芯片系统。该成瘾性脑网络分析装置可执行第一方面中任意一项所述的方法。该成瘾性脑网络分析装置的功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。该硬件或软件包括一个或多个与上述功能相对应的模块。该模块可以是软件和/或硬件。该成瘾性脑网络分析装置执行的操作及有益效果可以参见上述第一方面中任意一项所述的方法以及有益效果，重复之处不再赘述。

第四方面，本申请提供了一种成瘾性脑网络分析装置，所述成瘾性脑网络分析装置包括处理器，当所述处理器调用存储器中的计算机程序时，如第一方面中任意一项所述的方法被执行。

第五方面，本申请提供了一种成瘾性脑网络分析装置，所述成瘾性脑网络分析装置包括处理器和存储器，所述存储器用于存储计算机程序；所述处理器用于执行所述存储器所存储的计算机程序，以使所述成瘾性脑网络分析装置执行如第一方面中任意一项所述的方法。

第六方面，本申请提供了一种成瘾性脑网络分析装置，所述成瘾性脑网络分析装置包括处理器、存储器和收发器，所述收发器，用于接收信道或信号，或者发送信道或信号；所述存储器，用于存储计算机程序；所述处理器，用于从所述存储器调用所述计算机程序执行如第一方面中任意一项所述的方法。

第七方面，本申请提供了一种成瘾性脑网络分析装置，所述成瘾性脑网络分析装置包括处理器和接口电路，所述接口电路，用于接收计算机程序并传输至所述处理器；所述处理器运行所述计算机程序以执行如第一方面中任意一项所述的方法。

第八方面，本申请提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储计算机程序，当所述计算机程序被执行时，使得如第一方面中任意一项所述的方法被实现。

第九方面，本申请提供一种包括计算机程序的计算机程序产品，当计算机程序被执行时，使得如第一方面中任意一项所述的方法被实现。

第十方面，本申请实施例提供了一种成瘾性脑网络分析系统，该成瘾性脑网络分析系统包括至少一个服务器和至少一个终端设备，该服务器用于执行上述第一方面中任意一项的步骤。

附图说明

以下对本申请实施例用到的附图进行介绍。

图1是本申请实施例提供的一种成瘾性脑网络分析系统架构示意图；

图2是本申请实施例提供的一种卷积神经网络200示意图；

图3是本申请实施例提供的一种成瘾性脑网络分析模型示意图；

图4是本申请实施例提供的一种成瘾性脑网络拓扑信息多层级联控模型示意图；

图5是本申请实施例提供的一种成瘾性脑网络分析方法的流程图；

图6是本申请实施例提供的一种成瘾性脑网络分析装置600的结构示意图；

图7是本申请实施例提供的一种成瘾性脑网络分析装置700的结构示意图。

具体实施方式

下面结合本申请实施例中的附图对本申请实施例进行描述。

由于本申请实施例涉及大量神经网络的应用，为了便于理解，下面先对本申请实施例涉及的相关术语及神经网络等相关概念进行介绍。

（1）神经网络

神经网络可以是由神经单元组成的，神经单元可以是指以x_s和截距1为输入的运算单元，该运算单元的输出可以为：

（1-1）

其中，s=1、2、……n，n为大于1的自然数，W_s为x_s的权重，b为神经单元的偏置。f为神经单元的激活函数（activation functions），用于将非线性特性引入神经网络中，来将神经单元中的输入信号转换为输出信号。该激活函数的输出信号可以作为下一层卷积层的输入。激活函数可以是sigmoid函数。神经网络是将许多个上述单一的神经单元联结在一起形成的网络，即一个神经单元的输出可以是另一个神经单元的输入。每个神经单元的输入可以与前一层的局部接受域相连，来提取局部接受域的特征，局部接受域可以是由若干个神经单元组成的区域。

（2）深度神经网络

深度神经网络（Deep Neural Network，DNN），也称多层神经网络，可以理解为具有很多层隐含层的神经网络，这里的“很多”并没有特别的度量标准。从DNN按不同层的位置划分，DNN内部的神经网络可以分为三类：输入层，隐含层，输出层。一般来说第一层是输入层，最后一层是输出层，中间的层数都是隐含层。层与层之间是全连接的，也就是说，第i层的任意一个神经元一定与第i+1层的任意一个神经元相连。虽然DNN看起来很复杂，但是就每一层的工作来说，其实并不复杂，简单来说就是如下线性关系表达式：y=α(Wx+b)，其中，x是输入向量，y是输出向量，b是偏移向量，W是权重矩阵（也称系数），α( )是激活函数。每一层仅仅是对输入向量x经过如此简单的操作得到输出向量y。由于DNN层数多，则系数W和偏移向量b的数量也就很多了。这些参数在DNN中的定义如下所述：以系数W为例：假设在一个三层的DNN中，第二层的第4个神经元到第三层的第2个神经元的线性系数定义为

。上标3代表系数W所在的层数，而下标对应的是输出的第三层索引2和输入的第二层索引4。总结就是：第L−1层的第k个神经元到第L层的第j个神经元的系数定义为

。需要注意的是，输入层是没有W参数的。在深度神经网络中，更多的隐含层让网络更能够刻画现实世界中的复杂情形。理论上而言，参数越多的模型复杂度越高，“容量”也就越大，也就意味着它能完成更复杂的学习任务。训练深度神经网络的也就是学习权重矩阵的过程，其最终目的是得到训练好的深度神经网络的所有层的权重矩阵（由很多层的向量W形成的权重矩阵）。

