CN117218096A - 一种异常检测方法、装置、设备及存储介质 - Google Patents
一种异常检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117218096A CN117218096A CN202311226331.2A CN202311226331A CN117218096A CN 117218096 A CN117218096 A CN 117218096A CN 202311226331 A CN202311226331 A CN 202311226331A CN 117218096 A CN117218096 A CN 117218096A
- Authority
- CN
- China
- Prior art keywords
- brain
- abnormality detection
- brain function
- function connection
- magnetic resonance
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 213
- 230000005856 abnormality Effects 0.000 title claims abstract description 144
- 230000003925 brain function Effects 0.000 claims abstract description 209
- 238000012549 training Methods 0.000 claims abstract description 116
- 230000000284 resting effect Effects 0.000 claims abstract description 89
- 210000004556 brain Anatomy 0.000 claims abstract description 88
- 210000005013 brain tissue Anatomy 0.000 claims abstract description 49
- 230000006870 function Effects 0.000 claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 29
- 238000000034 method Methods 0.000 claims description 71
- 238000012706 support-vector machine Methods 0.000 claims description 28
- 230000008569 process Effects 0.000 claims description 27
- 238000000605 extraction Methods 0.000 claims description 24
- 239000011159 matrix material Substances 0.000 claims description 24
- 238000007781 pre-processing Methods 0.000 claims description 19
- 230000009467 reduction Effects 0.000 claims description 14
- 238000012937 correction Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 10
- 238000012952 Resampling Methods 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- 210000003625 skull Anatomy 0.000 claims description 5
- 238000010220 Pearson correlation analysis Methods 0.000 claims description 4
- 238000002599 functional magnetic resonance imaging Methods 0.000 description 60
- 230000002159 abnormal effect Effects 0.000 description 30
- 238000012360 testing method Methods 0.000 description 12
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000013145 classification model Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000002790 cross-validation Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 238000003672 processing method Methods 0.000 description 4
