CN117100247A - 一种基于稀疏学习的高阶动态脑网络构建方法 - Google Patents
一种基于稀疏学习的高阶动态脑网络构建方法 Download PDFInfo
- Publication number
- CN117100247A CN117100247A CN202310564929.6A CN202310564929A CN117100247A CN 117100247 A CN117100247 A CN 117100247A CN 202310564929 A CN202310564929 A CN 202310564929A CN 117100247 A CN117100247 A CN 117100247A
- Authority
- CN
- China
- Prior art keywords
- brain
- time
- network
- order
- order dynamic
- 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
Links
- 210000004556 brain Anatomy 0.000 title claims abstract description 109
- 238000010276 construction Methods 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 claims abstract description 36
- 230000015654 memory Effects 0.000 claims abstract description 22
- 230000006870 function Effects 0.000 claims abstract description 18
- 239000013598 vector Substances 0.000 claims abstract description 16
- 238000002599 functional magnetic resonance imaging Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims abstract description 7
- 230000000284 resting effect Effects 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 11
- 210000002569 neuron Anatomy 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 208000014644 Brain disease Diseases 0.000 abstract description 11
- 238000003745 diagnosis Methods 0.000 abstract description 3
- 239000000284 extract Substances 0.000 abstract description 2
- 208000024827 Alzheimer disease Diseases 0.000 description 12
- 230000003993 interaction Effects 0.000 description 7
- 208000010877 cognitive disease Diseases 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 102100032202 Cornulin Human genes 0.000 description 2
- 101000920981 Homo sapiens Cornulin Proteins 0.000 description 2
- 238000000692 Student's t-test Methods 0.000 description 2
- 230000003925 brain function Effects 0.000 description 2
- 230000019771 cognition Effects 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 208000027061 mild cognitive impairment Diseases 0.000 description 2
- 238000002610 neuroimaging Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012353 t test Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 208000028698 Cognitive impairment Diseases 0.000 description 1
- 206010012289 Dementia Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 239000000090 biomarker Substances 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000012733 comparative method Methods 0.000 description 1
