CN114176518B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN114176518B CN114176518B CN202111477923.2A CN202111477923A CN114176518B CN 114176518 B CN114176518 B CN 114176518B CN 202111477923 A CN202111477923 A CN 202111477923A CN 114176518 B CN114176518 B CN 114176518B
- Authority
- CN
- China
- Prior art keywords
- phase
- component
- ssp
- complex
- value
- 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
Classifications
-
- 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
- A61B5/4058—Detecting, measuring or recording for evaluating the nervous system for evaluating the central nervous system
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
-
- 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
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Neurology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychology (AREA)
- Power Engineering (AREA)
- Neurosurgery (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
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,属于生物医学信号处理领域。根据感兴趣成分时间过程的实部能量最大化计算旋转角;在保持BOLD信号小相位变化特性且最大相位变化仍然是π/4的条件下,将空间成分相位值的基线从0度变换为π,从而使SSP图的相位值变为大值,与背景噪声完全分离,最后送入CNN分类,实现对病人与健康人分类性能的改进。本发明对被试的复数静息态fMRI数据进行精神分裂症患者和健康对照被试分类,挑选出DMN作为感兴趣成分,进行相位反校正及消噪,然后获取SSP图切片,建立样本集送入2D‑CNN分类。相比于相位正校正所获取SSP图的分类准确率,本发明能够将切片分类准确率提高25.5%。
Description
技术领域
本发明属于生物医学信号处理领域,涉及到一种提高CNN(convolutional neuralnetwork)分类性能的复数fMRI(functional magnetic resonance imaging)数据空间成分相位反校正方法。
背景技术
fMRI数据因其安全性高、非侵入及高达毫米级的空间分辨率等优势,常用于神经精神类脑疾病如精神分裂症的分析和辅助诊断。扫描得到的fMRI观测数据为复数形式,包括幅值数据和相位数据,均蕴含独特的脑功能信息。然而,由于相位数据特性未知且噪声严重,大部分fMRI数据分析方法集中在幅值数据上。近年来,利用相位数据挖掘完整脑功能信息的研究得到了越来越多的关注。通过数据驱动的盲源分离算法,如空间独立成分分析(Independent Component Analysis,ICA)、稀疏分解、张量分解等算法,能够从复数fMRI数据中提取到幅值fMRI数据所提取不到的脑空间激活成分。而且,复数空间激活成分的相位信息,即空间源相位(Spatial Source Phase,SSP)图,对精神分裂症患者组与健康对照组空间差异的敏感度高于其幅值信息数百倍。因此,SSP图在精神分裂症等神经精神类脑疾病的早期识别中具有广阔的应用前景。
由于数据驱动方法如ICA从复数fMRI数据中所提取的空间成分具有幅度和相位模糊性,在获取SSP图之前需要先进行相位校正。基于有用信号较之噪声信号在相位变化上更小的结论,现有相位校正方法以0度为基线,将反映大脑活动的血氧水平依赖(Blood-Oxygenation-Level-Dependent,BOLD)信号的相位值校正为小值,集中在[-π/4,π/4]范围,即相较于基线,BOLD信号相位变化的最大值等于π/4。相比之下,噪声信号的相位值集中在[-π,-π/4)和(π/4,π],相较于基线,其最大相位变化值高达π,是BOLD信号最大相位变化值的4倍。但是,这种[-π/4,π/4]范围内的BOLD小相位值,与空间激活图的0值背景难以区分,致使SSP图在神经精神类脑疾病患者与健康对照被试分类中性能受限。
发明内容
本发明提供了一种提高CNN分类性能的复数fMRI数据空间成分相位反校正方法,在保持BOLD信号小相位变化特性且最大相位变化仍然是π/4的条件下,将基线从0度变换为π,从而使SSP图的相位值变为大值,与背景噪声完全分离,从而在专利公开号CN110110776A提出的ICA-CNN分类框架下,显著提升神经精神类脑疾病患者与健康对照被试的分类性能。
本发明采用的技术方案如下(见图1和图2):
第一步:输入数据。输入被试k的四维复数fMRI观测数据k=1,…,K,K是被试总数,T是扫描时间点个数,X、Y、Z是大脑空间的三个维度。
第二步:将X(k)的空间维变一维后,大小等于X×Y×Z;去除脑外体素,只取脑内体素,得到T是扫描时间点个数,V为脑内体素数,且V<X×Y×Z。
第三步:主成分分析(Principal Component Analysis,PCA)降维。利用PCA对进行降维,得到/>N为模型阶数,N≤T。
第四步:ICA分离与感兴趣成分提取。采用复数ICA算法对进行分离,然后采用“Y.Qiu,Q.H.Lin et al.,Spatial source phase:A new feature foridentifying spatial differences based on complex-valued resting-state fMRIdata,Human Brain Mapping,pp.1–15,2019”中方法,从N个ICA分离成分中选择感兴趣成分的空间激活图/>及其对应的时间过程s(k)的参考模板/>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。