- 208000014644 Brain disease Diseases 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 238000002595 magnetic resonance imaging Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000002610 neuroimaging Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012847 principal component analysis method Methods 0.000 description 2
- 238000002759 z-score normalization Methods 0.000 description 2
- 208000024827 Alzheimer disease Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000000090 biomarker Substances 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000007177 brain activity Effects 0.000 description 1
- 230000003727 cerebral blood flow Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004126 nerve fiber Anatomy 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000006213 oxygenation reaction Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明涉及医学影像处理技术领域，具体是一种异常检测方法、装置、设备及存储介质，所述异常检测方法包括：获取待检测对象脑部的静息态功能磁共振影像；对所述静息态功能磁共振影像进行特征提取，得到对应的脑功能连接特征数据；获取预先建立的脑功能连接异常检测模型，所述脑功能连接异常检测模型是通过利用多个正常脑部组织的静息态功能磁共振影像样本，对预先构建的初始检测模型进行无监督学习训练得到的；利用所述脑功能连接异常检测模型对所述脑功能连接特征数据进行处理，得到所述待检测对象脑部的异常检测结果。本发明的异常检测方法，能够快速准确地检测出脑功能连接的异常，并且提高异常检测结果的准确性和可靠性。
Description
技术领域
本发明涉及医学影像处理技术领域，特别涉及一种异常检测方法、装置、设备及存储介质。
背景技术
异常检测是一种用于识别异常或异常情况的技术和方法。在医疗保健领域，异常可以是指病人的生理参数、疾病表现、医学图像、生物标记物或其他医学数据与正常状态有明显不同的情况。在脑疾病的诊断方面，随着神经成像技术的不断进步，用大脑影像辅助诊断已是主流，磁共振成像(Magnetic Resonance Imaging，MRI)就是其中之一。
脑功能连接(如图1所示)是大脑内部不同区域之间相互联结和通信的网络。大脑是由众多神经元组成的复杂网络，这些神经元通过神经纤维相互连接，形成各种脑回路和网络。这些连接使得不同脑区可以相互协调和交流，从而实现复杂的认知、情感和行为功能。在患有脑部疾病的病人身上，这种脑功能连接和正常人是存在显著差异的，研究它的最常见手段就是功能磁共振成像(Functional Magnetic Resonance Imaging，fMRI)技术。功能磁共振成像并不直接观察脑的解剖结构，而是通过监测脑血流和氧合水平的变化来间接测量脑活动。这些功能磁共振扫描结果所含有的非病理因素也会体现病人和健康人的差异。
目前，已有一些技术尝试使用机器学习的方法来将fMRI获得的脑功能连接数据进行分类，常用的机器学习主要为有监督学习，需要有带标签的正样本和负样本作为训练数据。例如，可以通过利用一批标记后的健康人和病人的静息态fMRI影像进行有监督学习训练得到一个病人/健康人的分类模型，来进行脑功能连接异常识别。
由于在真实的医学场景中，健康人的脑功能连接数据数量远远超过病人的脑功能连接数据数量，使得病人的数据获取困难、数据量少，进而导致上述方法的数据标签获取困难、样本不平衡，这不仅会影响分类模型的训练和评估，导致训练得到的模型对少数人群(病人)的判断性能较差，而且会影响分类模型在病人这个类别下的泛化能力，容易出现过拟合的情况。并且，对于脑功能连接数据，其特征维度较高，通常需要进行特征选择以避免维度灾难，如何寻找有效的特征维度极大地增加了构建有效模型的难度。
发明内容
针对现有技术的上述问题，本发明的目的在于提供一种异常检测方法、装置、设备及存储介质，能够快速准确地检测出脑功能连接的异常，并且提高异常检测结果的准确性和可靠性。