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 239000000104 diagnostic biomarker Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000004770 neurodegeneration Effects 0.000 description 1
- 208000015122 neurodegenerative disease Diseases 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- 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
- A61B5/0033—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
- A61B5/40—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
-
- 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)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Neurology (AREA)
- Artificial Intelligence (AREA)
- Radiology & Medical Imaging (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Neurosurgery (AREA)
- Hospice & Palliative Care (AREA)
- Psychology (AREA)
- High Energy & Nuclear Physics (AREA)
- Developmental Disabilities (AREA)
- Child & Adolescent Psychology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
一种基于稀疏学习的高阶动态脑网络构建方法,包括以下步骤:S1:对于所有训练样本,将静息状态功能磁共振成像的全部时间序列划分成若干个连续并重叠的时间窗口;S2:利用稀疏学习的方法计算每个时间窗口内不同脑区的权重矩阵;S3:对每个时间窗口,将权重向量作为脑区新信号,通过计算成对脑区新信号的Pearson相关系数作为脑区对的连接权重,构建高阶动态功能连接网络;S4:基于卷积网络和双向长短期记忆网络,对高阶动态功能连接网络提取特征。本方法解决了传统方法忽略对脑部疾病诊断可能重要的高阶动态信息的问题,通过稀疏学习实现特定脑区表达,自动提取多个脑区的相关性并稀疏化脑区表示,使得构建的高阶动态脑网络包含脑区间的高阶关系。
Description
技术领域
本发明属于深度学习与医学影像计算机辅助诊断技术领域,具体涉及一种基于稀疏学习的高阶动态脑网络构建方法。
背景技术
阿尔兹海默症(Alzheimer’s disease,AD)是多发于老年人的神经退行性疾病,也是痴呆症最主要的成因,其显著特征是进行性认知障碍。作为AD的前驱阶段,轻度认知障碍(mild cognitive impairment,MCI)因为其极易发展为AD而受到广泛关注。因此,AD和MCI等脑疾病的准确分类诊断,对疾病早期治疗和延缓病情恶化具有重要意义。静息态功能核磁共振成像(resting-state functional magnetic resonance imaging,rs-fMRI)作为一种先进的成像技术,为有效探索人脑及其交互模式提供了一种非侵入性方法,是测量人脑神经元活动和研究人脑的重要工具。基于rs-fMRI构建的功能连接网络(functionalconnectivity network,FCN)能够表征大脑区域之间的神经交互作用,已被广泛研究并应用于脑功能和脑疾病的研究,包括AD和MCI。
最近的许多研究表明,即使在静息状态下,功能连接性也会在几秒到几分钟之间波动。因此,动态功能连接网络(dynamic FCN,DFCN)专注于功能连通性随时间的变化,与几个认知过程(如记忆、语言、注意和执行功能)特别相关,因此可以更深入地了解大脑功能和大脑网络的基本特性,并且可以提供脑疾病额外的认知生物标志物。此外,研究还调查并发现了DFCN的变化与脑疾病的关系。越来越多的证据表明,量化FCN的变化对于更好地理解脑疾病的病理学至关重要。与基于静态功能连接网络(stationary FCN,SFCN)的方法相比,将DFCN应用于脑部疾病的分类,可以取得更好的性能。然而,现有的基于DFCN的方法只能表征大脑区域之间的低阶(即成对)交互,而不能完全捕获高阶(即多个大脑区域之间)交互,因此忽略了DFCN的高阶动态信息。事实上,来自解剖学和生理学研究的证据表明,大脑网络和认知过程依赖于多个大脑区域之间的相互作用。直观地说,探索脑网络的高阶特性可以提供更多的先验知识,有助于改进脑疾病分类的性能。
发明内容
本发明针对现有技术中的不足,提供一种基于稀疏学习的高阶动态脑网络构建方法,利用稀疏学习和Pearson相关系数等方法建立高阶动态功能连接网络,再通过卷积网络和双向长短期记忆网络学习高阶特征和时序动态特征。
为实现上述目的,本发明采用以下技术方案:
一种基于稀疏学习的高阶动态脑网络构建方法,其特征在于,具体包括如下步骤:
