CN115359297B - 一种基于高阶脑网络的分类方法、系统、电子设备及介质 - Google Patents
一种基于高阶脑网络的分类方法、系统、电子设备及介质 Download PDFInfo
- Publication number
- CN115359297B CN115359297B CN202211015362.9A CN202211015362A CN115359297B CN 115359297 B CN115359297 B CN 115359297B CN 202211015362 A CN202211015362 A CN 202211015362A CN 115359297 B CN115359297 B CN 115359297B
- Authority
- CN
- China
- Prior art keywords
- brain
- order
- magnetic resonance
- resonance imaging
- functional
- 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
- 210000004556 brain Anatomy 0.000 title claims abstract description 369
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000002599 functional magnetic resonance imaging Methods 0.000 claims abstract description 72
- 238000002595 magnetic resonance imaging Methods 0.000 claims abstract description 62
- 239000013598 vector Substances 0.000 claims abstract description 60
- 238000013528 artificial neural network Methods 0.000 claims abstract description 56
- 238000009792 diffusion process Methods 0.000 claims abstract description 50
- 238000007781 pre-processing Methods 0.000 claims abstract description 31
- 239000000835 fiber Substances 0.000 claims abstract description 18
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 7
- 239000006185 dispersion Substances 0.000 claims abstract description 7
- 230000005540 biological transmission Effects 0.000 claims description 34
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 6
- 238000003384 imaging method Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 abstract description 2
- 239000011159 matrix material Substances 0.000 description 19
- 230000006870 function Effects 0.000 description 12
- 238000009826 distribution Methods 0.000 description 10
- 238000011176 pooling Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000013507 mapping Methods 0.000 description 5
- 238000013508 migration Methods 0.000 description 5
- 230000005012 migration Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000005096 rolling process Methods 0.000 description 4
- 230000004927 fusion Effects 0.000 description 3
- 210000004885 white matter Anatomy 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 208000025174 PANDAS Diseases 0.000 description 1
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 1
- 240000000220 Panda oleosa Species 0.000 description 1
- 235000016496 Panda oleosa Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 210000003710 cerebral cortex Anatomy 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Radiology & Medical Imaging (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Mathematical Physics (AREA)