为了解决上述问题，本发明提供一种异常检测方法，包括：
获取待检测对象脑部的静息态功能磁共振影像；
对所述静息态功能磁共振影像进行特征提取，得到对应的脑功能连接特征数据；
获取预先建立的脑功能连接异常检测模型，所述脑功能连接异常检测模型是通过利用多个正常脑部组织的静息态功能磁共振影像样本，对预先构建的初始检测模型进行无监督学习训练得到的；
利用所述脑功能连接异常检测模型对所述脑功能连接特征数据进行处理，得到所述待检测对象脑部的异常检测结果。
进一步地，所述对所述静息态功能磁共振影像进行特征提取，得到对应的脑功能连接特征数据，包括：
对所述静息态功能磁共振影像进行皮尔逊相关分析，得到对应的全脑功能连接矩阵；
基于所述全脑功能连接矩阵生成所述脑功能连接特征数据。
进一步地，所述基于所述全脑功能连接矩阵生成所述脑功能连接特征数据，包括：
对所述全脑功能连接矩阵进行降维处理，得到低维度的脑连接对特征；
获取所述待检测对象的第一属性特征和/或所述静息态功能磁共振影像的第二属性特征；
根据所述脑连接对特征，以及所述第一属性特征和/或所述第二属性特征生成所述脑功能连接特征数据。
进一步地，所述方法还包括：
对所述静息态功能磁共振影像进行预处理，得到预处理后的静息态功能磁共振影像；
其中，所述对所述静息态功能磁共振影像进行特征提取，得到对应的脑功能连接特征数据，包括：
对预处理后的静息态功能磁共振影像进行特征提取，得到对应的脑功能连接特征数据。
进一步地，所述对所述静息态功能磁共振影像进行预处理，包括：
对所述静息态功能磁共振影像进行头骨去除、图像畸变校正、运动校正、空间标准化、强度归一化、平滑处理、图像重采样和脑组织分割中的一种或多种处理。
进一步地，所述方法还包括预先训练所述脑功能连接异常检测模型，所述脑功能连接异常检测模型的训练过程包括：
获取训练样本数据集，所述训练样本数据集包括多个正常脑部组织的静息态功能磁共振影像样本；
分别对各个所述静息态功能磁共振影像样本进行特征提取，得到对应的脑功能连接特征数据样本；
构建初始检测模型；
以各个所述静息态功能磁共振影像样本对应的脑功能连接特征数据样本为输入数据，对所述初始检测模型进行无监督学习训练，得到所述脑功能连接异常检测模型。
进一步地，所述初始检测模型包括单类支持向量机模型。
本发明另一方面提供一种异常检测装置，包括：
影像获取模块，用于获取待检测对象脑部的静息态功能磁共振影像；
特征提取模块，用于对所述静息态功能磁共振影像进行特征提取，得到对应的脑功能连接特征数据；
模型获取模块，用于获取预先建立的脑功能连接异常检测模型，所述脑功能连接异常检测模型是通过利用多个正常脑部组织的静息态功能磁共振影像样本，对预先构建的初始检测模型进行无监督学习训练得到的；
异常检测模块，用于利用所述脑功能连接异常检测模型对所述脑功能连接特征数据进行处理，得到所述待检测对象脑部的异常检测结果。
本发明另一方面提供一种电子设备，包括处理器和存储器，所述存储器中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由所述处理器加载并执行以实现如上述的异常检测方法。
本发明另一方面提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由处理器加载并执行以实现如上述的异常检测方法。
由于上述技术方案，本发明具有以下有益效果：
根据本发明实施例的异常检测方法，通过利用多个正常脑部组织的静息态功能磁共振影像样本进行无监督学习训练，得到脑功能连接异常检测模型，并利用所述脑功能连接异常检测模型，对基于待检测对象脑部的静息态功能磁共振影像提取得到的脑功能连接特征数据进行处理，得到待检测对象脑部的异常检测结果。该方法只需要使用足够的健康人的脑功能连接数据即可训练得到脑功能连接异常检测模型，无需病人的脑功能连接数据，能够避免由于病人的数据获取困难、数据量少导致的模型检测性能问题，因而能够有效提高训练得到的模型对脑功能连接异常检测的准确性。利用所述脑功能连接异常检测模型能够快速准确地检测出脑功能连接的异常，并且提高异常检测结果的准确性和可靠性。
另外，通过采用无监督学习训练的方式，无需对训练样本数据标注标签，模型训练过程也不依赖于标签，因此能够简化模型训练过程，提高模型的训练速度，且不容易受到标签错误的影响。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍。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的前提下，还可以根据这些附图获得其它附图。
图1是脑功能连接示意图；
图2是本发明一个实施例提供的异常检测方法的实施环境示意图；
图3是本发明一个实施例提供的异常检测方法的流程图；
图4是本发明一个实施例中的单类支持向量机模型的超平面的示意图；
图5是本发明一个实施例中的异常检测结果的可视化示意图；
图6是本发明一个实施例提供的脑功能连接异常检测模型的训练方法的流程图；
图7是本发明一个实施例提供的异常检测装置的结构示意图；
