CN114241240A - 脑部图像的分类方法、装置、电子设备及存储介质 - Google Patents

脑部图像的分类方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN114241240A
CN114241240A CN202111533768.1A CN202111533768A CN114241240A CN 114241240 A CN114241240 A CN 114241240A CN 202111533768 A CN202111533768 A CN 202111533768A CN 114241240 A CN114241240 A CN 114241240A
Authority
CN
China
Prior art keywords
brain
target
network
atlas
classification
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
CN202111533768.1A
Other languages
English (en)
Inventor
徐锦萍
胡庆茂
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.)
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
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 Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN202111533768.1A priority Critical patent/CN114241240A/zh
Publication of CN114241240A publication Critical patent/CN114241240A/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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • A61B5/0033—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
    • A61B5/05—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
    • A61B5/40—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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Theoretical Computer Science (AREA)
  • Molecular Biology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Animal Behavior & Ethology (AREA)
  • Public Health (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Pathology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Neurology (AREA)
  • Surgery (AREA)
  • Data Mining & Analysis (AREA)
  • Veterinary Medicine (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Child & Adolescent Psychology (AREA)
  • Developmental Disabilities (AREA)
  • Hospice & Palliative Care (AREA)
  • Psychiatry (AREA)
  • Psychology (AREA)
  • Neurosurgery (AREA)

Abstract

本发明实施例公开了一种脑部图像的分类方法、装置、电子设备及存储介质，其中，该方法包括：获取目标对象的脑部区域的目标静息态功能影像信息，其中，目标静息态功能影像信息基于静息态功能磁共振成像技术得到；对目标静息态功能影像信息进行处理，得到目标对象的目标脑网络图谱，其中，目标脑网络图谱包括目标对象在至少两个预设时间点下的目标脑功能连接图像；将目标脑网络图谱对应的各张目标脑功能连接图像输入至预先训练完成的脑部图谱分类模型中，得到目标对象属于各个预设类别的预测概率，其中，脑部图谱分类模型基于样本脑网络图谱以及与样本目标脑网络图谱对应的分类标签训练得到。本发明实施例的技术方案，能够准确预测脑部图像的分类。

Description

脑部图像的分类方法、装置、电子设备及存储介质
技术领域
本发明实施例涉及图像处理技术领域，尤其涉及一种脑部图像的分类方法、装置、电子设备及存储介质。
背景技术
随着当代社会生活节奏的日益加快，各种脑疾病的发病率逐年不断攀升，其中，阿尔兹海默病(Alzheimer’s disease，AD)作为一种最常见的、渐进性的、不可逆的老年神经系统疾病，其对当前社会的影响也日益加深。轻度认知功能障碍(Mild cognitiveimpairment，MCI)是介于正常老化和轻度AD之间的认知缺损状态，属于过渡阶段，以记忆力损害为主要的特征或伴有其他的认知功能损害，但尚未影响其社会职能，日常生活能力不受影响，因此，对MCI患者进行早期识别，对于提高患者生活质量、降低老年痴呆的发生率以及缓解家庭和社会压力具有重要的意义。
目前，脑部区域的影像信息具有样本量相对少、维度高、异质性大以及易受多种因素干扰而信噪比相对较低等特点，从而导致绝大部分研究仅采用了小样本数据，其实验结果难以得到验证和推广。
发明内容
本发明实施例提供了一种脑部图像的分类方法、装置、电子设备及存储介质，以实现脑部图像的分类预测。