- Neurology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- High Energy & Nuclear Physics (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种基于高阶脑网络的分类方法、系统、电子设备及介质,涉及机器学习领域,该方法包括:获取待测者的人脑的功能磁共振成像数据和弥散磁共振成像数据并进行预处理;计算预处理后的功能磁共振成像数据的两两脑区时序信号的皮尔逊相似度;提取预处理后的弥散磁共振成像数据中两两脑区之间物理纤维数目;提取低阶功能脑网络数据中脑区的重要性得到低阶功能脑网络各个脑区的重要性得分向量;根据结构脑网络数据和重要性得分向量得到多模态高阶脑网络;基于孪生神经网络构建图卷积神经网络;将低阶功能脑网络数据和多模态高阶脑网络数据输入训练好的图卷积神经网络,得到二分类结果。本发明能够提高分类的准确度。
Description
技术领域
本发明涉及机器学习领域,特别是涉及一种基于高阶脑网络的分类方法、系统、电子设备及介质。
背景技术
脑网络的构造依托于不同医学影像技术,其中常见的是功能磁共振成像(fMRI)和弥散磁共振成像(DTI)。基于fMRI的脑网络一般将图像体素或脑区定义为网络节点,网络的边依赖于不同方法,常见的方法有基于统计相关性、基于数据驱动、稀疏表示等。通过DTI可观察活体大脑中的白质纤维走行情况,从而构建白质结构脑网络,网络的节点是图像体素或划分的不同脑区,网络的边体现了脑区纤维连接的相关性。神经学中大量研究证据表明,每个大脑区域通常与多个区域进行互动,大脑网络中定义的区域间的拓扑和物理距离是错综复杂的。并且,大脑的层次结构具有生物不对称性。大脑网络往往具有高度的聚类特性,一个脑区的最近邻居节点,很可能相互之间有密切的联系。此外,许多研究证实,大脑皮层中结构连接和功能连接是相关的,且不是简单的一对一映射关系。结构网络作为物理基础,可以预测功能连接,亦可在局部和全局范围内约束和塑造功能连接模式。传统的脑网络构造方法大多简单考虑两两脑区的成对关系,忽略了多个脑区之间的密切关联性;且大多方法仅借助单模态影像数据脑网络,并未考虑不同模态间关联性,会损失结构或功能连接特性,对脑网络分析效果造成一定影响,使得对医学影像的分类不准确。
发明内容
本发明的目的是提供一种基于高阶脑网络的分类方法、系统、电子设备及介质,能够提高分类的准确度。
为实现上述目的,本发明提供了如下方案:
一种基于高阶脑网络的分类方法,所述方法包括:
获取待测者的人脑的功能磁共振成像数据和弥散磁共振成像数据;
对所述功能磁共振成像数据和所述弥散磁共振成像数据进行预处理,得到预处理后的功能磁共振成像数据和预处理后的弥散磁共振成像数据;
计算所述预处理后的功能磁共振成像数据的两两脑区时序信号的皮尔逊相似度,得到待测者的低阶功能脑网络数据;
提取所述预处理后的弥散磁共振成像数据中两两脑区之间物理纤维数目,得到待测者的结构脑网络数据;
提取所述待测者的低阶功能脑网络数据中脑区的重要性,得到待测者的低阶功能脑网络各个脑区的重要性得分向量;
根据所述待测者的结构脑网络数据和所述待测者的低阶功能脑网络各个脑区的重要性得分向量,得到待测者的多模态高阶脑网络数据;
基于孪生神经网络构建图卷积神经网络;
将所述待测者的低阶功能脑网络数据和所述待测者的多模态高阶脑网络数据输入训练好的图卷积神经网络,得到二分类结果。
可选地,所述对所述功能磁共振成像数据和所述弥散磁共振成像数据进行预处理,得到预处理后的功能磁共振成像数据和预处理后的弥散磁共振成像数据,具体包括:
对所述功能磁共振成像数据的切片时间进行采集、校正、重排和归一化,得到初始预处理图像数据;
利用AAL模板将所述初始预处理图像数据划分为多个脑区,且将所有体素上的所述初始预处理图像数据的时间序列的平均值作为各脑区的时间序列,得到预处理后的功能磁共振成像数据;
利用AAL模板将所述弥散磁共振成像数据进行脑区划分,得到各脑区图像;
获取所述各脑区图像的纤维成像,得到预处理后的弥散磁共振成像数据。
可选地,所述根据所述待测者的结构脑网络数据和所述待测者的低阶功能脑网络各个脑区的重要性得分向量,得到待测者的多模态高阶脑网络数据,具体包括:
以所述待测者的结构脑网络数据为最优传输过程的约束,应用Kantorovich型离散最优传输算法解算初始重要性的得分向量和所述待测者的低阶功能脑网络各个脑区的重要性得分向量的关系,得到待测者的多模态高阶脑网络数据;所述初始重要性的得分向量为初始状态下所述待测者的功能磁共振成像数据各脑区的重要性权重。
可选地,所述图卷积神经网络的训练过程具体包括:
获取受试者的人脑的功能磁共振成像数据和弥散磁共振成像数据;
对受试者的所述功能磁共振成像数据和所述弥散磁共振成像数据进行预处理,得到受试者预处理后的功能磁共振成像数据和受试者预处理后的弥散磁共振成像数据;
根据所述受试者预处理后的功能磁共振成像数据,利用皮尔逊相似度,得到受试者低阶功能脑网络数据;
提取所述受试者预处理后的弥散磁共振成像数据中两两脑区之间物理纤维数目,得到受试者结构脑网络数据;
采用PageRank算法提取所述受试者低阶功能脑网络数据中脑区的重要性,得到受试者低阶功能脑网络各个脑区的重要性得分向量;
根据所述受试者结构脑网络数据和所述受试者低阶功能脑网络各个脑区的重要性得分向量,得到受试者多模态高阶脑网络数据;
以所述受试者低阶功能脑网络各个脑区的重要性得分向量和所述受试者多模态高阶脑网络数据为输入,以专家根据所述受试者功能磁共振成像数据和所述受试者弥散磁共振成像数据的二分类结果为输出,对所述图卷积神经网络进行训练,得到训练好的图卷积神经网络。
可选地,所述将所述待测者的低阶功能脑网络数据和所述待测者的多模态高阶脑网络数据输入训练好的图卷积神经网络,得到二分类结果,具体包括:
将所述待测者的低阶功能脑网络数据输入训练好的图卷积神经网络的第一子通道,得到待测者的低阶功能脑网络特征;
将所述待测者的多模态高阶脑网络数据输入训练好的图卷积神经网络的第二子通道,得到待测者的多模态高阶脑网络特征;
对所述待测者的低阶功能脑网络特征和所述待测者的多模态高阶脑网络特征进行融合,得到融合后的整图特征;
根据所述融合后的整图特征,利用多层感知机,得到二分类结果。
可选地,所述提取所述待测者的低阶功能脑网络数据中脑区的重要性,采用的算法为PageRank算法。
一种基于高阶脑网络的分类系统,应用于上述的基于高阶脑网络的分类方法,所述系统包括:
获取模块,用于获取待测者的人脑的功能磁共振成像数据和弥散磁共振成像数据;
预处理模块,用于对所述功能磁共振成像数据和所述弥散磁共振成像数据进行预处理,得到预处理后的功能磁共振成像数据和预处理后的弥散磁共振成像数据;