图8是本发明一个实施例提供的电子设备的硬件结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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的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。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、装置、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
参考说明书附图2，其示出了本发明一个实施例提供的异常检测方法的实施环境示意图。如图2所示，该实施环境可以包括至少一个医学扫描设备210和计算机设备220，所述计算机设备220和各个医学扫描设备210可以通过有线或无线通信方式进行直接或间接地连接，本发明实施例对此不做限制。
其中，所述医学扫描设备210可以但不限于是fMRI设备等，所述计算机设备220可以但不限于是各种服务器、个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，所述服务器可以是独立的服务器或者是多个服务器组成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)以及大数据和人工智能平台等基础云计算服务的云服务器。
本发明实施例中，所述医学扫描设备210可以基于fMRI技术对待检测对象脑部的影像进行采集，得到对应的静息态fMRI影像。所述计算机设备220可以获取由医学扫描设备210扫描得到的待检测对象脑部的静息态fMRI影像，并通过本发明实施例提供的异常检测方法确定所述待检测对象脑部的异常检测结果，以供医生进行查阅，以及时指导采取措施。
需要说明的是，图2仅仅是一种示例。本领域技术人员可以理解，虽然图2中只示出了1个医学扫描设备210，但并不构成对本发明实施例的限定，可以包括比图示更多或更少的医学扫描设备210。
根据一些实施例提供的异常检测方法，尝试使用机器学习的方法来将fMRI获得的脑功能连接数据进行分类，该方法主要包括以下步骤：
1、首先收集一批健康人和病人的静息态fMRI影像并分别进行标记。
2、逐个计算个体(健康人或者病人)的脑功能连接数据，计算方式为：计算个体的116个脑区的血氧水平依赖信号在时间序列上的平均值，进行全脑的皮尔逊相关分析，得到116*116的全脑功能连接矩阵。其中，所述全脑功能连接矩阵中可以包括116个脑区与其他脑区之间的功能连接强度数据。
3、将预先选择的特征维度对应的功能连接强度数据作为特征数据，将特征数据输入有监督机器学习模型(例如概率神经网络)进行训练，并进行交叉验证，以训练得到一个病人/健康人的分类模型。
4、利用训练得到的分类模型对基于待检测对象脑部的静息态fMRI影像计算得到的脑功能连接数据进行分类，以确定待检测对象是病人还是健康人。
但是，由于在真实的医学场景中，健康人的脑功能连接数据数量远远超过病人的脑功能连接数据数量，使得病人的数据获取困难、数据量少，进而导致上述方法的数据标签获取困难、样本不平衡，这不仅会影响分类模型的训练和评估，导致训练得到的模型对少数人群(病人)的判断性能较差，而且会影响分类模型在病人这个类别下的泛化能力，容易出现过拟合的情况。并且，对于脑功能连接数据，其特征维度较高，通常需要进行特征选择以避免维度灾难，如何寻找有效的特征维度极大地增加了构建有效模型的难度。
为了解决上述问题，本发明实施例提供一种异常检测方法、装置、设备及存储介质，能够快速准确地检测出脑功能连接的异常，并且提高异常检测结果的准确性和可靠性。
下面对本发明实施例提供的异常检测方法进行详细描述。
参考说明书附图3，其示出了本发明一个实施例提供的异常检测方法的流程，该方法可以应用于图1中的计算机设备220中，具体的如图3所示，所述方法可以包括以下步骤：
S310：获取待检测对象脑部的静息态功能磁共振影像。
本发明实施例中，可以通过fMRI技术对待检测对象脑部的影像进行采集，得到对应的静息态fMRI影像。其中，所述待检测对象可以为可能患有脑疾病的患者。
需要说明的是，所述静息态fMRI影像的来源既可以是直接导入的相关数据，也可以是从其他资源库实时配置连接获取，还可以是从已存储的影像数据库中根据患者的名字等信息搜索后获取，本发明实施例对此不作限制。
S320：对所述静息态功能磁共振影像进行特征提取，得到对应的脑功能连接特征数据。
本发明实施例中，可以先基于获取到的静息态fMRI影像确定所述待检测对象的脑功能连接数据，并从确定的脑功能连接数据中提取适当的特征，形成所述静息态fMRI影像对应的脑功能连接特征数据。其中，所述脑功能连接数据可以包括全脑功能连接矩阵，或者还可以包括所述待检测对象的属性和/或所述静息态fMRI影像的属性等数据。
具体地，所述对所述静息态功能磁共振影像进行特征提取，得到对应的脑功能连接特征数据，可以包括：对所述静息态功能磁共振影像进行皮尔逊相关分析，得到对应的全脑功能连接矩阵；基于所述全脑功能连接矩阵生成所述脑功能连接特征数据。