（3）卷积神经网络

卷积神经网络（Convolutional Neuron Network，CNN）是一种带有卷积结构的深度神经网络。卷积神经网络包含了一个由卷积层和子采样层构成的特征抽取器。该特征抽取器可以看作是滤波器，卷积过程可以看作是使用一个可训练的滤波器与一个输入的图像或者卷积特征平面(feature map)做卷积。卷积层是指卷积神经网络中对输入信号进行卷积处理的神经元层。在卷积神经网络的卷积层中，一个神经元可以只与部分邻层神经元连接。一个卷积层中，通常包含若干个特征平面，每个特征平面可以由一些矩形排列的神经单元组成。同一特征平面的神经单元共享权重，这里共享的权重就是卷积核。共享权重可以理解为提取图像信息的方式与位置无关。这其中隐含的原理是：图像的某一部分的统计信息与其他部分是一样的。即意味着在某一部分学习的图像信息也能用在另一部分上。所以对于图像上的所有位置，都能使用同样的学习得到的图像信息。在同一卷积层中，可以使用多个卷积核来提取不同的图像信息，一般地，卷积核数量越多，卷积操作反映的图像信息越丰富。

卷积核可以以随机大小的矩阵的形式初始化，在卷积神经网络的训练过程中卷积核可以通过学习得到合理的权重。另外，共享权重带来的直接好处是减少卷积神经网络各层之间的连接，同时又降低了过拟合的风险。

（4）循环神经网络（Recurrent Neural Networks，RNN)是用来处理序列数据的。在传统的神经网络模型中，是从输入层到隐含层再到输出层，层与层之间是全连接的，而对于每一层层内之间的各个节点是无连接的。这种普通的神经网络虽然解决了很多难题，但是却仍然对很多问题却无能无力。例如，你要预测句子的下一个单词是什么，一般需要用到前面的单词，因为一个句子中前后单词并不是独立的。RNN之所以称为循环神经网路，即一个序列当前的输出与前面的输出也有关。具体的表现形式为网络会对前面的信息进行记忆并应用于当前输出的计算中，即隐含层本层之间的节点不再无连接而是有连接的，并且隐含层的输入不仅包括输入层的输出还包括上一时刻隐含层的输出。理论上，RNN能够对任何长度的序列数据进行处理。对于RNN的训练和对传统的CNN或DNN的训练一样。同样使用误差反向传播算法，不过有一点区别：即，如果将RNN进行网络展开，那么其中的参数，如W，是共享的；而如上举例上述的传统神经网络却不是这样。并且在使用梯度下降算法中，每一步的输出不仅依赖当前步的网络，还依赖前面若干步网络的状态。该学习算法称为基于时间的反向传播算法（Back propagation Through Time，BPTT）。

既然已经有了卷积神经网络，还要循环神经网络的原因很简单，在卷积神经网络中，有一个前提假设是：元素之间是相互独立的，输入与输出也是独立的，比如猫和狗。但现实世界中，很多元素都是相互连接的，比如股票随时间的变化，再比如一个人说了：我喜欢旅游，其中最喜欢的地方是云南，以后有机会一定要去。这里填空，人类应该都知道是填“云南”。因为人类会根据上下文的内容进行推断，但想让机器做到这一步，RNN就应运而生了。RNN旨在让机器像人一样拥有记忆的能力。因此，RNN的输出就需要依赖当前的输入信息和历史的记忆信息。

（5）损失函数

在训练深度神经网络的过程中，因为希望深度神经网络的输出尽可能的接近真正想要预测的值，所以可以通过比较当前网络的预测值和真正想要的目标值，再根据两者之间的差异情况来更新每一层神经网络的权重向量（当然，在第一次更新之前通常会有初始化的过程，即为深度神经网络中的各层预先配置参数），比如，如果网络的预测值高了，就调整权重向量让它预测低一些，不断的调整，直到深度神经网络能够预测出真正想要的目标值或与真正想要的目标值非常接近的值。因此，就需要预先定义“如何比较预测值和目标值之间的差异”，这便是损失函数（loss function）或目标函数（objective function），它们是用于衡量预测值和目标值的差异的重要方程。其中，以损失函数举例，损失函数的输出值（loss）越高表示差异越大，那么深度神经网络的训练就变成了尽可能缩小这个loss的过程。

（6）反向传播算法

卷积神经网络可以采用误差反向传播（back propagation，BP）算法在训练过程中修正初始的超分辨率模型中参数的大小，使得超分辨率模型的重建误差损失越来越小。具体地，前向传递输入信号直至输出会产生误差损失，通过反向传播误差损失信息来更新初始的超分辨率模型中参数，从而使误差损失收敛。反向传播算法是以误差损失为主导的反向传播运动，旨在得到最优的超分辨率模型的参数，例如权重矩阵。

（7）生成式对抗网络

生成式对抗网络（Generative Adversarial Networks，GAN）是一种深度学习模型。该模型中至少包括两个模块：一个模块是生成模型（Generative Model），另一个模块是判别模型（Discriminative Model），通过这两个模块互相博弈学习，从而产生更好的输出。生成模型和判别模型都可以是神经网络，具体可以是深度神经网络，或者卷积神经网络。GAN的基本原理如下：以生成图片的GAN为例，假设有两个网络，G（Generator）和D（Discriminator），其中G是一个生成图片的网络，它接收一个随机的噪声z，通过这个噪声生成图片，记做G(z)；D是一个判别网络，用于判别一张图片是不是“真实的”。它的输入参数是x，x代表一张图片，输出D（x）代表x为真实图片的概率，如果为1，就代表100%是真实的图片，如果为0，就代表不可能是真实的图片。在对该生成式对抗网络进行训练的过程中，生成网络G的目标就是尽可能生成真实的图片去欺骗判别网络D，而判别网络D的目标就是尽量把G生成的图片和真实的图片区分开来。这样，G和D就构成了一个动态的“博弈”过程，也即“生成式对抗网络”中的“对抗”。最后博弈的结果，在理想的状态下，G可以生成足以“以假乱真”的图片G(z)，而D难以判定G生成的图片究竟是不是真实的，即D(G(z)) = 0.5。这样就得到了一个优异的生成模型G，它可以用来生成图片。