计算模块,用于计算所述预处理后的功能磁共振成像数据的两两脑区时序信号的皮尔逊相似度,得到待测者的低阶功能脑网络数据;
第一提取模块,用于提取所述预处理后的弥散磁共振成像数据中两两脑区之间物理纤维数目,得到待测者的结构脑网络数据;
第二提取模块,用于提取所述待测者的低阶功能脑网络数据中脑区的重要性,得到待测者的低阶功能脑网络各个脑区的重要性得分向量;
高阶脑网络数据确定模块,用于根据所述待测者的结构脑网络数据和所述待测者的低阶功能脑网络各个脑区的重要性得分向量,得到待测者的多模态高阶脑网络数据;
构建模块,用于基于孪生神经网络构建图卷积神经网络;
分类模块,用于将所述待测者的低阶功能脑网络数据和所述待测者的多模态高阶脑网络数据输入训练好的图卷积神经网络,得到二分类结果。
一种电子设备,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行上述的基于高阶脑网络的分类方法。
一种计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行时实现上述的基于高阶脑网络的分类方法。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供的一种基于高阶脑网络的分类方法,包括:获取待测者的人脑的功能磁共振成像数据和弥散磁共振成像数据;对功能磁共振成像数据和弥散磁共振成像数据进行预处理,得到预处理后的功能磁共振成像数据和预处理后的弥散磁共振成像数据;计算预处理后的功能磁共振成像数据的两两脑区时序信号的皮尔逊相似度,得到待测者的低阶功能脑网络数据;提取预处理后的弥散磁共振成像数据中两两脑区之间物理纤维数目,得到待测者的结构脑网络数据;提取待测者的低阶功能脑网络数据中脑区的重要性,得到待测者的低阶功能脑网络各个脑区的重要性得分向量;根据待测者的结构脑网络数据和待测者的低阶功能脑网络各个脑区的重要性得分向量,得到待测者的多模态高阶脑网络数据;基于孪生神经网络构建图卷积神经网络,将待测者的低阶功能脑网络数据和待测者的多模态高阶脑网络数据输入训练好的图卷积神经网络,得到二分类结果。本发明在构建多模态高阶脑网络的过程中,利用fMRI数据构建功能脑网络,利用DTI数据获取结构脑网络,考虑到了结构连接对功能连接的影响,并且采用Kantorovich型离散最优传输将脑区从相同的重要性迁移到各异的重要性,实现脑区之间多对多的映射,即脑区之间的全局连接模式,从而实现了基于多模态高阶脑网络提高分类的准确度的目的。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的基于高阶脑网络的分类方法流程图;
图2为本发明提供的基于最优传输的高阶脑网络构造方法的工作流程图;
图3为本发明提供的基于孪生神经网络和图神经网络的低、高阶脑网络融合分类方法结构框架图;
图4为本发明提供的基于孪生神经网络构建的图卷积神经网络结构框架图;
图5为本发明提供的基于高阶脑网络的分类系统模块图。
附图符号说明:
1-获取模块,2-预处理模块,3-计算模块,4-第一提取模块,5-第二提取模块,6-高阶脑网络数据确定模块,7-构建模块,8-分类模块。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
本发明的目的是提供一种基于高阶脑网络的分类方法、系统、电子设备及介质,能够提高分类的准确度。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一
图1为本发明提供的基于高阶脑网络的分类方法流程图;图2为本发明提供的基于最优传输的高阶脑网络构造方法的工作流程图;图3为本发明提供的基于孪生神经网络和图神经网络的低、高阶脑网络融合分类方法结构框架图。如图1、图2和图3所示,本发明提供的一种基于高阶脑网络的分类方法,所述方法包括:
步骤S1:获取待测者的人脑的功能磁共振成像数据和弥散磁共振成像数据。
步骤S2:对所述功能磁共振成像数据和所述弥散磁共振成像数据进行预处理,得到预处理后的功能磁共振成像数据和预处理后的弥散磁共振成像数据。
S2具体包括:
步骤S21:对所述功能磁共振成像数据的切片时间进行采集、校正、重排和归一化,得到初始预处理图像数据;具体地,用DPARSF工具箱中的SPM8对fMRI图像进行预处理,对切片时间进行采集、校正、重排、归一化。
步骤S22:利用AAL模板将所述初始预处理图像数据划分为多个脑区,且将所有体素上的所述初始预处理图像数据的时间序列的平均值作为各脑区的时间序列,得到预处理后的功能磁共振成像数据;具体地,利用AAL模板将图像划分为90个脑区。每个区域用所有体素上的fMRI时间序列的平均值作为时间序列。
步骤S23:利用AAL模板将所述弥散磁共振成像数据进行脑区划分,得到各脑区图像。
步骤S24:获取所述各脑区图像的纤维成像,得到预处理后的弥散磁共振成像数据。具体地,对于DTI数据,使用PANDA套件,利用FSL工具箱校正后用TrackVis获取纤维成像。
步骤S3:计算所述预处理后的功能磁共振成像数据的两两脑区时序信号的皮尔逊相似度,得到待测者的低阶功能脑网络数据。将所述低阶功能脑网络数据表示为Wf。
作为一个具体的实施方式,使用Pearson相关系数构造低阶功能脑网络Wf为:
步骤S4:提取所述预处理后的弥散磁共振成像数据中两两脑区之间物理纤维数目,得到待测者的结构脑网络数据。将所述结构脑网络数据表示为Ws。
步骤S5:提取所述待测者的低阶功能脑网络数据中脑区的重要性,得到待测者的低阶功能脑网络各个脑区的重要性得分向量;具体地,采用PageRank算法提取所述待测者的低阶功能脑网络数据中脑区的重要性,得到低阶功能脑网络各个脑区的重要性得分向量;由于脑网络和万维网有着类似的特点,将脑区节点视为网络页面,将脑区间连接视为网页链接。在脑网络中,如果某个脑区被多个脑区指向且有强连接,那说明这个脑区节点中心程度很高。也就是,如果一个连通性很强的核心脑区指向其他脑区,那被关联的这些脑区连通性也随之增强。计算PageRank节点重要性的时候,主要考虑每个节点的“中心程度”。由于皮尔逊系数构造的功能连接矩阵Wf中每个元素体现的是两两节点的相关性,那如果Wf中某个节点被多个节点指向且有强连接,那说明这个脑区节点中心程度很高。因此,初始状态时记脑区重要性相同,所有脑区具有相同权重,记为向量a,将其视为脑区重要性的第一种分布;采用PageRank算法提取Wf中节点的重要性,得到每个节点的得分向量p,将其视为脑区重要性的第二种分布。