本发明实施例中，对所述静息态fMRI影像进行皮尔逊相关功能连接计算，并用Fisher-z score标准化，即可得到对应的全脑功能连接矩阵，所述全脑功能连接矩阵中可以包括116个脑区与其他脑区之间的功能连接强度数据，因此也可以称为脑连接对数据。其中，皮尔逊相关功能连接计算和用Fisher-z score标准化的具体过程可以参考现有技术，本发明实施例在此不再赘述。
在一些可能的实施例中，所述基于所述全脑功能连接矩阵生成所述脑功能连接特征数据，可以包括：对所述全脑功能连接矩阵进行降维处理，得到低维度的脑连接对特征；获取所述待检测对象的第一属性特征和/或所述静息态功能磁共振影像的第二属性特征；根据所述脑连接对特征，以及所述第一属性特征和/或所述第二属性特征生成所述脑功能连接特征数据。
具体地，可以采用现有的降维处理方法，例如包括但不限于主成分分析方法等，对计算得到的脑连接对数据进行降维处理，得到脑连接对特征，本发明实施例对降维处理的方法不做具体限制。
可以理解，通过对所述全脑功能连接矩阵进行降维处理，来降低脑功能连接异常检测模型的输入数据维度，能够提高模型对高维数据的处理能力，同时提高脑功能连接异常检测的检测效率。
具体地，所述第一属性特征可以包括但不限于性别特征、年龄特征和/或地区特征等属性特征，本发明实施例对此不做具体限制。在实际应用中，可以从获取到的静息态fMRI影像中获取所述待检测对象的性别、年龄和/或地区等属性信息。针对不同的属性信息，可以采用不同的方式进行特征提取，得到对应的属性特征。
示例性地，针对年龄属性，由于其是一个连续的数值特征，因此可以直接将其作为所述待检测对象的属性特征。针对性别属性和地区属性，由于其都是分类特征，有多个类别，因此可以使用现有的编码方法，例如包括但不限于独热编码(One-Hot Encoding)等编码方法，来将这些分类特征转换为二进制特征，作为所述待检测对象的属性特征。
具体地，所述第二属性特征可以包括但不限于扫描设备特征等属性特征，本发明实施例对此不做具体限制。在实际应用中，可以从获取到的静息态fMRI影像中获取自身的扫描设备等属性信息。针对不同的属性信息，可以采用不同的方式进行特征提取，得到对应的属性特征。
示例性地，针对扫描设备属性，由于其是分类特征，有多个类别，因此可以使用现有的编码方法，例如包括但不限于独热编码(One-Hot Encoding)等编码方法，来将其转换为二进制特征，作为所述静息态fMRI影像的属性特征。
可以理解，通过将性别属性、地区属性和扫描设备属性等分类特征转换为二进制特征，可以避免模型将类别之间的距离考虑进去，而只需要关注是否属于某个特定类别即可，从而能够进一步提高模型对脑功能连接异常检测的检测效率。
具体地，在获取到所述脑连接对特征、所述第一属性特征和/或所述第二属性特征后，可以生成包括所述脑连接对特征，以及第一属性特征和/或第二属性特征的脑功能连接特征数据。
可以理解，通过基于低维度的脑连接对特征、第一属性特征和/或第二属性特征对待检测对象进行脑功能连接异常检测，能够准确地检测出脑功能连接的异常，提高异常检测结果的准确性和可靠性，并且检测速度较快，适用于处理大规模数据。
需要说明的是，上述利用脑连接对特征、第一属性特征和/或第二属性特征进行异常检测的实施例仅为示例，本发明实施例对用于异常检测的特征数据的类型不做具体限制，在实际应用中，本领域技术人员可以根据实际情况进行确定。
在一些可能的实施例中，也可以仅对计算得到的脑连接对数据进行降维处理，得到对应的低维度的脑连接对特征，作为脑功能连接特征数据。也就是说，所述脑功能连接特征数据可以仅包括脑连接对特征。
可以理解，仅通过基于低维度的脑连接对特征对待检测对象进行脑功能连接异常检测，能够进一步提高脑功能连接异常检测的检测效率。
在一些可能的实施例中，在所述步骤S320之前，所述方法还可以包括：对所述静息态功能磁共振影像进行预处理，得到预处理后的静息态功能磁共振影像。
本申请实施例中，在进行特征提取前，还可以对获取的静息态fMRI影像进行磁共振影像预处理，以解决影像强度分布因不同医学扫描设备的内在设置以及预处理参数不同而不统一的问题。
具体地，所述对所述静息态功能磁共振影像进行预处理，可以包括：对所述静息态功能磁共振影像进行头骨去除、图像畸变校正、运动校正、空间标准化、强度归一化、平滑处理、图像重采样和脑组织分割中的一种或多种处理。其中，对所述静息态fMRI影像进行上述一种或多种处理的具体实现过程可以参考现有技术，本发明实施例在此不再赘述。
相应地，所述对所述静息态功能磁共振影像进行特征提取，得到对应的脑功能连接特征数据，可以包括：对预处理后的静息态功能磁共振影像进行特征提取，得到对应的脑功能连接特征数据。具体的特征提取过程可以参考步骤S320中的特征提取过程，本发明实施例在此不再赘述。
S330：获取预先建立的脑功能连接异常检测模型，所述脑功能连接异常检测模型是通过利用多个正常脑部组织的静息态功能磁共振影像样本，对预先构建的初始检测模型进行无监督学习训练得到的。
本发明实施例中，可以基于所述脑功能连接特征数据，利用机器学习算法对所述待检测对象脑部进行脑功能连接异常检测，得到异常检测结果。