请参见图1，图1是本申请实施例提供的一种成瘾性脑网络分析系统架构示意图，如图所示，数据采集设备106用于采集不同标签的真实脑部fMRI图像，本申请实施例中数据包括：不同标签的真实脑部fMRI图像；并将不同标签的真实脑部fMRI图像存入数据库108，训练设备109基于数据库108中的不同标签的真实脑部fMRI图像训练得到目标模型/规则101，其中，所述目标模型/规则101可以是成瘾性脑网络分析模型。下面将更详细地描述训练设备109如何基于训练数据集得到目标模型/规则101，该目标模型/规则101能够用于实现本申请实施例提供的成瘾性脑网络分析方法，即，将不同标签的真实脑部fMRI图像通过相关预处理后输入该目标模型/规则101，即可得到成瘾性脑网络分析模型。本申请实施例中的目标模型/规则101具体可以为生成式对抗网络，在本申请提供的实施例中，该生成式对抗网络是通过训练待训练模型得到的。需要说明的是，在实际的应用中，所述数据库108中的数据不一定都来自于数据采集设备106的采集，也有可能是从其他设备接收得到的。另外需要说明的是，训练设备109也不一定完全基于数据库108的训练数据集进行目标模型/规则101的训练，也有可能从云端或其他地方获取训练数据集进行模型训练，上述描述不应该作为对本申请实施例的限定。

根据训练设备109训练得到的目标模型/规则101可以应用于不同的系统或设备中，如应用于图1所示的执行设备110，所述执行设备110可以是终端，如手机终端，平板电脑，笔记本电脑，增强现实/虚拟现实（Augmented Reality/Virtual Reality，AR/VR），车载终端等，还可以是服务器或者云端等。在图1中，执行设备110配置有I/O接口102，用于与外部设备进行数据交互，用户可以通过客户设备104向 I/O接口102输入数据。

预处理模块103用于根据I/O接口102接收到的成瘾性真实脑部fMRI图像进行预处理，在本申请实施例中，预处理模块103可以用于根据成瘾性真实脑部fMRI图像，生成脑成瘾标准特征图，从而对目标模型/规则101进行约束。

在执行设备110对成瘾性真实脑部fMRI图像进行预处理，或者在执行设备110的计算模块107执行计算等相关的处理过程中，执行设备110可以调用数据存储系统105中的数据、代码等以用于相应的处理，也可以将相应处理得到的数据、指令等存入数据存储系统105中。

最后，I/O接口102将处理结果返回给客户设备104，从而提供给用户。

值得说明的是，训练设备109可以针对不同的目标或称不同的任务，基于不同的训练数据生成相应的目标模型/规则101，该相应的目标模型/规则101即可以用于实现上述目标或完成上述任务，从而为用户提供所需的结果。

在图1所示的情况下，用户可以手动给定输入数据，该手动给定可以通过I/O接口102提供的界面进行操作。另一种情况下，客户设备104可以自动地向I/O接口102发送输入数据，如果要求客户设备104自动发送输入数据需要获得用户的授权，则用户可以在客户设备104中设置相应权限。用户可以在客户设备104查看执行设备110输出的结果，具体的呈现形式可以是显示、声音、动作等具体方式。客户设备104也可以作为数据采集端，采集如图所示输入I/O接口102的输入数据及输出I/O接口102的输出结果作为新的样本数据，并存入数据库108。当然，也可以不经过客户设备104进行采集，而是由I/O接口102直接将如图所示输入I/O接口102的输入数据及输出I/O接口102的输出结果，作为新的样本数据存入数据库108。

值得注意的是，图1仅是本发明实施例提供的一种系统架构的示意图，图中所示设备、器件、模块等之间的位置关系不构成任何限制，例如，在图1中，数据存储系统105相对执行设备110是外部存储器，在其它情况下，也可以将数据存储系统105置于执行设备110中。

如图1所示，根据训练设备109训练得到目标模型/规则101，该目标模型/规则101在本申请实施例中可以是生成式对抗网络，具体的，本申请实施例提供的生成式对抗网络可以包括：生成网络和判别网络。在本申请实施例提供的生成式对抗网络中，所述生成网络和所述判别网络都可以是卷积神经网络。

如前文的基础概念介绍所述，卷积神经网络是一种带有卷积结构的深度神经网络，是一种深度学习（deep learning）架构，深度学习架构是指通过机器学习的算法，在不同的抽象层级上进行多个层次的学习。作为一种深度学习架构，CNN是一种前馈（feed-forward）人工神经网络，该前馈人工神经网络中的各个神经元可以对输入其中的图像作出响应。

请参见图2，图2是本申请实施例提供的一种卷积神经网络200示意图，可以包括输入层210，卷积层/池化层220，以及神经网络层230。上述卷积层/池化层220可以包括221-226层，举例来说，在一种实现中，221层为卷积层，222层为池化层，223层为卷积层，224层为池化层，225为卷积层，226为池化层；在另一种实现方式中，221、222为卷积层，223为池化层，224、225为卷积层，226为池化层。即卷积层的输出可以作为随后的池化层的输入，也可以作为另一个卷积层的输入以继续进行卷积操作。