第五步:相位反校正。基于实部能量最大化,计算旋转角,如下:/>式中,“Re{·}”表示取实部,/>然后,将s(k)在复平面进行旋转校正如下:
式中,“corr(·)”计算两个向量的相关系数,用于去除的符号模糊性,相关系数大于等于0表示无符号模糊性;“-1”表示在复平面旋转180度。相位反校正所获取空间成分/>的BOLD信号具有大值相位,集中在[-π,-3π/4]和[3π/4,π]范围内,以π为基线,相位变化最大值仍然为π/4。而噪声信号的相位值小于BOLD信号相位值,集中在(-3π/4,3π/4)范围内。
第六步:相位消噪。对s (k)构建二值化掩蔽如下:
式中,表示s (k)中体素v的相位值,v=1,…,V,k=1,…,K。利用掩蔽b(k)对s (k)进行相位消噪得到:
式中,表示Hadamard乘积。/>为感兴趣成分消噪后的空间激活图,k=1,…,K。
第七步:提取感兴趣成分bestrun。重复第三步到第六步R次,采用“L.D.Kuang,Q.H.Lin et al.,Model order effects on ICA of resting-state complex-valuedfMRI data:application to schizophrenia,Journal of Neuroscience Methods,vol.304,pp.24–38,2018”中方法,利用R次感兴趣成分消噪后的空间激活图求取bestrun,即最好的一次ICA运行结果,记为
第八步:建立切片集。取的相位得到SSP图,记为/>将/>的脑外体素补零之后恢复为三维空间图/>沿z轴将三维空间图展开为二维切片堆叠,记为/>根据参考模板sref的激活信息,保留信息量大的W个切片(W≤Z,即z=z,…,z+W-1),对每个切片取绝对值后进行标准化,如下:
式中分别为/>的均值和标准差,则被试k的切片集表示为
第九步:建立样本集。给中每个切片贴上对应的标签/>定义表示该切片来自健康对照被试,/>表示来自神经精神类脑疾病如精神分裂症患者,则被试k的样本集表示为/>
第十步:数据增广。设置L种不同的模型阶数N,重复第三步到第九步,则被试k的样本集由原来的W个增加到W×L个,K个被试的复数fMRI数据所构成的最终样本集表示为
第十一步:送入CNN进行分类。
第十二步:输出多被试SSP图切片分类准确率。
本发明利用相位反校正方法获取SSP图切片,大幅提高了BOLD信号信噪比,用于CNN分类时,可显著提高CNN分类性能。例如,对82个被试的复数静息态fMRI数据进行精神分裂症患者和健康对照被试分类,选择默认网络(DefaultMode Network,DMN)作为感兴趣成分,根据时间过程的实部能量最大化计算旋转角,分别进行相位反校正和正校正(即专利201410189199.7方法);取相位校正且消噪后DMN成分的SSP图建立样本集,送入专利公开号CN110110776A构建的CNN进行训练并测试。得到的结果是,相比于相位正校正所获取SSP图的分类准确率58.93%,本发明能够在样本数相同的情况下将切片分类准确率提高25.5%。
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为感兴趣成分相位反校正的具体步骤。
具体实施方式
下面结合技术方案详细叙述本发明的实施例。现有K=82个被试的复数静息态fMRI数据,包括42名精神分裂症患者和40名健康对照被试。每个被试有T=146幅全脑扫描图,每幅全脑扫描图共有X×Y×Z=53×63×46=153594体素,其中脑内体素V=62336。
第一步:输入被试k的四维复数fMRI观测数据
第二步:将X(k)的空间维变为一维,去除脑外体素,只取脑内体素,得到
第三步:对进行PCA降维,取模型阶数N=20,得到/>
第四步:采用复数EBM(Entropy Bound Minimization)算法对进行ICA分离,然后从20个ICA分离成分中挑选出DMN成分的空间激活图/>和其对应的时间过程/>
第五步:由公式(1)计算空间激活图s(k)的旋转角代入公式(2)进行旋转校正并去除符号模糊性,得到/>
第六步:根据公式(3)对s (k)构建二值化掩蔽然后代入公式(4)对s (k)进行相位消噪得到/>
第七步:重复第三步到第六步R=10次,得到DMN成分bestrun的空间激活图
第八步:取的相位得到SSP图/>对/>的脑外体素补零之后恢复为三维空间图/>沿z轴展开为46个大小为53×63的二维切片堆叠根据参考模板sref的激活信息,保留信息量大的W=25个切片(z=12,…,36),按公式(5)进行标准化,得到被试k的切片集/>
第九步:给中每个切片贴上对应的标签/>得到被试k的样本集
第十步:重复第三步到第九步,模型阶数N从20到140,每间隔10取一个值,L=13,得到82名被试的增广样本集
第十一步:随机打乱被试顺序,将被试按照3:1:1的比例,把样本集划分为训练集,验证集和测试集。将训练集送入与专利公开号CN110110776A相同结构的CNN模型进行训练,模型共训练50轮,batch大小为64。每轮训练得到的模型用验证集上的准确率进行评估,50轮中,在验证集上具有最高准确率的模型确定为训练得到的CNN最终模型。
第十二步:将测试集送入CNN最终模型进行预测,计算多被试SSP图切片分类准确率。本实施例中使用5折交叉验证,计算平均切片分类准确率为84.43%,较之正校正所获取SSP图的结果58.93%,本发明将切片分类准确率提高25.5%。
Claims (1)
1.一种提高CNN分类性能的复数fMRI数据空间成分相位反校正方法,通过将空间成分相位值的基线从0度变换为π,在保持BOLD信号小相位变化特性且最大相位变化仍然是π/4的条件下,使SSP图的相位值变为大值,与背景噪声完全分离,实现对神经精神类脑疾病患者与健康人CNN分类性能的改进;其特征在于,以下步骤:
第一步:输入数据
输入被试k的四维复数fMRI观测数据K是被试总数,T是扫描时间点个数,X、Y、Z是大脑空间的三个维度;
第二步:空间一维化、去脑外数据
将X(k)的空间维变一维后,大小等于X×Y×Z,去除脑外体素,只取脑内体素,得到T是扫描时间点个数,V为脑内体素数,且V<X×Y×Z;