第一方面，本发明实施例提供了一种脑部图像的分类方法，该方法包括：
获取目标对象的脑部区域的目标静息态功能影像信息，其中，目标静息态功能影像信息基于静息态功能磁共振成像技术得到；
对目标静息态功能影像信息进行处理，得到目标对象的目标脑网络图谱，其中，目标脑网络图谱包括目标对象在至少两个预设时间点下的目标脑功能连接图像；
将目标脑网络图谱对应的各张目标脑功能连接图像输入至预先训练完成的脑部图谱分类模型中，得到目标对象属于各个预设类别的预测概率，其中，脑部图谱分类模型基于样本脑网络图谱以及与样本目标脑网络图谱对应的分类标签训练得到。
第二方面，本发明实施例还提供了一种脑部图像的分类装置，该装置包括：
影像信息获取模块，用于获取目标对象的脑部区域的目标静息态功能影像信息，其中，目标静息态功能影像信息基于静息态功能磁共振成像技术得到；
影像信息处理模块，用于对目标静息态功能影像信息进行处理，得到目标对象的目标脑网络图谱，其中，目标脑网络图谱包括目标对象在至少两个预设时间点下的目标脑功能连接图像；
图像输入模块，用于将目标脑网络图谱对应的各张目标脑功能连接图像输入至预先训练完成的脑部图谱分类模型中，得到目标对象属于各个预设类别的预测概率，其中，脑部图谱分类模型基于样本脑网络图谱以及与样本目标脑网络图谱对应的分类标签训练得到。
第三方面，本发明实施例还提供了一种电子设备，该电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明任意实施例所提供的脑部图像的分类方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现本发明任意实施例所提供的脑部图像的分类方法。
本发明实施例的技术方案，通过获取目标对象的脑部区域的目标静息态功能影像信息，然后对获取后的目标静息态功能影像信息进行处理，得到包括至少两个预设时间点的目标脑功能连接图像的目标网络图谱，从而可以将不同时间序列之间的关系作为后续具体分析中的特征信息，以便得到更加准确的分析结果，进一步地，将目标脑网络图谱对应的各张目标脑功能连接图像输入至预先训练完成的脑部图谱分类模型中，得到目标对象属于各个预设类别的预测概率，通过脑部图谱分类模型将空间特征信息与时间序列信息结合在一起，以不同角度对目标对象所属类别进行概率预测，解决了现有的脑部图像分类方式带来的分类准确率低、泛化性低且忽略了时间特征对分类结果的影响的问题，可以有效提高对脑部图像的分类的预测准确率，能够辅助医疗工作者对各种脑部疾病进行诊断。
附图说明
为了更加清楚地说明本发明示例性实施例的技术方案，下面对描述实施例中所需要用到的附图做一简单介绍。显然，所介绍的附图只是本发明所要描述的一部分实施例的附图，而不是全部的附图，对于本领域普通技术人员，在不付出创造性劳动的前提下，还可以根据这些附图得到其他的附图。
图1为本发明实施例一所提供的一种脑部图像的分类方法的流程示意图；
图2为本发明实施例二所提供的一种脑部图像的分类方法的流程示意图；
图3为本发明实施例三所提供的一种脑部图像的分类方法的网络训练过程的示意图；
图4为本发明实施例三所提供的一种脑部图像的分类方法中目标脑功能连接图像的构建过程的示意图；
图5为本发明实施例四所提供的一种脑部图像的分类装置的结构示意图；
图6为本发明实施例五所提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
实施例一
图1为本发明实施例一所提供的一种脑部图像的分类方法的流程示意图，本实施例可适用于对多个时间点下的脑部图像进行分类的情况，该方法可以由脑部图像的分类装置来执行，该装置可以通过软件和/或硬件来实现，可配置于终端和/或服务器中来实现本发明实施例中的脑部图像的分类方法。
如图1所示，本实施例的方法具体可包括：
S110、获取目标对象的脑部区域的目标静息态功能影像信息。
其中，目标静息态功能影像信息基于静息态功能磁共振成像技术得到。
在本发明实施例中，目标静息态功能影像信息可以理解为目标对象在清醒状态下，不做任何任务或系统的思考，通过磁共振成像扫描系统对脑部区域进行扫描后得到的图像信息。相应地，静息态功能磁共振成像技术就可以理解为目标对象处于静息状态下应用血氧水平依赖脑功能成像获得脑活动功能图的成像技术。示例性地，目标静息态功能影像信息可以包括但不限于静息态功能磁共振影像(Resting-State Functional MagneticResonance Imaging，RS-FMRI)等。需要说明的是，目标静息态功能影像信息可以是从医学影像设备中实时获取，也可以是从影像数据库中获取，还可以是接收于外部设备的静息态功能影像信息传输，本实施例对此不作限定。
在具体实施中，可以通过静息态功能磁共振成像技术对目标对象的脑部区域进行影像信息的采集，并将采集到的影像信息作为目标静息态功能影像信息。
S120、对目标静息态功能影像信息进行处理，得到目标对象的目标脑网络图谱。
其中，目标脑网络图谱包括目标对象在至少两个预设时间点下的目标脑功能连接图像。
在本发明实施例中，目标脑功能连接图像可以理解为将目标静息态功能影像信息中某些功能相近或具有相关关系的节点连接起来后构成的图像。目标脑功能连接图像可以表示节点间的相互作用关系，并且可以反映脑功能网络的拓扑属性。相应地，目标脑网络图谱则可以理解为多张目标脑功能连接图像组成的一组图像信息。
其中，至少两个预设时间点可以理解为预先设置的两个或两个以上不同的时间点。具体地，两个不同时间点之间的差值可满足某个预设的时间范围。示例性地，不同时间点之间的时间范围可以为3个月、6个月或者12个月等。或者，也可以预先设置某个特定的时间段，将处于此时间段内的至少两个不同时间点的目标脑功能连接图像作为目标对象的目标脑网络图谱等，本实施例对于上述时间点的设置方法以及范围均不作限定。
需要说明的是，目标脑网络图谱可以包括目标对象在两个预设时间点获取的目标脑功能连接图像，也可以为目标对象在三个预设时间点获取的目标脑功能连接图像等，本实施例对此不作限定。例如，目标脑网络图谱中可以包括T1 (base-line)、T2(base-line+6months)和T3(base-line+12months)三个时间点的目标脑功能连接图像。