下面将以卷积层221为例，介绍一层卷积层的内部工作原理。

卷积层221可以包括很多个卷积算子，卷积算子也称为核，其在模型训练中的作用相当于一个从输入图像矩阵中提取特定信息的过滤器，卷积算子本质上可以是一个权重矩阵，这个权重矩阵通常被预先定义，在对图像进行卷积操作的过程中，权重矩阵通常在输入图像向量上沿着水平方向一个特征值接着一个特征值或者两个特征值接着两个特征值进行处理，从而完成从图像中提取特定特征的工作。该权重矩阵的大小应该与图像的大小相关，需要注意的是，权重矩阵的纵深维度（depth dimension）和输入图像的纵深维度是相同的，在进行卷积运算的过程中，权重矩阵会延伸到输入图像的整个深度。因此，和一个单一的权重矩阵进行卷积会产生一个单一纵深维度的卷积化输出，但是大多数情况下不使用单一权重矩阵，而是应用多个尺寸（行×列）相同的权重矩阵，即多个同型矩阵。每个权重矩阵的输出被堆叠起来形成卷积图像的纵深维度，这里的维度可以理解为由上面所述的“多个”来决定。该多个权重矩阵尺寸（行×列）相同，经过该多个尺寸相同的权重矩阵提取后的特征图的尺寸也相同，再将提取到的多个尺寸相同的特征合并形成卷积运算的输出。

这些权重矩阵中的权重值在实际应用中需要经过大量的训练得到，通过训练得到的权重值形成的各个权重矩阵可以用来从输入图像中提取信息，从而使得卷积神经网络200进行正确的预测。

当卷积神经网络200有多个卷积层的时候，初始的卷积层（例如221）往往提取较多的一般特征，该一般特征也可以称之为低级别的特征；随着卷积神经网络200深度的加深，越往后的卷积层（例如226）提取到的特征越来越复杂，比如高级别的语义之类的特征，语义越高的特征越适用于待解决的问题。

由于常常需要减少训练参数的数量，因此卷积层之后常常需要周期性的引入池化层，在如图2中220所示例的221-226各层，可以是一层卷积层后面跟一层池化层，也可以是多层卷积层后面接一层或多层池化层。

在经过卷积层/池化层220的处理后，卷积神经网络200还不足以输出所需要的输出信息。因为如前所述，卷积层/池化层220只会提取特征。然而为了生成最终的输出信息（所需要的类信息或其他相关信息），卷积神经网络200需要利用神经网络层230来生成一个或者一组所需要的类的数量的输出。因此，在神经网络层230中可以包括多层隐含层（如图2所示的231、232至23n）以及输出层240，该多层隐含层中所包含的参数可以根据具体的任务类型的相关训练数据进行预先训练得到，例如，该任务类型可以包括图像识别，图像分类，图像超分辨率重建等等。

在神经网络层230中的多层隐含层之后，也就是整个卷积神经网络200的最后层为输出层240，该输出层240具有类似分类交叉熵的损失函数，具体用于计算预测误差，一旦整个卷积神经网络200的前向传播（如图2由210至240方向的传播为前向传播）完成，反向传播（如图2由240至210方向的传播为反向传播）就会开始更新前面提到的各层的权重值以及偏差，以减少卷积神经网络200的损失，及卷积神经网络200通过输出层输出的结果和理想结果之间的误差。

需要说明的是，图2所示的卷积神经网络200仅作为一种卷积神经网络的示例，在具体的应用中，卷积神经网络还可以以其他网络模型的形式存在。

请参见图3，图3是本申请实施例提供的一种成瘾性脑网络分析模型示意图。该成瘾性脑网络分析模型可以包括原始真实医学影像fMRI301，自适应脑部拓扑结构生成模块302，真实脑部拓扑连接303，异常神经连接学习模块304，成瘾相关脑拓扑连接305，脑图谱信息反馈模块306，先验知识引导模块307，成瘾相关脑拓扑连接308，异常神经连接学习模块309，重构脑连接310，脑图谱信息反馈模块311，成瘾模式判别模块312，成瘾模式313，其中：

原始真实医学影像fMRI301包括不同浓度的成瘾物的真实脑部fMRI图像，在成瘾性脑网络分析模型的训练中，一般选取两种不同浓度的成瘾物的真实脑部fMRI图像，例如，选取高浓度真实脑部fMRI图像和生理盐水真实脑部fMRI图像。

将原始真实医学影像fMRI301输入到自适应脑部拓扑结构生成模块302中，生成真实脑部拓扑连接303。上述自适应脑部拓扑结构生成模块302用于从原始真实医学影像fMRI301中自适应地按照脑图谱模板所划分的感兴趣区域（region of interest，ROI）进行真实脑部拓扑连接303的生成。上述真实脑部拓扑连接303一般包括两种浓度的真实脑部拓扑连接，例如，高浓度真实脑部拓扑连接和生理盐水真实脑部拓扑连接。

将真实脑部拓扑连接303输入到异常神经连接学习模块304中，生成成瘾相关脑拓扑连接305。上述异常神经连接学习模块303用于在非欧空间中以图结构的形式进行脑网络拓扑特征的学习，在保留不同患者之间个体差异的同时，有效学习到不同脑区之间的连接信息。上述成瘾相关脑拓扑连接305一般可以包括两种浓度中的一种浓度的成瘾相关脑拓扑连接，例如，高浓度成瘾相关脑拓扑连接或生理盐水成瘾相关脑拓扑连接。

先验知识引导模块307用于计算已经成瘾的异常脑连接，并确定真实脑部拓扑连接303的初始权重值，从而约束异常神经连接学习模块304和脑图谱信息反馈模块306。

将成瘾相关脑拓扑连接305输入到脑图谱信息反馈模块306中，对成瘾相关脑拓扑连接305进行真实度的判别，从而约束异常神经连接学习模块304。

成瘾相关脑拓扑连接308一般可以包括两种浓度中的另一种浓度的成瘾相关脑拓扑连接，例如，若成瘾相关脑拓扑连接305是高浓度成瘾相关脑拓扑连接，那么成瘾相关脑拓扑连接308是生理盐水成瘾相关脑拓扑连接；若成瘾相关脑拓扑连接305是生理盐水成瘾相关脑拓扑连接，那么成瘾相关脑拓扑连接308是高浓度成瘾相关脑拓扑连接。