PageRank为:其中u和v表示一个节点,PR(u)和PR(v)表示节点u和v的重要性分数,B(u)是指向u的所有节点,Nv表示节点v的出度。PR值越大,表示该节点重要性排名越高。如果B(c)={a,b,d},则PR(c)=PR(a)/3+PR(b)/2+PR(d)/2。本发明中,由于Wf是无向图,因此将B(u)视为u的连接边,Nv表示节点v的度。
为了计算Wf中每个节点的PR值,得到一个得分向量其中,/>该向量代表了每个脑区的重要性。
具体计算过程如下:首先初始化节点得分向量,将其设为并计算网络节点的出度和入度,构造迁移矩阵/>矩阵中每个元素Muv计算方式如下所示:
其中,Muv表示节点u到v的迁移矩阵对应值,degreeuv表示节点u到v的度。
根据p=M×p,用迁移矩阵不断更新得分向量,直到满足:
||pk-pk-1||2<ζ,k≤300p=M×p;
得到的得分向量p体现了低阶功能脑网络Wf中节点的重要性。
步骤S6:根据所述待测者的结构脑网络数据和所述待测者的低阶功能脑网络各个脑区的重要性得分向量,得到待测者的多模态高阶脑网络数据;
具体地,以所述待测者的待测者的结构脑网络数据为最优传输过程的约束,应用Kantorovich型离散最优传输算法解算初始重要性的得分向量和所述待测者的低阶功能脑网络各个脑区的重要性得分向量的关系,得到待测者的多模态高阶脑网络数据;所述初始重要性的得分向量为初始状态下所述待测者的功能磁共振成像数据各脑区的重要性权重。
假设各脑区的“质量”有两种分布情况,第一种分布为:在初始状态时m个脑区X={x1,x2,...,xm}重要性相同,具有相同的权重,记为ai=1/m。第二种分布为:低阶功能脑网络Wf中节点的重要性得分,记m个脑区为Y={y1,y2,...,ym},权重向量/>代表功能脑网络中各脑区的重要性程度。脑区从相同的重要性传输至各异的重要性,这种“质量”的多对多传输体现了多个脑区之间的关联性。此外,将结构脑网络视为一种最优传输过程的约束,限制功能脑区间的质量迁移。目的是探索多脑区对多脑区的“多到多”的映射关系,所以对映射的条件进行松弛,应用Kantorovich型最优传输,其核心是放宽传输的确定性。不同于Monge型问题中每个xi只能被全部传输至一个yi,在Kantorovich问题中,每个源点的质量可以被传输至多个目标点,这是一种概率性的传输。
在实际应用中,基于最优传输思想,探索功能脑区重要性的传输过程,将结构脑网络作为代价矩阵约束功能网络的迁移。由于需要探索多脑区之间的映射关系,采用Kantorovich型最优传输:
其中,<·,·>F表示矩阵的Frobenius内积,Wsij表示从xi传输质量到yj的代价,Tij表示从xi处移动到yj处的质量。
为了让两个矩阵内积尽可能小,同时要满足以下四个约束:
(1)每次两个脑区的传输都为正值,即每次都是从X传输一定的重要性至Y。
(2)从xi传到第二个分布的总质量等于xi的初始质量ai。初始质量ai是第一个分布中第i个脑区的重要性,即第一个分布a中对应的权重。
(3)yj从第一个分布收到的总质量等于yj的初始质量bj。初始质量bj是第二个分布中第j个脑区的重要性,即第二个分布b中对应的权重。
(4)传输矩阵对角线元素为0,即不考虑脑区自身到自身的重要性传输。
Kantorovich最优传输问题是一个特殊的线性规划问题,当面对大规模问题时,基于内点法的线性规划算法依然有较大的局限性。在用熵正则项对其进行正则化后,可以得到一个具有唯一解的严格凸问题,该凸问题可以用Sinkhom定点算法求解。
首先在Kantorovich最优传输问题的基础上增加熵正则函数H(T),即:
熵正则函数为H(T)=-∑i,jTij(log(Tij)-1),熵正则化系数ε可以调节熵损失的不确定性。此时近似的最优传输问题具有ε强凸的目标函数,所以有唯一解。理论上,近似的最优传输问题的最优解T*,随着ε趋向于0而收敛于KT问题的所有最优解的集合内,收敛于熵最大的最优解,使最优传输T*有一个简单的结构。
为两个边缘约束引入两个对偶变量得到拉格朗日乘子再对最优传输矩阵一阶求导后得到正则化最优传输矩阵的表达式:
正则化后的传输矩阵T*可进一步被改写为和Tij=uiKijVj。
其中,Kij=exp(-Wsij/ε),vj=exp(ψj/ε)。
考虑到最优传输的质量守恒条件,得到如下两个条件:
diag(u)K diag(v)1m=a;diag(v)KTdiag(u)1n=b;其中,K是Kij对应的矩阵,Kij是矩阵K的元素。
进一步简化为:u⊙(Kv)=a;v⊙(KTu)=b;其中,⊙是矢量的哈达马积Hadamardprouct,表示元素对应的乘积。可以用迭代的方法进行求解;所述迭代的方法应用的公式为:知/>
将v中每个元素设为1,即v0=1m。然后更新使其满足公式/>再进一步更新右侧等式的/>最终迭代至收敛同时满足/>知/>最终,最优传输矩阵被表示为T*=diag(u*)Kdiag(v*),u*和v*是序列{ul}和{vl}收敛的最优解。
步骤S7:基于孪生神经网络构建图卷积神经网络。
步骤S8:将所述待测者的低阶功能脑网络数据和所述待测者的多模态高阶脑网络数据输入训练好的图卷积神经网络,得到二分类结果。具体地,如图4所示,结合孪生神经网络设计两个网络通道,子网络为共享权重的两个图卷积神经网络。两个子网络的输入数据为低阶的皮尔逊脑网络Wf和高阶的基于最优传输的脑网络T*,并转换为整图的形式作为图神经网络的输入,各自记为G1=(Wf,X)和G2=(T*,X),此处将每个脑区节点的fMRI时间序列信号作为节点特征,并将该节点特征矩阵记为:
S8具体包括:
步骤S81:将所述待测者的低阶功能脑网络数据输入训练好的图卷积神经网络的第一子通道,得到待测者的低阶功能脑网络特征;
步骤S82:将所述待测者的多模态高阶脑网络数据输入训练好的图卷积神经网络的第二子通道,得到待测者的多模态高阶脑网络特征;
在实际应用中,每个子通道通过图神经网络整合抽取出每个图的特征。先通过图卷积层对节点信息进行聚合,图卷积的核心任务是通过一个非线性函数聚合节点特征向量来生成下一层的特征,第l+1层特征的计算方式如下:
其中,A是邻接矩阵,对应Wf或T*, 是A的度矩阵,/>h(0)=X和h(L)=Z分别表示输入和最终输出的特征矩阵,Θ是训练的权重矩阵。通过这种方式,特征被聚合形成下一层的特征。