在本发明实施例中，对目标静息态功能影像信息进行预处理，其中，所述预处理可包括去除颅骨处理、图像配准处理及图像降噪处理等。示例性地，去除颅骨处理具体可以是，对目标静息态功能影像信息进行颅骨剥离以及小脑移除，以便可以得到完整单一的大脑组织影像信息，这样设置的好处，可以剔除目标静息态影像信息中的背景影像信息，减少背景影像信息的干扰，以及减少背景影像信息导致的计算量。图像配准处理可以是，将目标静息态功能影像信息配准至MNI标准空间，其中，配准方法可以包括线性配准和非线性配准，线性配准可以包括但不限于坐标旋转、平移、整体以及局部的缩放等，将目标静息态功能影像信息配准至统一的样本空间，可以消除不同成像设备采集到的静息态功能影像信息之间的差异。在此技术上，可以对配准后的静息态功能影像信息进行噪声抑制处理，以减少头部噪声对静息态功能影像信息的干扰，其中，影像噪声抑制方法可以包括但不限于高斯空间平滑、头动噪声去除、带通滤波以及线性回归分析去除协变量等，本实施例对此不作限定。
在具体实施中，在基于静息态磁共振技术获取目标静息态功能影像信息后，对目标静息态功能影像信息进行一系列的处理，得到目标脑功能连接图像，将至少两个预设时间点的目标脑功能连接图像组合在一起，得到目标对象的目标脑网络图谱，从而可以根据不同预设时间点的目标脑功能连接图像对目标对象的脑部区域进行分析，以便得到更加准确的分析结果。
S130、将目标脑网络图谱对应的各张目标脑功能连接图像输入至预先训练完成的脑部图谱分类模型中，得到目标对象属于各个预设类别的预测概率。
在本发明实施例中，脑部图谱分类模型可以理解为用于对多张目标脑功能连接图像进行分类，以实现多时间点脑功能连接图像类别预测的神经网络模型。示例性地，脑部图谱分类模型可以是由卷积神经网络、循环神经网络或者深度神经网络中的至少一个构成，本实施例对此不作限定。相应地，预设类别可以理解为通过对目标脑功能连接图像进行分析后确定的目标对象当前所属状态的类别。其中，预设类别与样本目标脑网络图谱对应的各张目标脑功能连接图像相关，一般与某种具体的脑部状态相关，例如，预设类别可以为阿尔兹海默病(Alzheimer’s disease，AD)、轻度认知功能障碍(Mild cognitiveimpairment， MCI)以及正常(Normal Controls，NC)等。当然，也可以是用抑郁症、儿童的多动症等其他脑部疾病的样本目标脑网络图谱及类别标签对脑部图谱分类模型进行训练，在此并不对应用场景及所设置的具体类别的进行限定。
可选地，脑部图谱分类模型可以包括全局特征提取网络和与全局特征提取网络对应的时间点特征分类网络，其中，全局特征提取网络可以基于卷积神经网络构建，时间点特征分类网络可以基于循环神经网络构建。由于脑部图谱分类模型包括全局特征提取网络和时间点特征分类网络，即包含两个层级的网络，通过全局特征提取网络可以提取目标脑功能连接图像在同一时间点上不同空间结构特征信息，进而通过时间点特征分类网络对不同时间点的时间序列数据之间的关系进行分析，并且对时间序列性数据前后的关系进行提取，将空间特征信息与时间序列信息结合在一起，充分考虑不同角度的特征信息对目标对象所属类别的预测概率的影响。
其中，全局特征提取网络可以理解为用于对目标脑功能连接图像中的空间特征进行提取的卷积神经网络。可选地，全局特征提取网络可以包括串行连接的至少两个卷积子网络，每个卷积子网络可以包括稠密连接模块和过渡模块，每两个稠密连接模块之间通过过渡模块连接，即，全局特征提取网络也可以理解为一种具有更深网络层数，且每层网络层数之间均稠密连接的全卷积神经网络，例如可以是Dense-Net等结构。
在本发明实施例中，稠密连接模块可以用于定义全局特征提取网络中的输入与输出是如何连结的。可选地，稠密连接模块结构可以包含至少两个卷积单元，每个卷积单元包含至少两个卷积核为1x1x1和3x3x3的卷积层。过渡模块可以用于控制全局特征提取网络中的通道数，使其不会过大。可选地，过渡模块可以包括两个卷积核为1x1的卷积层。
其中，时间点特征分类网络可以用于多张目标脑功能连接图像中的时间序列信号进行分析，丢弃无关信息，提取时间序列信号之间的相关性特征信息的循环神经网络，例如可以是RNN等。可选地，时间点特征分类网络可以包括双向门控循环单元、与双向门控循环单元串联的全连接层以及与全连接层串联的 Softmax层。
需要理解的是，由于时间点特征分类网络是基于循环神经网络构建的一种用于处理序列数据的特殊的神经网络，一般情况下，可能会出现因梯度消失或者梯度爆炸等问题而导致时间点特征分类网络很难学习到长时间序列的脑功能连接图像数据等长期相关任务。其中，双向门控循环单元则可以很好地解决时间点特征分类网络中出现的各种梯度问题，并且，双向门控循环单元具有结构简单、计算量小以及训练速度快等特点。
可选地，双向门控循环单元可以包括前向特征提取子单元和后向特征提取子单元。其中，前向特征提取子单元也可以被称为记忆模块或者复位门，相应地，后向特征提取子单元可以被称为更新模块或者更新门。双向门控循环单元可以通过两个子单元实现考虑到网络前一时刻的输出对当前输出的影响，将隐藏层内部的节点也连接起来，即当前时刻一个节点的输入除了上一层的输出外，还包括上一时刻隐藏层的输出，既结合了前文信息，又结合了后文信息，这样设置的好处，在于最终得到的分类概率更加合理，准确率和效率均较高。
其中，全连接层可以理解为由多层神经元组成的层式结构，并且每个神经元与其前一层的所有神经元均有权重连接的神经网络结构。全连接层一般位于整体神经网络结构中的最后几层，用于将前几层提取到的特征信息进行加权整合，在时间点特征分类网络中可以起到“分类器”的作用。
需要说明的是，对于多种类别的分类问题，在全连接层后面通常会串联一个Softmax层，用于对全连接层的输出进行处理，将输出变成一个概率分布，从而可以更准确地体现多分类任务的分类结果。
可选地，在另一种实施方式中，为了进一步增强网络信息流动，时间点特征分类网络中还可以串联另外一个双向门控循环单元，利用双门门控循环单元中的两个子单元增加对不同时期的目标脑功能连接图像的特征信息提取，提取低层差异性和相关性的特征信息。