S1:对于所有训练样本,将静息状态功能磁共振成像的全部时间序列划分成若干个连续并重叠的时间窗口;
S2:利用稀疏学习的方法计算每个时间窗口内不同脑区的权重矩阵;
S3:对每个时间窗口,将权重矩阵中的权重向量作为脑区新信号,通过计算成对脑区新信号的Pearson相关系数作为脑区对的连接权重,构建高阶动态功能连接网络;
S4:将高阶动态功能连接网络沿时间维度和空间维度进行三层卷积操作,得到高阶网络特征;
s5:利用双向长短期记忆网络提取高阶网络特征的时序动态特征。
为优化上述技术方案,采取的具体措施还包括:
进一步地,步骤S1中,基于静息状态功能磁共振成像数据,将所有受试者的大脑空间划分为N个脑区,通过计算得到所有脑区的平均时间序列,对于每个受试者,将时间窗口大小设置为L个时间点,L>2,每次均平移2个时间点,划分出大小相同且重叠的时间窗口,最终将全部时间序列分割为T个连续并重叠的时间窗口。
进一步地,步骤S2中,对任一划分的时间窗口,通过最小化某一脑区与时间窗口内其余脑区权重乘积的平方损失函数,实现特定脑区的表征,并通过添加约束项,优化权重矩阵;其中,损失函数的公式如下:
式中,J(Wi)表示损失函数,T表示划分的时间窗口数目,N表示划分的脑区数目,zi,t表示第t个时间窗口内第i个脑区的平均时间序列,Zi,t=[z1,t,z2,t,...zi-1,t,0,zi+1,t,...zN,t]表示除第i个脑区外所有脑区的时间序列组成的矩阵,wi,t表示第t个时间窗口内第i个脑区的权重向量,Wi=[wi,1,wi,2,...,wi,T]表示所有时间窗口的权重矩阵,是Wi的第d个行向量;λ1和λ2是分别控制学习模型组稀疏性和平滑性的两个正则化参数。
进一步地,步骤S3中,首先通过如下公式来计算第t个时间窗口内脑网络Ht中的元素:
式中,Ht(i,j)表示矩阵Ht中的元素,cov(wi,t,wj,t)表示权重向量wi,t和wj,t之间的协方差,和/>分别表示权重向量wi,t和wj,t的标准差;
最终获得一组包含T个时间窗口的高阶动态功能连接网络
进一步地,步骤S4中,设置了三个卷积层进行三层卷积操作,分别将三层卷积核的大小设置为S1×N×1、S2×1×N和S3×1×1,N表示划分的脑区数目,分别将这三层沿时间维度和空间维度的卷积步长设置为(1,1,1),(1,1,1)和(2,1,1);每个卷积层均依次进行批归一化处理、ReLU激活和丢弃部分神经元操作;为三层卷积分别设定K1、K2和K3个通道,最终依次得到一个T1×1×N×K1张量、一个T2×1×1×K2张量和一个T3×1×1×K3张量。
进一步地,步骤S5中,使用一个双向长短期记忆网络层和一个全局平均池化层进行高阶特征的时序动态特征提取。
本发明还提出了一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序使计算机执行如上所述的基于稀疏学习的高阶动态脑网络构建方法。
本发明还提出了一种电子设备,其特征在于,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行计算机程序时,实现如上所述的基于稀疏学习的高阶动态脑网络构建方法。
本发明的有益效果是:本发明通过对rs-fMRI数据中的时间序列划分时间窗口,为每个时间窗口构建一个高阶功能连接网络,将所有时间窗口的高阶功能连接网络合并成一个高阶动态网络,使用卷积网络和双向长短期记忆网络等深度学习框架,学习高阶脑网络的高阶特征和时序动态特征。其中,本发明重点关注了对脑疾病诊断有重大影响的高阶脑区关系,在构建高阶动态功能连接网络的过程中,通过稀疏学习实现特定脑区表达,自动提取多个脑区的相关性并稀疏化脑区表示,使得构建的高阶动态脑网络包含脑区间的高阶关系。
附图说明
图1为本发明实施例提出的一种基于稀疏学习的高阶动态脑网络构建方法的流程示意图。
图2为本发明实施例在eMCI vs.NC实验中选出的最有判别性的脑区示意图。
图3为本发明实施例在AD vs.NC实验中选出的最有判别性的脑区示意图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。
在一实施例中,本发明提出了一种基于稀疏学习的高阶动态脑网络构建方法,如图1所示,该方法具体包括如下步骤:
S1:基于静息状态功能磁共振成像数据,使用AAL模板将所有受试者的大脑空间划分成116个脑区,通过计算得到每个脑区的平均时间序列,对于每一位受试者,将时间窗口的大小设置成70个时间点,每次均平移2个时间点,划分出大小相同且重叠的时间窗口,最终将全部时间序列分割为T个连续并重叠的时间窗口。
S2:对任一划分窗口,通过最小化某一脑区与窗口内其余脑区权重乘积的平方损失函数,实现特定脑区的表征,并通过添加若干约束项,优化权重矩阵,公式如下:
式中,J(Wi)表示损失函数,zi,t表示第t个时间窗口内第i个脑区的平均时间序列,Zi,t=[z1,t,z2,t,...zi-1,t,0,zi+1,t,...zN,t]表示除第i个脑区外所有脑区时间序列组成的矩阵。wi,t是权重向量,Wi=[wi,1,wi,2,...,wi,T]表示所有时间窗口的权重矩阵,是Wi的第d个行向量。λ1和λ2是分别控制学习模型组稀疏性和平滑性的两个正则化参数。
S3:将权重向量作为脑区新信号,通过计算每个时间窗口内成对脑区新信号的Pearson相关系数作为脑区对的连接权重,构建高阶动态功能连接网络,公式如下:
式中,Ht(i,j)表示矩阵Ht中的元素,cov(wi,t,wj,t)表示权重向量wi,t和wj,t之间的协方差,和/>分别表示权重向量wi,t和wj,t的标准差。