异常神经连接学习模块309是由异常神经连接学习模块304训练得来，将成瘾相关脑拓扑连接308输入到异常神经连接学习模块309中，生成重构脑连接310。上述重构脑连接310为与真实脑部拓扑连接303尺寸大小相同的成瘾性脑部拓扑结构，一般包括两种浓度中的一种浓度的成瘾性脑部拓扑结构。

脑图谱信息反馈模块311是由脑图谱信息反馈模块306训练得来，将重构脑连接310输入到脑图谱信息反馈模块311中，对重构脑连接310进行真实度的判别，从而约束异常神经连接学习模块309。

将重构脑连接310输入到成瘾模式判别模块312，对重构脑连接310进行真假性的判别，从而约束所述异常神经连接学习模块309。

成瘾模式313为最终输出的成瘾相关的异常脑部拓扑特征，能够用于准确地对成瘾性大脑的脑网络进行分析。

图3所示的成瘾性脑网络分析模型是固定架构，在模型的训练、测试过程中整个模型的整体结构不会改变，为了维持模型训练过程稳定且快速收敛，提出脑网络拓扑信息多层级联控模块，如图4所示，图4是本申请实施例提供的一种成瘾性脑网络拓扑信息多层级联控模型示意图。该成瘾性脑网络拓扑信息多层级联控模型可以包括脑网络拓扑信息多层级联控模块401，脑网络拓扑信息多层级联控模块402，原始真实医学影像fMRI403，自适应脑部拓扑结构生成模块404，真实脑部拓扑连接405，异常神经连接学习模块406，成瘾相关脑拓扑连接407，异常神经连接学习模块408，重构脑连接409，异常神经连接学习模块410，成瘾相关脑拓扑连接411，异常神经连接学习模块412，重构脑连接413。此外，该成瘾性脑网络拓扑信息多层级联控模型还可以包括多个异常神经连接学习模块，实现对异常神经连接学习模块的多层复用，使扩展后的成瘾性脑网络分析模型可以充分学习到更多的脑网络拓扑信息，从而提高模型的整体性能。

请参见图5，图5是本申请实施例提供的一种成瘾性脑网络分析方法的流程图，该方法包括但不限于如下步骤：

S501：获取不同标签的真实脑部fMRI图像。

上述不同标签用于指示不同浓度的成瘾物，成瘾物可以是尼古丁，连续两至三周给大鼠注射不同浓度的尼古丁（例如，高浓度尼古丁、低浓度尼古丁和生理盐水），使大鼠对不同浓度的尼古丁成瘾，并采集大鼠的真实脑部fMRI图像，获取不同标签的真实脑部fMRI图像。其中，采集大鼠的真实脑部fMRI图像时，整个采集过程分为两段，前一段为静息扫描大鼠的脑部，后一段对大鼠进行尼古丁注射，并继续扫描大鼠的脑部，例如，真实脑部fMRI图像的采集过程为40分钟，前20分钟为静息扫描大鼠的脑部，20分钟的时间节点时注射尼古丁，之后继续扫描大鼠的脑部。

上述真实脑部fMRI图像包括多个真实脑部区域fMRI图像，上述不同标签的真实脑部fMRI图像可以包括训练真实脑部fMRI图像样本、验证真实脑部fMRI图像样本和测试真实脑部fMRI图像样本，其中，所述训练真实脑部fMRI图像样本用于训练成瘾性脑网络分析模型，验证真实脑部fMRI图像样本用于验证所述成瘾性脑网络分析模型的结果并选择最优模型，测试真实脑部fMRI图像样本用于评估成瘾性脑网络分析模型的性能，所述训练真实脑部fMRI图像样本、验证真实脑部fMRI图像样本和测试真实脑部fMRI图像样本可以按照预设比例划分。

S502：基于所述训练真实脑部fMRI图像样本，生成所述不同标签的第一脑部拓扑结构。

上述脑部拓扑结构为脑部神经环路的连通特征。

具体地，将采集到的训练真实脑部fMRI图像和脑图谱模板输入到自适应脑部拓扑结构生成模块中，对所述训练真实脑部fMRI图像进行去伪影、时间配准、头动校正、保准化、时空滤波等预处理；再将经过预处理后的脑部fMRI图像信息输入到重采样层，将脑部fMRI图像重采样到脑图谱模板空间，再输入到时间序列提取层，按ROI分割成多个脑区并提取各脑区像素点的平均时间序列；最后根据所述平均时间序列计算得出不同标签的第一脑部拓扑结构。

S503：获取成瘾性真实脑部fMRI图像。

上述成瘾性真实脑部fMRI图像为从专业医生、专业机构处得到的已经公开的脑部尼古丁成瘾相关的真实脑部fMRI图像。

S504：基于所述成瘾性真实脑部fMRI图像，生成脑成瘾标准特征图。

上述脑成瘾标准特征图为脑部尼古丁成瘾的脑部拓扑结构图。

具体地，将上述成瘾性真实脑部fMRI图像输入到先验知识引导模块中，通过由卷积层、密集连接层、过渡层组成的深度神经网络对输入的成瘾性真实脑部fMRI图像进行统一特征编码提取，将统一特征编码提取的脑成瘾标准特征进行拓扑特征整合，得到所述脑成瘾标准特征图。