在本发明实施例中，可选地，脑部图谱分类模型可以基于样本脑网络图谱以及与样本目标脑网络图谱对应的分类标签训练得到。其中，样本目标脑网络图谱对应的分类标签可以理解为预先标注好的、可以识别目标对象所述类别的标签信息。示例性地，分类标签可以包括但不限于数据信息或者影像标注信息等，分类标签可以采用人工标注程序对样本目标脑网络图谱进行标注，也可以采用其他方式来实现分类标签的标注过程等，本实施例对此不作限定。
在一些实施例中，在获取样本脑网络图谱后，考虑到样本脑网络图谱数据集的数量有限，为了扩充数据集，还可以对样本脑网络图谱进行数据增强，以提高训练数据集的多样化，降低过拟合风险，提高脑部图谱分类模型的泛化性。可选地，对样本脑网络图谱进行数据增强处理可以包括如下的至少一项：图像翻转、剪裁、灰度变化、对比度变化以及颜色变化等。
在本发明实施例中，脑部图谱分类模型的训练过程，可选地，首先，获取多个数据来源的样本脑网络图谱，分别针对每个数据来源构建子分类网络进行图像分类训练，以确定与每个数据来源对应的子分类网络的网络损失；根据各个数据来源对应的网络损失确定脑部图谱分类模型的模型损失，以根据模型损失调整脑部图谱分类模型的模型参数。
其中，多个数据来源可以理解为位于不同地区的数据信息。示例性地，数据来源可以包括但不限于北京、上海、杭州或者广州等。
其中，子分类网络可以理解为用于实现不同数据来源的样本脑网络图谱的分类过程的神经网络结构。
具体地，将不同数据来源的样本脑网络图谱输入至对应的子分类网络中，可以输出初始训练结果，将每个子分类网络的初始训练结果与每个数据来源的样本脑网络图谱的分类标签进行比对，获取两者之间的损失结果，生成每个子分类网络的网络损失，然后，将各个数据来源对应的网络损失进行加权整合处理，进而可以得到脑部图谱分类模型的模型损失，基于获取的模型损失对脑部图谱分类模型进行参数调节，从而减少脑部图谱分类模型的分类误差，提高脑部图谱分类模型的分类能力，调节至满足训练结束条件，最终得到训练完成的脑部图谱分类模型。
在具体实施中，在获取多张目标脑功能连接图像构成的目标脑网络图谱后，将目标脑网络图谱对应的多张目标脑功能连接图像输入至预先训练完成的脑部图谱分类模型中，通过脑部分类图谱中的全局特征提取网络可以针对每张目标脑功能连接图像，提取单张图像中的结构特征信息，进而将提取的特征信息作为时间点特征分类网络的输入信息，对不同时间序列信号进行分析，将全局特征提取网络在不同预设时间点提取的相似或内部有关联的特征信息整合在一起，并最终得到目标对象属于各个预设类别的预测概率。需要说明的是，脑部图谱分类模型将全局特征提取网络与时间点特征分类网络结合起来，可以有效提高多分类任务的分类准确性，并且还可以验证脑功能连接强度网络的显著性。
本发明实施例的技术方案，通过获取目标对象的脑部区域的目标静息态功能影像信息，然后对获取后的目标静息态功能影像信息进行处理，得到包括至少两个预设时间点的目标脑功能连接图像的目标网络图谱，从而可以将不同时间序列之间的关系作为后续具体分析中的特征信息，以便得到更加准确的分析结果，进一步地，将目标脑网络图谱对应的各张目标脑功能连接图像输入至预先训练完成的脑部图谱分类模型中，得到目标对象属于各个预设类别的预测概率，解决了现有的脑部图像分类方式带来的分类准确率低、泛化性低且忽略了时间特征对分类结果的影响的问题，可以有效提高通过脑部图像对脑部疾病的预测分类准确率，为各种脑部疾病的诊断提供参考依据。
实施例二
图2为本发明实施例二所提供的一种脑部图像的分类方法的流程示意图，在上述技术方案的基础上，本实施例对技术方案进行了进一步细化。本实施例在本发明实施例中任一可选技术方案的基础上，可选地，所述对所述目标静息态功能影像信息进行处理，得到所述目标对象的目标脑网络图谱，包括：根据所述目标静息态功能影像信息确定所述目标对象的各个脑区的数据采集时间序列；分别计算每两个脑区的数据采集时间序列的皮尔逊相关系数，并对所述皮尔逊相关系数进行Fisher Z变换，根据变换后的皮尔逊相关系数确定目标脑功能连接图像；根据所述目标对象在至少两个预设时间点下的目标脑功能连接图像构建目标脑网络图谱。
其中，与上述实施例相同或者相应的技术术语在此不在赘述。
如图2所示，本实施例的方法具体包括如下步骤：
S210、获取目标对象的脑部区域的目标静息态功能影像信息。
S220、根据目标静息态功能影像信息确定目标对象的各个脑区的数据采集时间序列。
在本发明实施例中，可选地，目标对象的各个脑区的数据采集时间序列可以基于预设的脑模板进行确定。其中，脑模板可以理解为前人通过任务态激活区检测等方法确定的大脑皮层功能分区，例如可以是自动解剖标记(Anatomical Automatic Labeling，AAL)模板，AAL模板一共包含116个脑区。
具体地，将目标静息态功能影像信息与脑模板进行比对，可以将目标静息态功能影像信息分割为若干个脑区，每个脑区包含很多个体素，每个体素随着时间的变化会产生一个时间序列，将每个脑区中所有体素的时间序列求均值，则为目标对象的各个脑区的数据采集时间序列。
S230、分别计算每两个脑区的数据采集时间序列的皮尔逊相关系数，并对皮尔逊相关系数进行Fisher Z变换，根据变换后的皮尔逊相关系数确定目标脑功能连接图像。
其中，皮尔逊相关系数可以用于定义两个变量之间的相关程度。
在具体实施中，将目标静息态功能影像信息按照预设的脑模板分割成若干个脑区后，每一个脑区可以作为脑功能连接网络中的一个节点，提取各个节点的数据采集时间序列，分别计算任意两个节点间的皮尔逊相关系数，将皮尔逊相关系数作为脑功能连接特征的特征值，可以得到脑功能连接特征矩阵。进一步地，为了使脑功能连接特征矩阵中各特征的特征值的分布更加合理，在得到脑功能连接特征矩阵后，还可以通过Fisher Z变换对脑功能连接特征矩阵中的皮尔逊相关系数进行变换处理，得到变换后的脑功能连接特征矩阵，并根据变换后的脑功能连接特征矩阵确定目标脑功能连接图像。
在一些实施方式中，为保证后续进行特征选择的效率，在得到脑功能连接特征矩阵后，还可以根据预先设置的相关度阈值，仅保留脑功能连接特征矩阵中皮尔逊相关系数大于相关度阈值的特征值，形成处理后的脑功能连接特征矩阵。
S240、根据目标对象在至少两个预设时间点下的目标脑功能连接图像构建目标脑网络图谱。