此外,通过图池化降采样策略在保持图的信息和连通性的基础上自动筛选出关键的脑子图,此处引用sagpool池化方法,每个节点的self-attention分数向量计算如下:/>其中,Θatt是输入特征维数和输出特征维数的卷积权重。再保留前kN个节点的特征idx=TopRank(Z,[kN]),Zmask=Zidx;其中,k∈(0,1]是池化率,决定了每个池化层要保留的节点数目。最后,池化层的输出为:
h(l+1)=h(l)(idx,:)⊙zmask;
A(l+1)=A(l)(idx,idx);其中,⊙是对应元素相乘。
最后,由于池化时不断丢弃节点会破坏脑网络的完整结构,因此在模型的最后增加一个读出层聚合上一次的全局信息,来融合所有节点。计算方法如下:即将全局平均池化和全局最大池化拼接起来得到读出层的结果,||表示拼接操作。
最终得到的向量s融合了整张图的信息,代表了输入的网络的特征。从而得到低阶功能脑网络特征和多模态高阶脑网络特征。
步骤S83:对所述待测者的低阶功能脑网络特征和所述待测者的多模态高阶脑网络特征进行融合,得到融合后的整图特征。
在实际应用中,孪生神经网络共享两个子网络的权重参数,将两种不同输入的数据特征映射到一个共同的度量空间,并通过度量样本间的距离设计相应的损失函数。因此,同类或相似的样本间距更小,而不同类别的样本差距更大。
每次选择一个低阶脑网络和高阶脑网络进行组合,将这个“二元组”作为模型输入。将孪生神经网络的输入记为Sinput=(G1,G2,y1,y2,y),G1=(Wf,X)和G2=(T*,X)分别是低阶和高阶脑网络,y1={0,1}和y2={0,1}分别为两个输入对应的类别,y={0,1}表示两个输入网络是否为同类别,0为不同类,1为同类。各自通过子模型提取出网络特征后,通过对比损失函数减小同类样本差距,增加不同类数据的距离,以此实现对低阶和高阶两种网络的融合分类。
假设对输入数据提取特征后得到了两个嵌入向量S=(s1,s2),每个网络各自经过图神经网络和全连接层得到嵌入向量:s=FC(GNN(G));计算两个嵌入向量的距离来衡量两个样本的相似性,本工作中使用l2范数作为相似性度量方法:D(s1,s2)=||s1-s2||2;为了同类别的样本距离能够更接近,不同类的样本距离更大,模型的损失函数如下:
其中,margin是设定的阈值。
此外,为了在改变样本间距的同时保护原始样本数据的特征和标签,增加了交叉熵损失函数,每个“二元组”输入数据的损失函数如下:
其中,p(G)是对输入数据G的预测类别概率。
因此,最终的损失函数如下:其中,k1和k2是用来调整两个损失函数权重的参数。
步骤S84:根据所述融合后的整图特征,利用多层感知机,得到二分类结果。
具体地,将孪生神经网络两个通道的输出通过全连接层进行分类。
此外,所述图卷积神经网络的训练过程具体包括:
步骤S01:获取受试者的人脑的功能磁共振成像数据和弥散磁共振成像数据;
步骤S02:对受试者的所述功能磁共振成像数据和所述弥散磁共振成像数据进行预处理,得到受试者预处理后的功能磁共振成像数据和受试者预处理后的弥散磁共振成像数据;
步骤S03:根据所述受试者预处理后的功能磁共振成像数据,利用皮尔逊相似度,得到受试者低阶功能脑网络数据;
步骤S04:提取所述受试者预处理后的弥散磁共振成像数据中两两脑区之间物理纤维数目,得到受试者结构脑网络数据;
步骤S05:采用PageRank算法提取所述受试者低阶功能脑网络数据中脑区的重要性,得到受试者低阶功能脑网络各个脑区的重要性得分向量;
步骤S06:根据所述受试者结构脑网络数据和所述受试者低阶功能脑网络各个脑区的重要性得分向量,得到受试者多模态高阶脑网络数据;
步骤S07:以所述受试者低阶功能脑网络各个脑区的重要性得分向量和所述受试者多模态高阶脑网络数据为输入,以专家根据所述受试者功能磁共振成像数据和所述受试者弥散磁共振成像数据的二分类结果为输出,对所述图卷积神经网络进行训练,得到训练好的图卷积神经网络。
在实际应用中,在每个二分类实验中,生成孪生网络的输入数据时,针对每一个低阶脑网络G1=(Wf,X),匹配一个同类或非同类的高阶脑网络G2=(T*,X),由此生成一个“二元组”Sinput=(G1,G2,y1,y2,y)。
该网络使用了Adam优化器,学习率和weight decay值设为1e-4和5e-5,k1和k2大小分别为1和0.01。设置五折交叉验证来评估模型效果,将数据集划分为大小相等的互斥子集,每次选择四个子集作为训练集并设置训练集中20%的数据为验证集,剩下一个子集为测试集,最终计算五次测试集结果的均值为模型结果。每次训练时,为防止过拟合设置了提前终止机制,当验证集的损失值连续50次不上升时则终止训练,且模型最多迭代200个epoch。结合孪生神经网络设计两个网络通道,子网络为共享权重的两个图神经网络。两个子网络的输入数据是低阶功能脑网络和基于最优传输构造的高阶多模态脑网络,各自用图卷积和图池化算子提取低阶和高阶脑网络的特征,使用MLP进行图分类。
实施例二
为了执行上述实施例一对应的方法,以实现相应的功能和技术效果,下面提供一种基于高阶脑网络的分类系统。
本发明提供的一种基于高阶脑网络的分类系统,如图5所示,应用于上述的基于高阶脑网络的分类方法,所述系统包括:
获取模块1,用于获取待测者的人脑的功能磁共振成像数据和弥散磁共振成像数据;
预处理模块2,用于对所述功能磁共振成像数据和所述弥散磁共振成像数据进行预处理,得到预处理后的功能磁共振成像数据和预处理后的弥散磁共振成像数据;
计算模块3,用于计算所述预处理后的功能磁共振成像数据的两两脑区时序信号的皮尔逊相似度,得到待测者的低阶功能脑网络数据;
第一提取模块4,用于提取所述预处理后的弥散磁共振成像数据中两两脑区之间物理纤维数目,得到待测者的结构脑网络数据;
第二提取模块5,用于提取所述待测者的低阶功能脑网络数据中脑区的重要性,得到待测者的低阶功能脑网络各个脑区的重要性得分向量;
高阶脑网络数据确定模块6,用于根据所述待测者的结构脑网络数据和所述待测者的低阶功能脑网络各个脑区的重要性得分向量,得到待测者的多模态高阶脑网络数据;
构建模块7,用于基于孪生神经网络构建图卷积神经网络;
分类模块8,用于将所述待测者的低阶功能脑网络数据和所述待测者的多模态高阶脑网络数据输入训练好的图卷积神经网络,得到二分类结果。
实施例三
本发明实施例提供一种电子设备包括存储器及处理器,该存储器用于存储计算机程序,该处理器运行计算机程序以使电子设备执行实施例一的基于高阶脑网络的分类方法。