本发明实施例中，可以预先获取包括多个正常脑部组织的静息态fMRI影像样本的训练样本数据集，并提取各个所述静息态fMRI影像样本对应的脑功能连接特征数据样本，基于所述脑功能连接特征数据样本对预先构建的初始检测模型进行无监督学习训练，在训练过程中可以采用交叉验证的方法来调整模型参数，最终得到所述脑功能连接异常检测模型。
需要说明的是，训练脑功能连接异常检测模型所使用的脑功能连接特征数据样本中的特征数据的类型，与进行脑功能连接异常检测时提取的脑功能连接特征数据中的特征数据的类型可以均相同。
在一个可能的实施例中，所述训练样本数据集还可以包括多个病人脑部组织的静息态fMRI影像样本。在训练时，可以将正常脑部组织的静息态fMRI影像样本作为训练集，将病人脑部组织的静息态fMRI影像样本作为测试集。也可以将部分正常脑部组织的静息态fMRI影像样本作为训练集，将剩余正常脑部组织的静息态fMRI影像样本和病人脑部组织的静息态fMRI影像样本作为测试集。
在训练时，可以使用训练集对构建的初始检测模型进行无监督学习训练，以调整模型参数，使其能够检测脑功能连接的异常，得到脑功能连接异常检测模型。使用测试集对训练好的脑功能连接异常检测模型进行测试，评估其对脑功能连接异常的检测性能。当模型的检测性能满足要求时，结束训练，得到最终的脑功能连接异常检测模型；当模型的检测性能不满足要求时，可以对模型进行优化，如调整模型结构、改变数据预处理方式等，以提高模型的检测性能。其中，测试时评价模型的检测性能的评价指标可以包括但不限于平均精度(map)和召回率(recall)等。
需要说明的是，在使用部分正常脑部组织的静息态fMRI影像样本作为训练集的情况下，在训练时，还可以采用交叉验证的方法来调整模型参数，最终得到所述脑功能连接异常检测模型。
可以理解，通过基于正常脑部组织和病人脑部组织的脑功能连接数据来训练得到脑功能连接异常检测模型，能够提高模型在病人这个类别下的泛化能力，避免出现过拟合的情况。
具体地，所述初始检测模型可以为无监督学习模型，包括但不限于单类支持向量机(One-Class SVM)模型等，本发明实施例不对模型的结构进行具体限制。具体的模型训练方法将在后续进行详细描述。
在一个可能的实施例中，获取到训练样本数据集后，还可以对训练样本数据集中的静息态fMRI影像样本进行磁共振影像预处理，利用预处理后的训练样本数据集来训练得到脑功能连接异常检测模型。
具体地，所述进行磁共振影像预处理可以包括但不限于进行头骨去除、图像畸变校正、运动校正、空间标准化、强度归一化、平滑处理、图像重采样和脑组织分割中的一种或多种处理。其中，对所述静息态fMRI影像样本进行上述一种或多种处理的具体实现过程可以参考现有技术，本发明实施例在此不再赘述。
可以理解，通过对训练样本数据集中的静息态fMRI影像样本进行磁共振影像预处理，能够避免影像强度分布因不同医学扫描设备的内在设置以及预处理参数不同而不统一的问题。
S340：利用所述脑功能连接异常检测模型对所述脑功能连接特征数据进行处理，得到所述待检测对象脑部的异常检测结果。
本发明实施例中，可以将提取得到的脑功能连接特征数据作为输入项输入至所述脑功能连接异常检测模型，得到所述脑功能连接异常检测模型输出的异常检测结果。
具体地，所述异常检测结果可以包括所述待检测对象脑部的脑功能连接异常的结果和脑功能连接正常的结果，并且/或者，所述异常检测结果可以包括所述待检测对象脑部的脑功能连接特征数据与正常脑部组织的脑功能连接数据之间的差异。
在实际应用中，结合参考说明书附图4，若预先构建的初始检测模型为单类支持向量机模型，则在训练所述脑功能连接异常检测模型的过程中会产生一个超平面，以将所有的训练样本数据(即正常脑部组织的静息态fMRI影像样本)投影到特征空间上，同时尽可能远离原点。在使用所述脑功能连接异常检测模型对所述脑功能连接特征数据进行处理时，模型可以计算所述脑功能连接特征数据与超平面之间的距离，并根据设定的距离阈值来判断其是否属于异常数据。若判断所述脑功能连接特征数据属于异常数据，则可以确定所述待检测对象脑部的脑功能连接异常，否则可以确定所述待检测对象脑部的脑功能连接正常。其中，所述距离阈值可以根据实际需要进行预先设置，本发明实施例对此不做具体限制。
综上所述，根据本发明实施例的异常检测方法，通过利用多个正常脑部组织的静息态功能磁共振影像样本进行无监督学习训练，得到脑功能连接异常检测模型，并利用所述脑功能连接异常检测模型，对基于待检测对象脑部的静息态功能磁共振影像提取得到的脑功能连接特征数据进行处理，得到待检测对象脑部的异常检测结果。该方法只需要使用足够的健康人的脑功能连接数据即可训练得到脑功能连接异常检测模型，无需病人的脑功能连接数据，能够避免由于病人的数据获取困难、数据量少导致的模型检测性能问题，因而能够有效提高训练得到的模型对脑功能连接异常检测的准确性。利用所述脑功能连接异常检测模型能够快速准确地检测出脑功能连接的异常，并且提高异常检测结果的准确性和可靠性。
另外，通过采用无监督学习训练的方式，无需对训练样本数据标注标签，模型训练过程也不依赖于标签，因此能够简化模型训练过程，提高模型的训练速度，且不容易受到标签错误的影响。