在本发明实施例中，具体地，将目标对象在至少两个不同时间点，且时间差值满足预设的时间范围下的目标脑功能连接图像组合在一起，构成目标对象的目标脑网络图谱，这样设置的好处，在于可以通过对目标对象在多个时间点的脑功能连接图像进行分析，提取图像中的不同时间点特征，实现各个预设类别的差异性分类。
S250、将目标脑网络图谱对应的各张目标脑功能连接图像输入至预先训练完成的脑部图谱分类模型中，得到目标对象属于各个预设类别的预测概率。
本发明实施例的技术方案，通过获取目标对象的脑部区域的目标静息态功能影像信息，然后对根据目标静息态功能影像信息确定目标对象各个脑区的数据采集时间序列，分别计算每两个脑区的数据采集时间序列的皮尔逊相关系数，为了各个脑区的皮尔逊相关系数的分布更具有合理性，对计算后的皮尔逊相关系数进行Fisher Z变换，根据变换后的皮尔逊相关系数确定目标脑功能连接图像，从而可以根据目标功能连接图像确定节点间的相互作用关系，并且可以反映脑功能网络的拓扑属性，进而将至少两个预设时间点下的目标脑功能连接图像组成构建目标脑网络图谱，以便可以将不同时间序列之间的关系作为后续具体分析中的特征信息，以便得到更加准确的分析结果，进一步地，将目标脑网络图谱对应的各张目标脑功能连接图像输入至预先训练完成的脑部图谱分类模型中，得到目标对象属于各个预设类别的预测概率，由于脑部图谱分类模型包括全局特征提取网络和时间点特征分类网络，即包含两个层级的网络，通过全局特征提取网络可以提取目标脑功能连接图像在同一时间点上不同空间结构特征信息，进而通过时间点特征分类网络对不同时间点的时间序列数据之间的关系进行分析，并且对时间序列性数据前后的关系进行提取，将空间特征信息与时间序列信息结合在一起，充分考虑不同角度的特征信息对目标对象所属类别的预测概率的影像，解决了现有的脑部图像分类方式带来的分类准确率低、泛化性低且忽略了时间特征对分类结果的影响的问题，可以有效提高通过脑部图像对脑部疾病的预测分类准确率。
实施例三
图3为本发明实施例三所提供的一种脑部图像的分类方法的网络训练过程的示意图，图4为本发明实施例三所提供的一种脑部图像的分类方法中目标脑功能连接图像的构建过程的示意图；本发明实施例为上述各发明实施例的一个优选实施例，如图3所示，本发明实施例中的网络训练过程可以包括数据处理流程、网络训练流程以及网络测试流程。
首先，获取不同数据来源的原始静息态功能影像(Resting-State FunctionalMagnetic Resonance Imaging，RS-FMRI)信息，其中，不同数据来源可以用源1、源2、…、源N等来表示；然后，进入数据处理流程，对原始静息态功能影像信息进行去颅骨、配准至标准空间以及降噪等预处理操作，之后，确定预处理后的原始静息态功能影像信息中各个脑区的数据采集时间序列，分别计算每两个脑区的数据采集时间序列之间的皮尔逊相关系数，并对计算得到的皮尔逊相关系数进行Fisher Z变换，最终得到基于时间序列的目标脑功能连接图像 (TC-FNC)，其中，预处理后的原始静息态功能影像信息是由多个大脑三维成像数据组成，是一个四维序列，具体构建过程如图4所示，一个大脑三维成像数据代表一个时间点的影像，影像中一个体素的值，表示空间位置与之对应的大脑某个小体积内的血氧依赖水平(Blood Oxygenation Level Dependent，BOLD) 信号值，如果将序列中每个大脑三维成像数据的相同大脑位置，即图4中感兴趣脑区(Region of Interesting，ROI)的值都取出来，按照先后顺序排在一起，就形成一个该大脑位置随时间变化的BOLD信号或者时间序列，计算任意两个大脑位置(如ROIi与ROIj)的BOLD信号之间的皮尔逊相关系数，并对皮尔逊相关系数作Fisher Z变换，就会得到一个对称的功能连接矩阵，即目标脑功能连接图像。
在数据处理流程结束后，则可以进入网络训练流程，即脑部图谱分类模型的训练流程，其中，脑部图谱分类模型可以包括全局特征提取模块(即，图3 中全局编码模块)和时间点特征分类网络(包括图3中的全局解码模块以及全连接层和softmax)。
首先，可以将3个不同预设时间点下(即，图3中T1、T2以及T3)、不同数据来源的目标脑功能连接图像构建成脑网络图谱，并将脑网络图谱划分为训练集(即，样本脑网络图谱)和测试集；将不同数据来源的样本脑网络图谱分别输入至对应的子分类网络中，以源1为例，将源1的样本脑网络图谱输入至源1分类网络的编码模块中，经过降采样分别提取T1、T2和T3的目标脑功能连接图像中的空间特征信息，需要说明的是，在对样本脑网络图谱进行编码之前，为了便于提取特征信息，可以先进行归一化处理；其次，将提取到的空间特征信息输入至源1解码器中，应用解码器中的双向门控循环单元(Gated Recurrent Unit，GRU)经过上采样，在将源1编码模块提取到的特征信息进行特征加强的基础上，分别提取不同时间点的目标脑功能连接图像中的时间特征信息，并输入至全连接层(图3中未示出)将空间特征信息与时间特征信息整合起来，以实现分类，再输入至softmax(图3中未示出)中，输出初始训练结果，并根据初始训练结果可以确定源1分类网络对应的源1网络损失，类似地，源2，…，源N的训练流程如前所述，最终得到每个子分类网络对应的网络损失，如源1损失、源2损失、…、源N损失等，根据各个子分类网络对应的网络损失可以确定模型损失(即，图3中的全局损失)，基于模型损失对脑部图谱分类模型进行参数调节，至满足训练结束条件，得到训练完成的脑部图谱分类模型。
在网络训练过程结束后，为了测试网络的稳定性和鲁棒性，可以对训练完成的网络进行测试。
将用于测试的目标脑网络图谱输入至脑部分类模型中，经过全局特征提取模块(即，图3中全局编码模块)提取空间特征信息，并输入至时间点特征分类网络中的双向门控循环单元(即，图3中全局GRU编码器)，分别提取不同时间点的目标脑功能连接图像中的时间特征信息，将空间特征信息与时间特征信息一并输入至全连接层中(图3中未示出)，对特征信息进行整合分类，最后输入至softmax(图3中未示出)中，得到目标对象属于各个预设类别的预测概率，(即，图3中源1疾病分类、源2疾病分类、…、源N疾病分类等)。