最终,获得了一组包含T个时间窗口的高阶功能连接网络,即
S4:设置了三个卷积层,分别将三层卷积核的大小设置为S1×N×1,S2×1×N和S3×1×1,将每层沿时间维度和空间维度的卷积步长设置为(1,1,1),(1,1,1)和(2,1,1)。每个卷积层均依次进行批归一化处理、ReLU激活和丢弃部分神经元等操作。为三层卷积分别设定K1,K2,K3个通道,最终将依次得到一个T1×1×N×K1张量,一个T2×1×1×K2张量和一个T3×1×1×K3张量。
S5:对卷积操作后提取的高阶脑网络特征(即第三层卷积的结果)进一步使用一个双向长短期记忆网络层(包含2×64个神经元)和一个全局平均池化层进行时序动态特征的提取。
本实施例对阿尔兹海默症神经影像计划(Alzheimer′s Disease NeuroimagingInitiative,ADNI)数据库获取的rs-fMRI数据进行了研究。在本实施例中,共使用了174名受试者的rs-tMRI数据,包括数据集中的31名AD、45名晚期MCI(1MCI)、50名早期MCI(eMCI)和48名正常对照(normal control,NC)。值得注意的是,受试者可能每6个月至84个月进行一次或多次扫描。其中,AD、1MCI、eMCI和NC受试者分别进行了99、145、165、154次扫描。
在本实施例中,进行了一系列实验,包括两个二分类任务,即eMCI vs.NC分类和ADvs.NC分类,以及一个多类分类任务,即AD vs.IMCI vs.eMCI vs.NC分类。采用5折交叉验证策略,通过计算所有类别的总体精度以及每个类别的精度来评估性能。具体来说,对于每个分类任务,所有受试者被分成5个子集(每个子集的大小大致相同)。依次选取每个子集分别作为测试集,将剩余的四个子集组合构成训练集。此外,进一步选择20%的训练样本作为验证集来确定模型的最佳参数。值得注意的是,为了增强模型的泛化能力,在每次交叉验证中,将每个训练样本的多次扫描视为训练模型的独立样本,但仅使用测试对象的基线扫描来评估学习模型的性能。
将本实施例中提出的方法(SR-HoDFCNL)与以下六种方法进行比较。1)Baseline:在该方法中,通过计算脑区的整个时间序列之间的Pearson相关系数来获得每个受试者的SFCN。然后使用带有阈值的t检验方法(即p值<0.05)从SFCN中提取连接强度特征。最后,使用具有默认参数的线性支持向量机(support vector machine,SVM)进行分类。2)CC:在该方法中,从SFCN中提取聚类系数(clustering coefficient,CC)特征,分别使用具有阈值的t检验方法和具有默认参数的线性SVM进行特征选择和分类。3)DFCN:在该方法中,首先为每个受试者构建一个DFCN。然后提取DFCN的时空均值作为特征,使用流形正则化多任务特征学习进行特征选择,多核SVM用于分类。4)CRNN:在该方法中,先将时间序列分割成若干个连续并重叠的时间窗口,再计算每个时间窗口内成对脑区时间序列的Pearson相关系数作为脑区对的连接权重,构建动态功能连接网络,最后使用三层卷积网络和一个长短期记忆网络提取脑网络特征,用于脑疾病分类。5)LoDFCN:使用低阶DFCN代替基于稀疏学习的高阶DFCN。在所提出的特征提取和分类方法中,首先使用Pearson相关系数构建低阶DFCN,然后送入五层网络(即卷积层、双向长短期记忆网络层和全局平均池化层)中。6)HoDFCN:使用高阶DFCN代替基于稀疏学习的高阶DFCN。在该方法中,将基于Pearson相关系数的低阶FCN中每个脑区的功能连接性作为信号,通过再次计算脑区信号之间的Pearson相关系数来获得高阶DFCN,然后送入五层网络(即卷积层、双向长短期记忆网络层和全局平均池化层)中。
表1和表2分别报告了不同方法在二分类任务和多分类任务中所取得的结果。
表1所有方法在eMCI vs.NC分类和AD vs.NC分类上的性能(%)
表2所有方法在AD vs.IMCI vs.eMCI vs.NC分类上的性能(%)
从表1和表2可以看出,本实施例方法在三个分类任务上都优于对比方法。首先,基于低阶FCN的方法(即Baseline、CC、DFCN、CRNN和LoDFCN)仅表征成对脑区的交互信息,因此无法捕获多个脑区之间的交互。相比之下,本实施例方法可以将来自所有脑区的时间序列的信息合并到功能连接性中,因此比对比方法包含更丰富的信息。其次,本实施例方法使用卷积网络和双向长短期记忆网络从构建的高阶DFCN中提取分层特征,从而可以传递更丰富的大脑网络时间信息,以提高性能。
此外,对于特定疾病分类任务,本实施例方法分别找到贡献最大的判别性脑区,并分析判别性脑区间的重要连通性。如图2和图3所示,每条弧线都表示两个判别性脑区间的功能连接。弧线越粗,表示其p值越小,功能连通性越具有判别性。本实施例方法找到的判别性脑区与已有研究一致,这些结果表明,本实施例方法可能有助于找到基于fMRI的脑疾病诊断生物标志物。
在另一实施例中,本发明提出了一种计算机可读存储介质,存储有计算机程序,计算机程序使计算机执行如第一个实施例所述的基于稀疏学习的高阶动态脑网络构建方法。
在另一实施例中,本发明提出了一种电子设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时,实现如第一个实施例所述的基于稀疏学习的高阶动态脑网络构建方法。
在本申请所公开的实施例中,计算机存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合使用的程序。计算机存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。计算机存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