第三步:主成分分析PCA降维
利用PCA对进行降维,得到/>N为模型阶数,N≤T;
第四步:ICA分离与感兴趣成分提取
采用复数ICA算法对进行分离,然后从N个ICA分离成分中选择感兴趣成分的空间激活图/>及其对应的时间过程s(k)的参考模板为/>
第五步:相位反校正
基于实部能量最大化,计算旋转角,如下:
式中,“Re{·}”表示取实部,然后,将s(k)在复平面进行旋转校正如下:
式中,“corr(·)”计算两个向量的相关系数,用于去除的符号模糊性,相关系数大于等于0表示无符号模糊性,“-1”表示在复平面旋转180度,相位反校正所获取空间成分/>的BOLD信号具有大值相位,集中在[-π,-3π/4]和[3π/4,π]范围内,以π为基线,相位变化最大值仍然为π/4,而噪声信号的相位值小于BOLD信号相位值,集中在(-3π/4,3π/4)范围内;
第六步:相位消噪
对s (k)构建二值化掩蔽如下:
式中,表示s (k)中体素v的相位值,v=1,…,V,k=1,…,K,利用掩蔽b(k)对s (k)进行相位消噪得到:
式中,表示Hadamard乘积,/>为感兴趣成分消噪后的空间激活图,k=1,…,K;
第七步:提取感兴趣成分bestrun
重复第三步到第六步R次,利用R次感兴趣成分消噪后的空间激活图求取bestrun,即最好的一次ICA运行结果,记为
第八步:建立切片集
取的相位得到SSP图,记为/>将/>的脑外体素补零之后恢复为三维空间图/>沿z轴将三维空间图展开为二维切片堆叠,记为/>根据参考模板sref的激活信息,保留信息量大的W个切片(W≤Z,即z=z,…,z+W-1),对每个切片取绝对值后进行标准化,如下:
式中分别为/>的均值和标准差,则被试k的切片集表示为
第九步:建立样本集
给中每个切片贴上对应的标签/>定义/>表示该切片来自健康对照被试,/>表示来自神经精神类脑疾病患者,则被试k的样本集表示为
第十步:数据增广
设置L种不同的模型阶数N,重复第三步到第九步,则被试k的样本集由原来的W个增加到W×L个,K个被试的复数fMRI数据所构成的最终样本集表示为
第十一步:送入CNN进行分类;
第十二步:输出多被试SSP图切片分类准确率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111477923.2A CN114176518B (zh) | 2021-12-06 | 2021-12-06 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111477923.2A CN114176518B (zh) | 2021-12-06 | 2021-12-06 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114176518A CN114176518A (zh) | 2022-03-15 |
CN114176518B true CN114176518B (zh) | 2023-10-10 |
Family
ID=80542443
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111477923.2A Active CN114176518B (zh) | 2021-12-06 | 2021-12-06 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114176518B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103961103A (zh) * | 2014-05-07 | 2014-08-06 | 大连理工大学 | 一种对复数fMRI数据的ICA估计成分进行相位校正的方法 |
CN103985092A (zh) * | 2014-05-07 | 2014-08-13 | 大连理工大学 | 一种对复数fMRI数据进行ICA分析的后处理消噪方法 |
CN108903942A (zh) * | 2018-07-09 | 2018-11-30 | 大连理工大学 | 一种利用复数fMRI空间源相位识别空间差异的方法 |
CN109700462A (zh) * | 2019-03-06 | 2019-05-03 | 长沙理工大学 | 引入空间源相位稀疏约束的多被试复数fMRI数据移不变CPD分析方法 |
CN110110776A (zh) * | 2019-04-28 | 2019-08-09 | 大连理工大学 | 一种病人与健康人的静息态复数fMRI数据ICA-CNN分类框架 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019140435A1 (en) * | 2018-01-15 | 2019-07-18 | Stc. Unm | System and methods for differentiating mental disorders and predicting medication-class response in patients using resting state functional mri scans |
-
2021
- 2021-12-06 CN CN202111477923.2A patent/CN114176518B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103961103A (zh) * | 2014-05-07 | 2014-08-06 | 大连理工大学 | 一种对复数fMRI数据的ICA估计成分进行相位校正的方法 |
CN103985092A (zh) * | 2014-05-07 | 2014-08-13 | 大连理工大学 | 一种对复数fMRI数据进行ICA分析的后处理消噪方法 |
CN108903942A (zh) * | 2018-07-09 | 2018-11-30 | 大连理工大学 | 一种利用复数fMRI空间源相位识别空间差异的方法 |
CN109700462A (zh) * | 2019-03-06 | 2019-05-03 | 长沙理工大学 | 引入空间源相位稀疏约束的多被试复数fMRI数据移不变CPD分析方法 |
CN110110776A (zh) * | 2019-04-28 | 2019-08-09 | 大连理工大学 | 一种病人与健康人的静息态复数fMRI数据ICA-CNN分类框架 |