如果网络测试结果处于预设的阈值范围内，则可以认为预先训练的网络满足后续应用的要求，可以将其应用至对应领域进行数据分析；如果网络测试结果不满足预设的阈值范围，则需要重新训练网络，直至最终测试结果满足预设阈值范围。
本发明实施例的技术方案，通过获取目标对象的脑部区域的目标静息态功能影像信息，然后对获取后的目标静息态功能影像信息进行处理，得到包括至少两个预设时间点的目标脑功能连接图像的目标网络图谱，从而可以将不同时间序列之间的关系作为后续具体分析中的特征信息，以便得到更加准确的分析结果，进一步地，将目标脑网络图谱对应的各张目标脑功能连接图像输入至预先训练完成的脑部图谱分类模型中，得到目标对象属于各个预设类别的预测概率，由于脑部图谱分类模型包括全局特征提取网络和时间点特征分类网络，即包含两个层级的网络，通过全局特征提取网络可以提取目标脑功能连接图像在同一时间点上不同空间结构特征信息，进而通过时间点特征分类网络对不同时间点的时间序列数据之间的关系进行分析，并且对时间序列性数据前后的关系进行提取，将空间特征信息与时间序列信息结合在一起，充分考虑不同角度的特征信息对目标对象所属类别的预测概率的影响，解决了现有的脑部图像分类方式带来的分类准确率低、泛化性低且忽略了时间特征对分类结果的影响的问题，可以有效提高通过脑部图像对脑部疾病的预测分类准确率，有利于辅助相关人员对各种脑部疾病进行识别。
实施例四
图5为本发明实施例四提供的一种脑部图像的分类装置的结构示意图，本实施例所提供的脑部图像的分类装置可以通过软件和/或硬件来实现，可配置于终端和/或服务器中来实现本发明实施例中的脑部图像的分类方法。该装置具体可包括：影像信息获取模块410、影像信息处理模块420和图像输入模块430。
其中，影像信息获取模块410，用于获取目标对象的脑部区域的目标静息态功能影像信息，其中，目标静息态功能影像信息基于静息态功能磁共振成像技术得到；
影像信息处理模块420，用于对目标静息态功能影像信息进行处理，得到目标对象的目标脑网络图谱，其中，目标脑网络图谱包括目标对象在至少两个预设时间点下的目标脑功能连接图像；
图像输入模块430，用于将目标脑网络图谱对应的各张目标脑功能连接图像输入至预先训练完成的脑部图谱分类模型中，得到目标对象属于各个预设类别的预测概率，其中，脑部图谱分类模型基于样本脑网络图谱以及与所述样本目标脑网络图谱对应的分类标签训练得到。
本发明实施例的技术方案，通过获取目标对象的脑部区域的目标静息态功能影像信息，然后对获取后的目标静息态功能影像信息进行处理，得到包括至少两个预设时间点的目标脑功能连接图像的目标网络图谱，从而可以将不同时间序列之间的关系作为后续具体分析中的特征信息，以便得到更加准确的分析结果，进一步地，将目标脑网络图谱对应的各张目标脑功能连接图像输入至预先训练完成的脑部图谱分类模型中，得到目标对象属于各个预设类别的预测概率，通过脑部图谱分类模型将空间特征信息与时间序列信息结合在一起，充分考虑不同角度的特征信息对目标对象所属类别的预测概率的影响，解决了现有的脑部图像分类方式带来的分类准确率低、泛化性低且忽略了时间特征对分类结果的影响的问题，可以有效提高通过脑部图像对脑部疾病的预测分类的准确率，辅助医疗工作者对各种脑部疾病进行诊断。
可选地，影像信息处理模块420，还用于根据目标静息态功能影像信息确定目标对象的各个脑区的数据采集时间序列；分别计算每两个脑区的数据采集时间序列的皮尔逊相关系数，并对皮尔逊相关系数进行Fisher Z变换，根据变换后的皮尔逊相关系数确定目标脑功能连接图像；根据目标对象在至少两个预设时间点下的目标脑功能连接图像构建目标脑网络图谱。
可选地，所述装置还包括：网络损失确定模块和模型参数调整模块。
其中，网络损失确定模块，用于获取多个数据来源的样本脑网络图谱，分别针对每个数据来源构建子分类网络进行图像分类训练，以确定与每个数据来源对应的子分类网络的网络损失；模型参数调整模块，根据各个数据来源对应的子网络损失确定脑部图谱分类模型的模型损失，以根据模型损失调整脑部图谱分类模型的模型参数。
可选地，所述脑部图谱分类模型包括全局特征提取网络和与所述全局特征提取网络对应的时间点特征分类网络，所述全局特征提取网络基于卷积神经网络构建，所述时间点特征分类网络基于所述循环神经网络构建。
可选地，所述全局特征提取网络包括串行连接的至少两个卷积子网络，每个所述卷积子网络包括稠密连接模块和过渡模块，每两个所述稠密连接模块之间通过所述过渡模块连接。
可选地，所述稠密连接模块结构包含至少两个卷积单元，每个卷积单元包含至少两个卷积核为1x1x1和3x3x3的卷积层；所述过渡模块包括两个卷积核为1x1的卷积层。
可选地，所述时间点特征分类网络包括双向门控循环单元、与所述双向门控循环单元串联的全连接层以及与所述全连接层串联的Softmax层，所述双向门控循环单元包括前向特征提取子单元和后向特征提取子单元。
上述脑部图像的分类装置可执行本发明任意实施例所提供的脑部图像的分类方法，具备执行脑部图像的分类方法相应的功能模块和有益效果。
实施例五
图6为本发明实施例五提供的一种电子设备的结构示意图。图6示出了适于用来实现本发明实施例实施方式的示例性电子设备50的框图。图6显示的电子设备50仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示，电子设备50以通用计算设备的形式表现。电子设备50的组件可以包括但不限于：一个或者多个处理器或者处理单元501，系统存储器502，连接不同系统组件(包括系统存储器502和处理单元501)的总线503。
总线503表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构 (ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