本领域普通技术人员可以意识到,结合本申请所公开的实施例描述的各示例的单元及算法步骤,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。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (8)
1.一种基于稀疏学习的高阶动态脑网络构建方法,其特征在于,具体包括如下步骤:
S1:对于所有训练样本,将静息状态功能磁共振成像的全部时间序列划分成若干个连续并重叠的时间窗口;
S2:利用稀疏学习的方法计算每个时间窗口内不同脑区的权重矩阵;
S3:对每个时间窗口,将权重矩阵中的权重向量作为脑区新信号,通过计算成对脑区新信号的Pearson相关系数作为脑区对的连接权重,构建高阶动态功能连接网络;
S4:将高阶动态功能连接网络沿时间维度和空间维度进行三层卷积操作,得到高阶网络特征;
S5:利用双向长短期记忆网络提取高阶网络特征的时序动态特征。
2.如权利要求1所述的一种基于稀疏学习的高阶动态脑网络构建方法,其特征在于:步骤S1中,基于静息状态功能磁共振成像数据,将所有受试者的大脑空间划分为N个脑区,通过计算得到所有脑区的平均时间序列,对于每个受试者,将时间窗口大小设置为L个时间点,L>2,每次均平移2个时间点,划分出大小相同且重叠的时间窗口,最终将全部时间序列分割为T个连续并重叠的时间窗口。
3.如权利要求1所述的一种基于稀疏学习的高阶动态脑网络构建方法,其特征在于:步骤S2中,对任一划分的时间窗口,通过最小化某一脑区与时间窗口内其余脑区权重乘积的平方损失函数,实现特定脑区的表征,并通过添加约束项,优化权重矩阵;其中,损失函数的公式如下:
式中,J(Wi)表示损失函数,T表示划分的时间窗口数目,N表示划分的脑区数目,zi,t表示第t个时间窗口内第i个脑区的平均时间序列,Zi,t=[z1,t,z2,t,...zi-1,t,0,zi+1,t,…zN,t]表示除第i个脑区外所有脑区的时间序列组成的矩阵,wi,t表示第t个时间窗口内第i个脑区的权重向量,Wi=[wi,1,wi,2,...,wi,T]表示所有时间窗口的权重矩阵,是Wi的第d个行向量;λ1和λ2是分别控制学习模型组稀疏性和平滑性的两个正则化参数。
4.如权利要求3所述的一种基于稀疏学习的高阶动态脑网络构建方法,其特征在于:步骤S3中,首先通过如下公式来计算第t个时间窗口内脑网络Ht中的元素:
式中,Ht(i,j)表示矩阵Ht中的元素,cov(wi,t,wj,t)表示权重向量wi,t和wj,t之间的协方差,和/>分别表示权重向量wi,t和wj,t的标准差;
最终获得一组包含T个时间窗口的高阶动态功能连接网络
5.如权利要求1所述的一种基于稀疏学习的高阶动态脑网络构建方法,其特征在于:步骤S4中,设置了三个卷积层进行三层卷积操作,分别将三层卷积核的大小设置为S1×N×1、S2×1×N和S3×1×1,N表示划分的脑区数目,分别将这三层沿时间维度和空间维度的卷积步长设置为(1,1,1),(1,1,1)和(2,1,1);每个卷积层均依次进行批归一化处理、ReLU激活和丢弃部分神经元操作;为三层卷积分别设定K1、K2和K3个通道,最终依次得到一个T1×1×N×K1张量、一个T2×1×1×K2张量和一个T3×1×1×K3张量。
6.如权利要求1所述的一种基于稀疏学习的高阶动态脑网络构建方法,其特征在于:步骤S5中,使用一个双向长短期记忆网络层和一个全局平均池化层进行高阶特征的时序动态特征提取。
7.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序使计算机执行如权利要求1-6任一项所述的基于稀疏学习的高阶动态脑网络构建方法。
8.一种电子设备,其特征在于,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行计算机程序时,实现如权利要求1-6任一项所述的基于稀疏学习的高阶动态脑网络构建方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310564929.6A CN117100247A (zh) | 2023-05-17 | 2023-05-17 | 一种基于稀疏学习的高阶动态脑网络构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310564929.6A CN117100247A (zh) | 2023-05-17 | 2023-05-17 | 一种基于稀疏学习的高阶动态脑网络构建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117100247A true CN117100247A (zh) | 2023-11-24 |
Family
ID=88798980
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310564929.6A Pending CN117100247A (zh) | 2023-05-17 | 2023-05-17 | 一种基于稀疏学习的高阶动态脑网络构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117100247A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117350352A (zh) * | 2023-12-06 | 2024-01-05 | 烟台大学 | 结构脑网络到功能连通性网络的学习方法、系统和设备 |