在一个可能的实施例中，还可以将所述脑功能连接异常检测模型输出的异常检测结果进行可视化。示例性地，结合参考说明书附图5，由于单类支持向量机模型的目标是通过训练样本数据中的正常样本数据(健康人数据)来构建一个边界，将正常样本数据包围在这个边界内，而将异常样本数据(病人数据)视为在边界之外的异常。因此若预先构建的初始检测模型为单类支持向量机模型，则可以将所述待检测对象脑部的静息态fMRI影像对应的脑功能连接特征数据，与超平面中的正常组的边界之间的距离通过图像进行直观显示。
如图5所示，正常组中的各个数据远离原点，而异常组中的各个数据接近原点，若模型判断所述脑功能连接特征数据为正常数据，可以将划分在正常组中，若模型判断所述脑功能连接特征数据为异常数据，则可以将划分在异常组中，并标识其与正常组的边界之间的距离，作为其与正常脑部组织的脑功能连接数据之间的差异。
可以理解，通过将异常检测结果进行可视化，使得用户能够直观的确定最终的异常检测结果，便于进一步分析异常数据和健康数据之间的差异。
参考说明书附图6，其示出了本发明一个实施例提供的脑功能连接异常检测模型的训练方法的流程，具体的如图6所示，所述方法可以包括以下步骤：
S610：获取训练样本数据集，所述训练样本数据集包括多个正常脑部组织的静息态功能磁共振影像样本。
本发明实施例中，可以采集多个正常脑部组织(即健康人的脑部组织)的静息态fMRI影像样本，组成训练样本数据集。所述训练样本数据集中的静息态fMRI影像样本为扫描质量优、无运动伪影的影像样本。
示例性地，可以采用世界公开数据集fcon1000内公开的来自17个不同国家/城市的1000名健康人的脑部组织的静息态fMRI影像，作为训练样本数据集。
在一个可能的实施例中，还可以采集多个病人脑部组织的静息态fMRI影像样本，与多个正常脑部组织的静息态fMRI影像样本共同组成训练样本数据集。
示例性地，可以采集一批阿尔兹海默症患者脑部组织的静息态fMRI影像，抹去个人信息后作为训练样本数据。
在一个可能的实施例中，获取到训练样本数据集后，还可以对训练样本数据集中的静息态fMRI影像样本进行磁共振影像预处理，利用预处理后的训练样本数据集来训练脑功能连接异常检测模型，以解决影像强度分布因不同医学扫描设备的内在设置以及预处理参数不同而不统一的问题。
具体地，所述进行磁共振影像预处理可以包括但不限于进行头骨去除、图像畸变校正、运动校正、空间标准化、强度归一化、平滑处理、图像重采样和脑组织分割中的一种或多种处理。其中，对所述静息态fMRI影像样本进行上述一种或多种处理的具体实现过程可以参考现有技术，本发明实施例在此不再赘述。
S620：分别对各个所述静息态功能磁共振影像样本进行特征提取，得到对应的脑功能连接特征数据样本。
本发明实施例中，可以分别将所述训练样本数据集中的各个静息态fMRI影像样本(包括正常脑部组织的和病人脑部组织的静息态fMRI影像样本)进行皮尔逊相关功能连接计算，并用Fisher-z score标准化，得到对应的全脑功能连接矩阵样本。其中，皮尔逊相关功能连接计算和用Fisher-z score标准化的具体过程可以参考现有技术，本发明实施例在此不再赘述。
本发明实施例中，可以对计算得到的所述全脑功能连接矩阵样本进行降维处理，得到低维度的脑连接对特征样本。具体地，可以采用现有的降维处理方法，例如包括但不限于主成分分析方法等，对计算得到的所述全脑功能连接矩阵样本进行降维处理，得到脑连接对特征样本，本发明实施例对降维处理的方法不做具体限制。
可以理解，通过对所述全脑功能连接矩阵样本进行降维处理，来降低脑功能连接异常检测模型的训练数据维度，无需预先确定有效的特征维度，不仅降低了构建有效模型的难度，而且能够提高模型的训练速度，提高训练得到的模型对高维数据的处理能力，以及对脑功能连接异常检测的检测效率。
本发明实施例中，还可以获取各个静息态fMRI影像样本对应的采集对象的第一属性特征样本和/或各个静息态fMRI影像样本的第二属性特征样本；根据所述脑连接对特征样本，以及所述第一属性特征样本和/或所述第二属性特征样本生成所述脑功能连接特征数据样本。
其中，所述第一属性特征样本和所述第二属性特征样本的具体内容和提取方法可以参考图3所示实施例中第一属性特征和第二属性特征的具体内容和提取方法，本发明实施例在此不再赘述。
具体地，在获取到所述脑连接对特征样本、所述第一属性特征样本和/或所述第二属性特征样本后，可以生成包括所述脑连接对特征样本，以及第一属性特征样本和/或第二属性特征样本的脑功能连接特征数据。
可以理解，通过基于低维度的脑连接对特征样本、第一属性特征样本和/或第二属性特征样本来训练得到脑功能连接异常检测模型，能够提高训练得到的模型对脑功能连接异常检测的检测准确性和检测速度，使其适用于处理大规模数据。
需要说明的是，上述利用脑连接对特征样本、第一属性特征样本和/或第二属性特征样本训练脑功能连接异常检测模型的实施例仅为示例，本发明实施例对用于训练脑功能连接异常检测模型的特征数据的类型不做具体限制，在实际应用中，本领域技术人员可以根据实际情况进行确定。
在一些可能的实施例中，也可以仅对计算得到的所述全脑功能连接矩阵样本进行降维处理，得到对应的低维度的脑连接对特征样本，作为脑功能连接特征数据样本。也就是说，所述脑功能连接特征数据样本可以仅包括脑连接对特征样本。