S505：根据所述脑成瘾标准特征图确定所述第一脑部拓扑结构的初始权重值。

具体地，脑成瘾标准特征图包括多个脑部成瘾性的异常区域连接信息以及各个脑区的权重分布值，因此，将各个脑区的权重分布值确定为第一脑部拓扑结构的初始权重值。

S506：基于所述不同标签的第一脑部拓扑结构和所述第一脑部拓扑结构的初始权重值，训练成瘾性脑网络分析模型。

具体地，所述不同标签的第一脑部拓扑结构包括第一标签的第一脑部拓扑结构和第二标签的第一脑部拓扑结构，其中，所述第一标签和所述第二标签用于指示不同浓度的成瘾物。

将第一标签的第一脑部拓扑结构、第二标签的第一脑部拓扑结构以及第一脑部拓扑结构的初始权重值输入到由多层反卷积层构成的异常神经连接学习模块中，通过相关卷积运算得到区分第一标签的第一脑部拓扑结构和第二标签的第一脑部拓扑结构的类判别激活映射∆x；

当所述第一标签为目标标签y时，将所述类判别激活映射∆x与第二标签的第一脑拓扑结构x相加，得到第一标签的第一脑部拓扑结构的假样本x'，再将所述第一标签的第一脑部拓扑结构的假样本x'通过随机函数输入到异常神经连接学习模块，得到第一标签的第二加权脑部拓扑结构x_f。其中，第一标签的第一脑部拓扑结构的假样本x'，表示为：

x'=∆x+x；（1-2）

第一标签的第二加权脑部拓扑结构x_f，表示为：

x_f =∆x+x'；（1-3）

当所述第二标签为目标标签y时，将所述类判别激活映射∆x与第一标签的第一脑拓扑结构x相加，得到第二标签的第一脑部拓扑结构的假样本x'，再将所述第二标签的第一脑部拓扑结构的假样本x'通过随机函数输入到异常神经连接学习模块，得到第二标签的第二加权脑部拓扑结构x_f。

将同一标签的第一脑部拓扑结构与异常神经连接学习模块生成的第二加权脑拓扑结构输入到由卷积层、过渡层和全连接层组成的脑图谱信息反馈模块中，对输入的第一脑拓扑结构进行拓扑特征提取，再与第二加权脑部拓扑结构提取的拓扑特征进行整合，确定第二加权脑部拓扑结构的真实度识别结果；

若所述第二加权脑部拓扑结构的真实度大于或等于预设真实度，获取脑图谱信息反馈模块的损失函数L_a，通过损失函数L_a反向传播，迭代训练脑图谱信息反馈模块，使得脑图谱信息反馈模块确定所述第二加权脑部拓扑结构的真实度小于预设真实度，得到训练后的脑图谱信息反馈模块。

若所述第二加权脑部拓扑结构的真实度小于预设真实度，获取异常神经连学习模块的损失函数L_G，通过损失函数L_G反向传播，迭代训练异常神经连接学习模块，使得脑图谱信息反馈模块确定所述第二加权脑部拓扑结构的真实度大于或等于预设真实度，得到训练后的异常神经连接学习模块。

进一步的，将同一标签的第一脑部拓扑结构与异常神经连接学习模块生成的第二加权脑拓扑结构输入到由卷积层、过渡层和全连接层组成的成瘾模式判别模块中，对输入的第一脑拓扑结构进行拓扑特征提取，再与第二加权脑部拓扑结构提取的拓扑特征进行整合，确定第二加权脑部拓扑结构的真假识别结果；

若所述第二加权脑部拓扑结构的识别结果为真，获取成瘾模式判别模块的损失函数L_cr，通过损失函数L_cr反向传播，迭代训练成瘾模式判别模块，使得成瘾模式判别模块确定所述第二加权脑部拓扑结构的识别结果为假，得到训练后的成瘾模式判别模块。其中，成瘾模式判别模块的损失函数L_cr，表示为：

L_cr=E _{(x,y)~Preal (x,y)}[-logP_c (y|x)] （1-4）

其中，E( )表示分布函数的期望值，x为脑部拓扑结构，y为目标标签，(x,y)~P_real(x,y)表示图像标注对脑部拓扑结构x和目标标签y的联合概率分布，P_c (y|x)表示在脑部拓扑结构x的条件下是目标标签y的条件概率。

若所述第二加权脑部拓扑结构的识别结果为假，获取异常神经连学习模块的损失函数L_cf，通过损失函数L_cf反向传播，迭代训练异常神经连接学习模块，使得成瘾模式判别模块确定所述第二加权脑部拓扑结构的识别结果为真，得到训练后的异常神经连接学习模块。

最后，使成瘾性脑网络分析模型收敛到纳什均衡，得到训练后的成瘾性脑网络分析模型。

S507：将所述测试真实脑部fMRI图像样本输入到所述成瘾性脑网络分析模型中，生成第一加权脑部拓扑结构。

上述第一加权脑部拓扑结构为不同标签的加权脑部拓扑结构。

具体地，首先基于所述测试真实脑部fMRI图像样本，生成所述不同标签的第二脑部拓扑结构；接着，根据训练后的成瘾性脑网络分析模型生成的第二加权脑部拓扑结构中的权重值作为第二脑部拓扑结构的初始权重值；最后，基于所述不同标签的第二脑部拓扑结构和所述第二脑部拓扑结构的初始权重值，生成第一加权脑部拓扑结构。具体的测试方式与S506的训练方式相同，可以参考S506，此处不再详细赘述。

进一步的，根据生成的第一加权脑部拓扑结构得到成瘾相关的异常脑部拓扑特征，从而准确地对成瘾性大脑的脑网络进行分析。例如，根据成瘾性脑网络分析模块生成的高浓度尼古丁样本和生理盐水样本间差异脑连接，与在专业医生、专业机构、参考文献中获取到的与尼古丁成瘾相关脑区（海马、皮质、丘脑、腹侧被盖区、纹状体、额叶等）具有高度的一致性。