可选地,上述电子设备可以是服务器。
另外,本发明实施例还提供一种计算机可读存储介质,其存储有计算机程序,该计算机程序被处理器执行时实现实施例一的基于高阶脑网络的分类方法。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种基于高阶脑网络的分类方法,其特征在于,所述方法包括:
获取待测者的人脑的功能磁共振成像数据和弥散磁共振成像数据;
对所述功能磁共振成像数据和所述弥散磁共振成像数据进行预处理,得到预处理后的功能磁共振成像数据和预处理后的弥散磁共振成像数据;
计算所述预处理后的功能磁共振成像数据的两两脑区时序信号的皮尔逊相似度,得到待测者的低阶功能脑网络数据;
提取所述预处理后的弥散磁共振成像数据中两两脑区之间物理纤维数目,得到待测者的结构脑网络数据;
提取所述待测者的低阶功能脑网络数据中脑区的重要性,得到待测者的低阶功能脑网络各个脑区的重要性得分向量;
根据所述待测者的结构脑网络数据和所述待测者的低阶功能脑网络各个脑区的重要性得分向量,得到待测者的多模态高阶脑网络数据;
基于孪生神经网络构建图卷积神经网络;
将所述待测者的低阶功能脑网络数据和所述待测者的多模态高阶脑网络数据输入训练好的图卷积神经网络,得到二分类结果;
所述根据所述待测者的结构脑网络数据和所述待测者的低阶功能脑网络各个脑区的重要性得分向量,得到待测者的多模态高阶脑网络数据,具体包括:
以所述待测者的结构脑网络数据为最优传输过程的约束,应用Kantorovich型离散最优传输算法解算初始重要性的得分向量和所述待测者的低阶功能脑网络各个脑区的重要性得分向量的关系,得到待测者的多模态高阶脑网络数据;所述初始重要性的得分向量为初始状态下所述待测者的功能磁共振成像数据各脑区的重要性权重;
所述图卷积神经网络的训练过程具体包括:
获取受试者的人脑的功能磁共振成像数据和弥散磁共振成像数据;
对受试者的所述功能磁共振成像数据和所述弥散磁共振成像数据进行预处理,得到受试者预处理后的功能磁共振成像数据和受试者预处理后的弥散磁共振成像数据;
根据所述受试者预处理后的功能磁共振成像数据,利用皮尔逊相似度,得到受试者低阶功能脑网络数据;
提取所述受试者预处理后的弥散磁共振成像数据中两两脑区之间物理纤维数目,得到受试者结构脑网络数据;
采用PageRank算法提取所述受试者低阶功能脑网络数据中脑区的重要性,得到受试者低阶功能脑网络各个脑区的重要性得分向量;
根据所述受试者结构脑网络数据和所述受试者低阶功能脑网络各个脑区的重要性得分向量,得到受试者多模态高阶脑网络数据;
以所述受试者低阶功能脑网络各个脑区的重要性得分向量和所述受试者多模态高阶脑网络数据为输入,以专家根据所述受试者的功能磁共振成像数据和所述受试者弥散磁共振成像数据的二分类结果为输出,对所述图卷积神经网络进行训练,得到训练好的图卷积神经网络;
所述将所述待测者的低阶功能脑网络数据和所述待测者的多模态高阶脑网络数据输入训练好的图卷积神经网络,得到二分类结果,具体包括:
将所述待测者的低阶功能脑网络数据输入训练好的图卷积神经网络的第一子通道,得到待测者的低阶功能脑网络特征;
将所述待测者的多模态高阶脑网络数据输入训练好的图卷积神经网络的第二子通道,得到待测者的多模态高阶脑网络特征;
对所述待测者的低阶功能脑网络特征和所述待测者的多模态高阶脑网络特征进行融合,得到融合后的整图特征;
根据所述融合后的整图特征,利用多层感知机,得到二分类结果。
2.根据权利要求1所述的基于高阶脑网络的分类方法,其特征在于,所述对所述功能磁共振成像数据和所述弥散磁共振成像数据进行预处理,得到预处理后的功能磁共振成像数据和预处理后的弥散磁共振成像数据,具体包括:
对所述功能磁共振成像数据的切片时间进行采集、校正、重排和归一化,得到初始预处理图像数据;
利用AAL模板将所述初始预处理图像数据划分为多个脑区,且将所有体素上的所述初始预处理图像数据的时间序列的平均值作为各脑区的时间序列,得到预处理后的功能磁共振成像数据;
利用AAL模板将所述弥散磁共振成像数据进行脑区划分,得到各脑区图像;
获取所述各脑区图像的纤维成像,得到预处理后的弥散磁共振成像数据。
3.根据权利要求1所述的基于高阶脑网络的分类方法,其特征在于,所述提取所述待测者的低阶功能脑网络数据中脑区的重要性,采用的算法为PageRank算法。
4.一种基于高阶脑网络的分类系统,其特征在于,所述系统包括:
获取模块,用于获取待测者的人脑的功能磁共振成像数据和弥散磁共振成像数据;
预处理模块,用于对所述功能磁共振成像数据和所述弥散磁共振成像数据进行预处理,得到预处理后的功能磁共振成像数据和预处理后的弥散磁共振成像数据;
计算模块,用于计算所述预处理后的功能磁共振成像数据的两两脑区时序信号的皮尔逊相似度,得到待测者的低阶功能脑网络数据;
第一提取模块,用于提取所述预处理后的弥散磁共振成像数据中两两脑区之间物理纤维数目,得到待测者的结构脑网络数据;
第二提取模块,用于提取所述待测者的低阶功能脑网络数据中脑区的重要性,得到待测者的低阶功能脑网络各个脑区的重要性得分向量;
高阶脑网络数据确定模块,用于根据所述待测者的结构脑网络数据和所述待测者的低阶功能脑网络各个脑区的重要性得分向量,得到待测者的多模态高阶脑网络数据;
构建模块,用于基于孪生神经网络构建图卷积神经网络;
分类模块,用于将所述待测者的低阶功能脑网络数据和所述待测者的多模态高阶脑网络数据输入训练好的图卷积神经网络,得到二分类结果;
所述根据所述待测者的结构脑网络数据和所述待测者的低阶功能脑网络各个脑区的重要性得分向量,得到待测者的多模态高阶脑网络数据,具体包括:
以所述待测者的结构脑网络数据为最优传输过程的约束,应用Kantorovich型离散最优传输算法解算初始重要性的得分向量和所述待测者的低阶功能脑网络各个脑区的重要性得分向量的关系,得到待测者的多模态高阶脑网络数据;所述初始重要性的得分向量为初始状态下所述待测者的功能磁共振成像数据各脑区的重要性权重;
所述图卷积神经网络的训练过程具体包括:
获取受试者的人脑的功能磁共振成像数据和弥散磁共振成像数据;
对受试者的所述功能磁共振成像数据和所述弥散磁共振成像数据进行预处理,得到受试者预处理后的功能磁共振成像数据和受试者预处理后的弥散磁共振成像数据;
根据所述受试者预处理后的功能磁共振成像数据,利用皮尔逊相似度,得到受试者低阶功能脑网络数据;