CN117934977B (zh) * | 2024-03-22 | 2024-05-31 | 烟台大学 | 基于图连接和图节点的脑网络分类方法、系统和设备 |
-
2023
- 2023-05-17 CN CN202310564929.6A patent/CN117100247A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117350352A (zh) * | 2023-12-06 | 2024-01-05 | 烟台大学 | 结构脑网络到功能连通性网络的学习方法、系统和设备 |
CN117350352B (zh) * | 2023-12-06 | 2024-02-23 | 烟台大学 | 结构脑网络到功能连通性网络的学习方法、系统和设备 |
CN117934977B (zh) * | 2024-03-22 | 2024-05-31 | 烟台大学 | 基于图连接和图节点的脑网络分类方法、系统和设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220059229A1 (en) | Method and apparatus for analyzing medical treatment data based on deep learning | |
Ju et al. | Early diagnosis of Alzheimer's disease based on resting-state brain networks and deep learning | |
CN109447183A (zh) | 模型训练方法、装置、设备以及介质 | |
Yang et al. | A study of brain networks for autism spectrum disorder classification using resting-state functional connectivity | |
CN111738363B (zh) | 基于改进的3d cnn网络的阿尔茨海默病分类方法 | |
CN111009321A (zh) | 一种机器学习分类模型在青少年孤独症辅助诊断中的应用方法 | |
US11379981B1 (en) | Systems and methods for diagnosing autism spectrum disorder using fMRI data | |
CN117100247A (zh) | 一种基于稀疏学习的高阶动态脑网络构建方法 | |
CN115496953A (zh) | 基于时空图卷积的脑网络分类方法 | |
CN114358169B (zh) | 一种基于XGBoost的结直肠癌检测系统 | |
Chen et al. | Contrastive learning for prediction of Alzheimer's disease using brain 18f-fdg pet | |
WO2021179189A1 (zh) | 大脑成瘾性状评估的可视化方法、装置及介质 | |
CN112863664A (zh) | 基于多模态超图卷积神经网络的阿尔茨海默病分类方法 | |
Huang et al. | Computational optimization and statistical methods for big data analytics: Applications in neuroimaging | |
CN116434950A (zh) | 基于数据分簇和集成学习的孤独症谱系障碍的诊断系统 | |
CN116797817A (zh) | 基于自监督图卷积模型的自闭症疾病预测技术 | |
Gu et al. | Autism spectrum disorder diagnosis using the relational graph attention network | |
CN115035346A (zh) | 一种基于协作学习方法增强的阿尔兹海默病的分类方法 | |
Li et al. | Sdt: A tree method for detecting patient subgroups with personalized risk factors | |
KR20220069196A (ko) | 파킨슨 병 검출을 위한 3d 컨볼루셔널 뉴럴 네트워크 | |
Rimal et al. | Comparative study of various machine learning methods on ASD classification | |
CN116186516A (zh) | 基于卷积循环神经网络的脑网络特征提取方法及系统 | |
Rimal et al. | Comparative study of machine learning and deep learning methods on ASD classification | |
CN114190884B (zh) | 一种脑疾病数据的纵向分析方法、系统及装置 | |
CN117593269A (zh) | 一种基于图卷积和注意力机制的脑网络表征方法 |
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 |