在一些实施例中，在将所述测试真实脑部fMRI图像样本输入到所述成瘾性脑网络分析模型中，生成第一加权脑部拓扑结构之前，还包括：

将所述验证真实脑部fMRI图像样本输入到所述成瘾性脑网络分析模型中，验证所述成瘾性脑网络分析模型的结果，并根据结果选出最优的成瘾性脑网络分析模型。具体的验证方式与S506的训练方式相同，可以参考S506，此处不再详细赘述。

上述详细阐述了本申请实施例的方法，下面提供了本申请实施例的装置。

请参见图6，图6是本申请实施例提供的一种成瘾性脑网络分析装置600的结构示意图，该装置包括获取单元601和处理单元602，其中，各个单元的详细描述如下。

获取单元601，用于获取不同标签的真实脑部功能性核磁共振fMRI图像，所述不同标签用于指示不同浓度的成瘾物，所述真实脑部功能性核磁共振fMRI图像包括多个真实脑部区域fMRI图像，所述不同标签的真实脑部fMRI图像包括训练真实脑部fMRI图像样本和测试真实脑部fMRI图像样本；

处理单元602，用于基于所述训练真实脑部fMRI图像样本，生成所述不同标签的第一脑部拓扑结构，所述脑部拓扑结构为脑部神经环路的连通特征；

所述获取单元601，用于获取成瘾性真实脑部fMRI图像；

所述处理单元602，用于基于所述成瘾性真实脑部fMRI图像，生成脑成瘾标准特征图；根据所述脑成瘾标准特征图确定所述第一脑部拓扑结构的初始权重值；基于所述不同标签的第一脑部拓扑结构和所述第一脑部拓扑结构的初始权重值，训练成瘾性脑网络分析模型；将所述测试真实脑部fMRI图像样本输入到所述成瘾性脑网络分析模型中，生成第一加权脑部拓扑结构，所述第一加权脑部拓扑结构为所述不同标签的加权脑部拓扑结构。

在一种可能的实现方式中，所述获取单元601还用于：

获取脑图谱模板；

所述处理单元602，具体用于基于所述训练真实脑部fMRI图像样本和所述脑图谱模板，生成所述不同标签的第一脑部拓扑结构。

在一种可能的实现方式中，所述处理单元602，具体用于：

确定第二加权脑部拓扑结构的识别结果；

在一种可能的实现方式中，所述获取单元601，还用于：

所述处理单元602，具体用于根据所述成瘾性脑网络分析模型的损失函数，迭代训练所述成瘾性脑网络分析模型。

需要说明的是，各个单元的实现及有益效果还可以对应参照图5所示的方法实施例的相应描述。

请参见图7，图7是本申请实施例提供的一种成瘾性脑网络分析装置700的结构示意图，该装置700包括处理器701和收发器703，可选的，还包括存储器702，所述处理器701、存储器702和收发器703通过总线704相互连接。

存储器702包括但不限于是随机存储记忆体（random access memory，RAM）、只读存储器（read-only memory， ROM）、可擦除可编程只读存储器（erasable programmableread only memory，EPROM）、或便携式只读存储器（compact disc read-only memory，CD-ROM），该存储器702用于相关指令及数据。收发器703用于接收和发送数据。

处理器701可以是一个或多个中央处理器（central processing unit，CPU），在处理器701是一个CPU的情况下，该CPU可以是单核CPU，也可以是多核CPU。

该装置700中的处理器701读取所述存储器702中存储的程序代码，用于执行以下操作：

通过所述收发器703获取不同标签的真实脑部功能性核磁共振fMRI图像；

基于所述训练真实脑部fMRI图像样本，生成所述不同标签的第一脑部拓扑结构；

通过所述收发器703获取成瘾性真实脑部fMRI图像；

基于所述成瘾性真实脑部fMRI图像，生成脑成瘾标准特征图；

将所述测试真实脑部fMRI图像样本输入到所述成瘾性脑网络分析模型中，生成第一加权脑部拓扑结构。

可选的，所述收发器703，还用于获取脑图谱模板；所述处理器701，还用于基于所述训练真实脑部fMRI图像样本和所述脑图谱模板，生成所述不同标签的第一脑部拓扑结构。

可选的，所述处理器701，还用于基于所述测试真实脑部fMRI图像样本，生成所述不同标签的第二脑部拓扑结构；根据所述成瘾性脑网络分析模型确定所述第二脑部拓扑结构的初始权重值；基于所述不同标签的第二脑部拓扑结构和所述第二脑部拓扑结构的初始权重值，生成第一加权脑部拓扑结构。

可选的，所述处理器701，还用于将所述第一标签的第二脑部拓扑结构和第二标签的第二脑部拓扑结构输入到所述成瘾性脑网络分析模型中；当所述第一标签为目标标签时，生成第一标签的第一加权脑部拓扑结构；当所述第二标签为所述目标标签时，生成第二标签的第一加权脑部拓扑结构。

可选的，所述处理器701，还用于将不同标签的第一脑部拓扑结构和所述第一脑部拓扑结构的初始权重值输入到待训练成瘾性脑网络分析模型中，生成第二加权脑部拓扑结构；确定第二加权脑部拓扑结构的识别结果；根据所述第二加权脑部拓扑结构的识别结果，训练所述成瘾性脑网络分析模型。

可选的，所述收发器703，还用于根据所述第二加权脑部拓扑结构的识别结果获取所述成瘾性脑网络分析模型的损失函数；所述处理器701，还用于根据所述成瘾性脑网络分析模型的损失函数，迭代训练所述成瘾性脑网络分析模型。