提取所述受试者预处理后的弥散磁共振成像数据中两两脑区之间物理纤维数目,得到受试者结构脑网络数据;
采用PageRank算法提取所述受试者低阶功能脑网络数据中脑区的重要性,得到受试者低阶功能脑网络各个脑区的重要性得分向量;
根据所述受试者结构脑网络数据和所述受试者低阶功能脑网络各个脑区的重要性得分向量,得到受试者多模态高阶脑网络数据;
以所述受试者低阶功能脑网络各个脑区的重要性得分向量和所述受试者多模态高阶脑网络数据为输入,以专家根据所述受试者的功能磁共振成像数据和所述受试者弥散磁共振成像数据的二分类结果为输出,对所述图卷积神经网络进行训练,得到训练好的图卷积神经网络;
所述将所述待测者的低阶功能脑网络数据和所述待测者的多模态高阶脑网络数据输入训练好的图卷积神经网络,得到二分类结果,具体包括:
将所述待测者的低阶功能脑网络数据输入训练好的图卷积神经网络的第一子通道,得到待测者的低阶功能脑网络特征;
将所述待测者的多模态高阶脑网络数据输入训练好的图卷积神经网络的第二子通道,得到待测者的多模态高阶脑网络特征;
对所述待测者的低阶功能脑网络特征和所述待测者的多模态高阶脑网络特征进行融合,得到融合后的整图特征;
根据所述融合后的整图特征,利用多层感知机,得到二分类结果。
5.一种电子设备,其特征在于,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行根据权利要求1至3中任一项所述的基于高阶脑网络的分类方法。
6.一种计算机可读存储介质,其特征在于,其存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至3中任一项所述的基于高阶脑网络的分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211015362.9A CN115359297B (zh) | 2022-08-24 | 2022-08-24 | 一种基于高阶脑网络的分类方法、系统、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211015362.9A CN115359297B (zh) | 2022-08-24 | 2022-08-24 | 一种基于高阶脑网络的分类方法、系统、电子设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115359297A CN115359297A (zh) | 2022-11-18 |
CN115359297B true CN115359297B (zh) | 2024-01-26 |
Family
ID=84002989
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211015362.9A Active CN115359297B (zh) | 2022-08-24 | 2022-08-24 | 一种基于高阶脑网络的分类方法、系统、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115359297B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106548206A (zh) * | 2016-10-27 | 2017-03-29 | 太原理工大学 | 基于最小生成树的多模态磁共振影像数据分类方法 |
CN111325288A (zh) * | 2020-03-17 | 2020-06-23 | 山东工商学院 | 基于聚类思想的多视角动态脑网络特征维度约减方法 |
CN111563533A (zh) * | 2020-04-08 | 2020-08-21 | 华南理工大学 | 基于图卷积神经网络融合多种人脑图谱的受试者分类方法 |
CN113255728A (zh) * | 2021-04-26 | 2021-08-13 | 浙江工业大学 | 一种基于图嵌入和多模态脑网络的抑郁症分类方法 |
CN113610808A (zh) * | 2021-08-09 | 2021-11-05 | 中国科学院自动化研究所 | 基于个体脑连接图的群体脑图谱个体化方法、系统和设备 |
CN113781385A (zh) * | 2021-03-19 | 2021-12-10 | 南京航空航天大学 | 用于大脑医学影像自动分类的联合注意力图卷积方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10679352B2 (en) * | 2016-11-07 | 2020-06-09 | Institute Of Automation, Chinese Academy Of Sciences | Method for automatic segmentation of brain tumors merging full convolution neural networks with conditional random fields |
JP6884344B2 (ja) * | 2017-11-27 | 2021-06-09 | 株式会社国際電気通信基礎技術研究所 | 脳内ネットワークの活動推定システム、脳内ネットワークの活動推定方法、脳内ネットワークの活動推定プログラム、および、学習済み脳活動推定モデル |
US20220122250A1 (en) * | 2020-10-19 | 2022-04-21 | Northwestern University | Brain feature prediction using geometric deep learning on graph representations of medical image data |
-
2022
- 2022-08-24 CN CN202211015362.9A patent/CN115359297B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106548206A (zh) * | 2016-10-27 | 2017-03-29 | 太原理工大学 | 基于最小生成树的多模态磁共振影像数据分类方法 |
CN111325288A (zh) * | 2020-03-17 | 2020-06-23 | 山东工商学院 | 基于聚类思想的多视角动态脑网络特征维度约减方法 |