电子设备50典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备50访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器502可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)504和/或高速缓存存储器505。电子设备50可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统506可以用于读写不可移动的、非易失性磁介质(图6未显示，通常称为“硬盘驱动器”)。尽管图6中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘 (例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线503相连。存储器502可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块507的程序/实用工具508，可以存储在例如存储器502中，这样的程序模块507包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块507通常执行本发明所描述的实施例中的功能和/或方法。
电子设备50也可以与一个或多个外部设备509(例如键盘、指向设备、显示器510等)通信，还可与一个或者多个使得用户能与该电子设备50交互的设备通信，和/或与使得该电子设备50能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O) 接口511进行。并且，电子设备50还可以通过网络适配器512与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器512通过总线503与电子设备50的其它模块通信。应当明白，尽管图6中未示出，可以结合电子设备50使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元501通过运行存储在系统存储器502中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的脑部图像的分类方法。
实施例六
本发明实施例六还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种脑部图像的分类方法，该方法包括：
获取目标对象的脑部区域的目标静息态功能影像信息，其中，所述目标静息态功能影像信息基于静息态功能磁共振成像技术得到；
对所述目标静息态功能影像信息进行处理，得到所述目标对象的目标脑网络图谱，其中，所述目标脑网络图谱包括所述目标对象在至少两个预设时间点下的目标脑功能连接图像；
将所述目标脑网络图谱对应的各张目标脑功能连接图像输入至预先训练完成的脑部图谱分类模型中，得到所述目标对象属于各个预设类别的预测概率，其中，所述脑部图谱分类模型基于样本脑网络图谱以及与所述样本目标脑网络图谱对应的分类标签训练得到。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器 (CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明实施例操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如 Java、Smalltalk、C++，还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种脑部图像的分类方法，其特征在于，包括：
获取目标对象的脑部区域的目标静息态功能影像信息，其中，所述目标静息态功能影像信息基于静息态功能磁共振成像技术得到；
对所述目标静息态功能影像信息进行处理，得到所述目标对象的目标脑网络图谱，其中，所述目标脑网络图谱包括所述目标对象在至少两个预设时间点下的目标脑功能连接图像；
将所述目标脑网络图谱对应的各张目标脑功能连接图像输入至预先训练完成的脑部图谱分类模型中，得到所述目标对象属于各个预设类别的预测概率，其中，所述脑部图谱分类模型基于样本脑网络图谱以及与所述样本目标脑网络图谱对应的分类标签训练得到。
2.根据权利要求1所述的方法，其特征在于，所述对所述目标静息态功能影像信息进行处理，得到所述目标对象的目标脑网络图谱，包括：
根据所述目标静息态功能影像信息确定所述目标对象的各个脑区的数据采集时间序列；
分别计算每两个脑区的数据采集时间序列的皮尔逊相关系数，并对所述皮尔逊相关系数进行Fisher Z变换，根据变换后的皮尔逊相关系数确定目标脑功能连接图像；
根据所述目标对象在至少两个预设时间点下的目标脑功能连接图像构建目标脑网络图谱。
3.根据权利要求1所述的方法，其特征在于，还包括：
获取多个数据来源的样本脑网络图谱，分别针对每个数据来源构建子分类网络进行图像分类训练，以确定与每个数据来源对应的子分类网络的网络损失；
根据各个数据来源对应的网络损失确定脑部图谱分类模型的模型损失，以根据所述模型损失调整所述脑部图谱分类模型的模型参数。
4.根据权利要求1所述的方法，其特征在于，所述脑部图谱分类模型包括全局特征提取网络和与所述全局特征提取网络对应的时间点特征分类网络，所述全局特征提取网络基于卷积神经网络构建，所述时间点特征分类网络基于所述循环神经网络构建。
5.根据权利要求2所述的方法，其特征在于，所述全局特征提取网络包括串行连接的至少两个卷积子网络，每个所述卷积子网络包括稠密连接模块和过渡模块，每两个所述稠密连接模块之间通过所述过渡模块连接。
6.根据权利要求3所述的方法，其特征在于，所述稠密连接模块结构包含至少两个卷积单元，每个卷积单元包含至少两个卷积核为1x1x1和3x3x3的卷积层；所述过渡模块包括两个卷积核为1x1的卷积层。
7.根据权利要求2所述的方法，其特征在于，所述时间点特征分类网络包括双向门控循环单元、与所述双向门控循环单元串联的全连接层以及与所述全连接层串联的Softmax层，所述双向门控循环单元包括前向特征提取子单元和后向特征提取子单元。
8.一种脑部图像的分类装置，其特征在于，包括：
影像信息获取模块，用于获取目标对象的脑部区域的目标静息态功能影像信息，其中，所述目标静息态功能影像信息基于静息态功能磁共振成像技术得到；
影像信息处理模块，用于对所述目标静息态功能影像信息进行处理，得到所述目标对象的目标脑网络图谱，其中，所述目标脑网络图谱包括所述目标对象在至少两个预设时间点下的目标脑功能连接图像；