需要说明的是，各个操作的实现及有益效果还可以对应参照图5所示的方法实施例的相应描述。

本申请实施例还提供了一种芯片系统，该芯片系统包括处理器，用于支持服务器以实现上述任一实施例中所涉及的功能。在一种可能的设计中，所述芯片系统还可以包括存储器，所述存储器，用于定位服务器必要的计算机程序和数据。该芯片系统，可以由芯片构成，也可以包含芯片和其他分立器件。其中，芯片系统的输入和输出，分别对应方法实施例服务器的接收与发送操作。

本申请实施例还提供了一种成瘾性脑网络分析装置，包括处理器和接口。所述处理器可用于执行上述方法实施例中的方法。

应理解，上述成瘾性脑网络分析装置可以是一个芯片。例如，该成瘾性脑网络分析装置可以是现场可编程门阵列（field programmable gate array，FPGA），可以是专用集成芯片（application specific integrated circuit，ASIC），还可以是系统芯片（system onchip，SoC），还可以是中央处理器（central processor unit，CPU），还可以是网络处理器（network processor，NP），还可以是数字信号处理电路（digital signal processor，DSP），还可以是微控制器（micro controller unit，MCU），还可以是可编程控制器（programmable logic device，PLD）或其他集成芯片。

在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。结合本申请实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。

应注意，本申请实施例中的处理器可以是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法实施例的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器、数字信号处理器（DSP）、专用集成电路（ASIC）、现场可编程门阵列（FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。

根据本申请实施例提供的方法，本申请还提供一种计算机程序产品，该计算机程序产品包括：计算机程序，当该计算机程序在计算机上运行时，使得该计算机执行图5所示实施例中任意一个实施例的方法。

根据本申请实施例提供的方法，本申请还提供一种计算机可读介质，该计算机可读介质存储有计算机程序，当该计算机程序在计算机上运行时，使得该计算机执行图5所示实施例中任意一个实施例的方法。

根据本申请实施例提供的方法，本申请还提供一种成瘾性脑网络分析系统，其包括前述的一个或多个服务器、一个或多个终端设备。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线（例如同轴电缆、光纤、数字用户线（digital subscriber line，DSL））或无线（例如红外、无线、微波等）方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质（例如，软盘、硬盘、磁带）、光介质（例如，高密度数字视频光盘（digital video disc，DVD））、或者半导体介质（例如，固态硬盘（solid state disc，SSD））等。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各种说明性逻辑块（illustrative logical block）和步骤（step），能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者定位服务器等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（random access memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims

1.一种成瘾性脑网络分析方法，其特征在于，包括：

获取成瘾性真实脑部fMRI图像；

基于所述成瘾性真实脑部fMRI图像，生成脑成瘾标准特征图；

2.根据权利要求1所述的方法，其特征在于，所述基于所述训练真实脑部fMRI图像样本，生成所述不同标签的第一脑部拓扑结构包括：

获取脑图谱模板；

3.根据权利要求1所述的方法，其特征在于，所述将所述测试真实脑部fMRI图像样本输入到所述成瘾性脑网络分析模型中，生成第一加权脑部拓扑结构包括：

4.根据权利要求3所述的方法，其特征在于，所述不同标签的第二脑部拓扑结构包括第一标签的第二脑部拓扑结构和第二标签的第二脑部拓扑结构，所述第一加权脑部拓扑结构包括第一标签的第一加权脑部拓扑结构和第二标签的第一加权脑部拓扑结构，所述基于所述不同标签的第二脑部拓扑结构和所述第二脑部拓扑结构的初始权重值，生成第一加权脑部拓扑结构包括：

5.根据权利要求1所述的方法，其特征在于，所述基于所述不同标签的第一脑部拓扑结构和所述第一脑部拓扑结构的初始权重值，训练成瘾性脑网络分析模型包括：

确定第二加权脑部拓扑结构的识别结果；

6.根据权利要求5所述的方法，其特征在于，所述根据所述第二加权脑部拓扑结构的识别结果，训练所述成瘾性脑网络分析模型包括：

7.一种成瘾性脑网络分析装置，其特征在于，包括：

所述获取单元，用于获取成瘾性真实脑部fMRI图像；

8.根据权利要求7所述的装置，其特征在于，所述获取单元还用于：

获取脑图谱模板；

9.根据权利要求7所述的装置，其特征在于，所述处理单元具体用于：

10.根据权利要求9所述的装置，其特征在于，所述不同标签的第二脑部拓扑结构包括第一标签的第二脑部拓扑结构和第二标签的第二脑部拓扑结构，所述第一加权脑部拓扑结构包括第一标签的第一加权脑部拓扑结构和第二标签的第一加权脑部拓扑结构，所述处理单元具体用于：

11.根据权利要求7所述的装置，其特征在于，所述处理单元具体用于：

确定第二加权脑部拓扑结构的识别结果；

12.根据权利要求11所述的装置，其特征在于，所述获取单元还用于：

13.一种成瘾性脑网络分析装置，其特征在于，所述装置包括处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于调用所述计算机程序，执行如权利要求1-6任一项所述的方法。

14.一种芯片，其特征在于，所述芯片为成瘾性脑网络分析装置内的芯片，所述芯片包括处理器和与所述处理器连接的输入接口和输出接口，所述芯片还包括存储器，当所述存储器中计算机程序被执行时，所述权利要求1-6中任一项所述的方法被执行。

15.一种计算机可读存储介质，其特征在于，用于存储计算机程序，当所述计算机程序在计算机上运行时，使所述计算机执行权利要求1-6中任一项所述的方法。

16.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机程序，当所述计算机程序在计算机上运行时，使所述计算机执行权利要求1-6中任一项所述的方法。