CN111563533A (zh) * | 2020-04-08 | 2020-08-21 | 华南理工大学 | 基于图卷积神经网络融合多种人脑图谱的受试者分类方法 |
CN113781385A (zh) * | 2021-03-19 | 2021-12-10 | 南京航空航天大学 | 用于大脑医学影像自动分类的联合注意力图卷积方法 |
CN113255728A (zh) * | 2021-04-26 | 2021-08-13 | 浙江工业大学 | 一种基于图嵌入和多模态脑网络的抑郁症分类方法 |
CN113610808A (zh) * | 2021-08-09 | 2021-11-05 | 中国科学院自动化研究所 | 基于个体脑连接图的群体脑图谱个体化方法、系统和设备 |
Non-Patent Citations (3)
Title |
---|
Self-Attention Graph Pooling;Junhyun Lee 等;arXiv;1-10 * |
基于rs-fMRI数据的脑功能网络构建与分析;何高奇 等;华东理工大学学报(自然科学版);99-105 * |
多模态MRI在帕金森病的研究进展;陈梦亚 等;国际医学放射学杂志;56-59 * |
Also Published As
Publication number | Publication date |
---|---|
CN115359297A (zh) | 2022-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Restricted Boltzmann machine-based approaches for link prediction in dynamic networks | |
US20200167659A1 (en) | Device and method for training neural network | |
Chen et al. | Fast, warped graph embedding: Unifying framework and one-click algorithm | |
Zhou et al. | Disentangled network alignment with matching explainability | |
CN113822315A (zh) | 属性图的处理方法、装置、电子设备及可读存储介质 | |
Zhang et al. | A view-reduction based multi-view TSK fuzzy system and its application for textile color classification | |
WO2023207013A1 (zh) | 一种基于图嵌入的关系图谱关键人员分析方法及系统 | |
CN114863213B (zh) | 一种基于因果解耦生成模型的域泛化图像识别方法 | |
CN114782775A (zh) | 分类模型的构建方法、装置、计算机设备及存储介质 | |
CN112541530B (zh) | 针对聚类模型的数据预处理方法及装置 | |
CN117036760A (zh) | 一种基于图对比学习的多视图聚类模型实现方法 | |
CN115359297B (zh) | 一种基于高阶脑网络的分类方法、系统、电子设备及介质 | |
CN113762005A (zh) | 特征选择模型的训练、对象分类方法、装置、设备及介质 | |
Zhang | Graph neural networks for small graph and giant network representation learning: An overview | |
Tan et al. | Grading your models: Assessing dynamics learning of models using persistent homology | |
CN111126443A (zh) | 基于随机游走的网络表示学习方法 | |
CN115238874A (zh) | 一种量化因子的搜索方法、装置、计算机设备及存储介质 | |
Blanco-Fernández et al. | Arithmetic and distance-based approach to the statistical analysis of imprecisely valued data | |
Nagy | Data-driven analysis of fractality and other characteristics of complex networks | |
Li et al. | Deep fiducial inference | |
Leinwand et al. | Block dense weighted networks with augmented degree correction | |
Wincott et al. | Communication of Design Space Relationships Learned by Bayesian Networks | |
Barbero-Gómez et al. | Evaluating the Performance of Explanation Methods on Ordinal Regression CNN Models | |
Ge et al. | Unsupervised anomaly detection via two-dimensional singular value decomposition and subspace reconstruction for multivariate time series | |
RU2819348C1 (ru) | Способ графовой нейросетевой классификации на отсутствие или наличие большого депрессивного расстройства по данным фмрт |
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 |