图像输入模块，用于将所述目标脑网络图谱对应的各张目标脑功能连接图像输入至预先训练完成的脑部图谱分类模型中，得到所述目标对象属于各个预设类别的预测概率，其中，所述脑部图谱分类模型基于样本脑网络图谱以及与所述样本目标脑网络图谱对应的分类标签训练得到。
9.一种电子设备，其特征在于，所述电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的脑部图像的分类方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的脑部图像的分类方法。
CN202111533768.1A 2021-12-15 2021-12-15 脑部图像的分类方法、装置、电子设备及存储介质 Pending CN114241240A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111533768.1A CN114241240A (zh) 2021-12-15 2021-12-15 脑部图像的分类方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111533768.1A CN114241240A (zh) 2021-12-15 2021-12-15 脑部图像的分类方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN114241240A true CN114241240A (zh) 2022-03-25

Family

ID=80756254

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111533768.1A Pending CN114241240A (zh) 2021-12-15 2021-12-15 脑部图像的分类方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN114241240A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114820460A (zh) * 2022-04-02 2022-07-29 南京航空航天大学 一种单基因位点与时序脑图像关联分析的方法及装置
CN115222688A (zh) * 2022-07-12 2022-10-21 广东技术师范大学 基于图网络时间序列的医学影像分类方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114820460A (zh) * 2022-04-02 2022-07-29 南京航空航天大学 一种单基因位点与时序脑图像关联分析的方法及装置
CN114820460B (zh) * 2022-04-02 2023-09-29 南京航空航天大学 一种单基因位点与时序脑图像关联分析的方法及装置
CN115222688A (zh) * 2022-07-12 2022-10-21 广东技术师范大学 基于图网络时间序列的医学影像分类方法
CN115222688B (zh) * 2022-07-12 2023-01-10 广东技术师范大学 基于图网络时间序列的医学影像分类方法

Similar Documents

Publication Publication Date Title
CN109886273B (zh) 一种cmr图像分割分类系统
CN109919031B (zh) 一种基于深度神经网络的人体行为识别方法
CN109948647B (zh) 一种基于深度残差网络的心电图分类方法及系统
JP7373042B2 (ja) グラフモデルに基づく脳機能レジストレーション方法
CN113724880A (zh) 一种异常脑连接预测系统、方法、装置及可读存储介质
CN109035172B (zh) 一种基于深度学习的非局部均值超声图像去噪方法
CN106909938B (zh) 基于深度学习网络的视角无关性行为识别方法
CN110363760B (zh) 用于识别医学图像的计算机系统
CN111461176A (zh) 基于归一化互信息的多模态融合方法、装置、介质及设备
CN114241240A (zh) 脑部图像的分类方法、装置、电子设备及存储介质
CN113781640A (zh) 基于弱监督学习的三维人脸重建模型建立方法及其应用
CN112446891A (zh) 基于U-Net网络脑胶质瘤的医学图像分割方法
CN112270240B (zh) 一种信号处理方法、装置、电子设备和存储介质
CN112365980A (zh) 脑肿瘤多靶点辅助诊断与前瞻性治疗演化可视化方法及系统
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
CN111507184B (zh) 基于并联空洞卷积和身体结构约束的人体姿态检测方法
Zhao et al. Two-stage spatial temporal deep learning framework for functional brain network modeling
WO2023108873A1 (zh) 一种脑网络和脑成瘾连接计算方法及装置
Liu et al. An ensemble hybrid feature selection method for neuropsychiatric disorder classification
CN117218453B (zh) 一种不完备多模态医学影像学习方法
CN109344779A (zh) 一种基于卷积神经网络的匝道场景下的人脸检测方法
WO2021184195A1 (zh) 医学图像重建方法、医学图像重建网络训练方法和装置
CN111950480A (zh) 一种基于人工智能的英语发音自检方法和自检系统
CN113888663B (zh) 重建模型训练方法、异常检测方法、装置、设备及介质
CN113080847B (zh) 基于图的双向长短期记忆模型诊断轻度认知障碍的装置

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