Also Published As
Publication number | Publication date |
---|---|
CN114176518A (zh) | 2022-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shorfuzzaman | An explainable stacked ensemble of deep learning models for improved melanoma skin cancer detection | |
Dey et al. | Healthy and unhealthy rat hippocampus cells classification: A neural based automated system for Alzheimer disease classification | |
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 | |
Tsai et al. | Knee injury detection using MRI with efficiently-layered network (ELNet) | |
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 | |
Juneja et al. | A combination of singular value decomposition and multivariate feature selection method for diagnosis of schizophrenia using fMRI | |
CN111009324A (zh) | 脑网络多特征分析的轻度认知障碍辅助诊断系统及方法 | |
Baskar et al. | Classification system for lung cancer nodule using machine learning technique and CT images | |
Mehta et al. | Propagating uncertainty across cascaded medical imaging tasks for improved deep learning inference | |
Lin et al. | Denoising performance evaluation of automated age-related macular degeneration detection on optical coherence tomography images | |
Rathi et al. | Detection and characterization of brain tumor using segmentation based on HSOM, wavelet packet feature spaces and ANN | |
Malik et al. | Comparison of brain tumor detection in MRI images using straightforward image processing techniques and deep learning techniques | |
Laeli et al. | Tuberculosis detection based on chest x-rays using ensemble method with cnn feature extraction | |
CN111414579B (zh) | 基于多角度相关关系获取脑区关联信息的方法和系统 | |
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 | |
Sundararaj et al. | An expert system based on texture features and decision tree classifier for diagnosis of tumor in brain MR images | |
Veer et al. | Brain tumor classification using artificial neural network on MRI images | |
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 | |
FARUQ et al. | Brain tumor MRI identification and classification using DWT, PCA, and KSVM | |
Thamaraichelvi et al. | Gaussian kernel-based FCM segmentation of brain MRI with BPNN classification | |
Rajakumaran et al. | IMPROVEMENT IN TONGUE COLOR IMAGE ANALYSIS FOR DISEASE IDENTIFICATION USING DEEP LEARNING BASED DEPTHWISE SEPARABLE CONVOLUTION MODEL [J] | |
Li et al. | MobileViT-based classification of Alzheimer's disease | |
Zhao et al. | Machine learning approaches in comparative studies for Alzheimer’s diagnosis using 2D MRI slices | |
CN114202023A (zh) | 一种利用复数fMRI数据空间源相位图进行CNN分类的方法 | |
Topannavar et al. | An effective feature selection using improved marine predators algorithm for Alzheimer’s disease 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 |