可以理解，仅通过基于低维度的脑连接对特征样本来训练得到脑功能连接异常检测模型，能够进一步提高模型的训练速度，提高训练得到的模型对脑功能连接异常检测的检测效率。
S630：构建初始检测模型。
本发明实施例中，可以预先基于无监督学习算法构建初始检测模型，初始检测模型的构建过程可以参考现有技术，本发明实施例在此不再赘述。
具体地，所述初始检测模型可以为无监督学习模型，包括但不限于单类支持向量机模型等，本发明实施例不对模型的结构进行具体限制。
在实际应用中，所述初始检测模型优选地可以选择为单类支持向量机模型。其中，单类支持向量机是一种用于异常检测任务的机器学习算法。由于单类支持向量机模型具有专门用于处理少数类问题、在高维特征空间表现较好、不需要明确的异常标签来训练模型的算法特性，因此可以简单高效地进行大规模数据的训练和预测，在没有病人的脑功能连接数据或者病人的脑功能连接数据数量较少的情况下可以较好地完成异常检测任务。
具体地，作为一种无监督学习算法，单类支持向量机的目标是通过训练样本数据中的正常样本数据(健康人数据)来构建一个边界，将正常样本数据包围在这个边界内，而将异常样本数据(病人数据)视为在边界之外的异常。因此，单类支持向量机适用于只有一个类别的数据集，而无需明确的异常标签。
单类支持向量机的目标是寻找一个超平面(如图4所示)，将所有的训练样本数据投影到特征空间上，同时尽可能远离原点。假设训练样本数据为{x1,x2,...,xn}，其中xi是脑功能连接特征数据样本，则可以表示单类支持向量机的优化目标为：
最小化：
约束条件：ωTφ(xi)≥ρ-ξi,ξi≥0
其中，ω是超平面的法向量(模型的权重向量)，φ(xi)是数据点xi在特征空间的映射，ξi是松弛变量，用于处理非线性可分的情况，ρ是决策函数的阈值，用于将数据点分类为正常或异常。
在优化目标的式子中，第一项是间隔最大化，即最小化超平面到数据点的距离，使得正常样本数据尽可能远离原点。第二项/>是松弛变量的和，用于允许一些样本数据落在超平面的错误一侧，用于处理噪声或非线性可分的情况。最后一项ρ是阈值。
具体地，单类支持向量机模型的具体参数主要包括但不限于以下几个参数：
核函数(Kernel)：不同的核函数决定了数据在高维空间中的映射方式，影响模型的性能，如线性核函数、径向基核函数(Radial Basis Function，RBF)等。
核函数参数：使用了核函数后可能需要设置相应的参数，如RBF核函数的gamma参数。不同的参数值会影响模型的性能和复杂度。
ν(Nu)参数：ν参数控制支持向量的个数，即决定异常样本数据的比例。它的取值范围在(0,1]，一般来说，ν越小，模型对异常样本数据的容忍度越高。
松弛变量(C)：松弛变量控制数据点可以有多大的误差容忍度。它的设置会影响模型的泛化性能。在实际应用中，可以根据交叉验证来选择合适的C值。
需要说明的是，上述单类支持向量机模型的具体参数仅为示例，本发明实施例对模型参数的数量和类型不做具体限制，在实际应用中，本领域技术人员可以根据实际情况进行确定。
具体地，单类支持向量机模型应用于脑功能连接异常检测至少具有以下优点：
(1)无监督学习：单类支持向量机是一种无监督学习算法，它不需要明确的异常标签来训练模型，只需要足够的健康人的脑功能连接数据，无需标记病人数据。
(2)适用于少数类问题：单类支持向量机是专门用于处理少数类问题的算法，适用于现实情况中病人的脑功能连接数据较少的情况。
(3)所需样本量较小：单类支持向量机不需要大量的病人的脑功能连接数据样本，只需要足够的健康人的脑功能连接数据样本来构建一个边界，以区分正常数据和异常数据。
(4)适用于处理高维数据：脑功能连接数据通常具有较高的维度，单类支持向量机在高维特征空间中表现良好。
(5)异常检测结果准确性高：单类支持向量机可以用于异常检测任务，它在预测新数据是否属于已知类别(即正常数据)之外的类别(即异常数据)时表现较好。
(6)泛化能力好：单类支持向量机具有良好的泛化能力，能够在新数据(即病人的脑功能连接数据)上进行准确的预测。
(7)不依赖标签：单类支持向量机的训练过程不依赖于标签，因此不容易受到标签错误的影响。
(8)简单高效：单类支持向量机训练和预测速度较快，适用于处理大规模数据。
可以理解，通过运用单类支持向量机模型，可以在不需要标签的前提下通过大量健康人的脑功能连接数据样本来训练脑功能连接异常检测模型，进而利用训练得到的模型进行脑功能连接的异常检测，能够在减少计算复杂度的同时在高维空间对线性难以区分的脑功能连接数据进行区分，得到更加准确的异常检测结果。
S640：以各个所述静息态功能磁共振影像样本对应的脑功能连接特征数据样本为输入数据，对所述初始检测模型进行无监督学习训练，得到所述脑功能连接异常检测模型。
本发明实施例中，可以利用所述训练样本数据集中的各个正常脑部组织的静息态fMRI影像样本对应的脑功能连接特征数据样本，直接对预先构建的初始检测模型进行无监督学习训练。在训练过程中，设置模型参数(例如在采用单类支持向量机模型时，模型参数可以包括但不限于核函数、核函数参数和惩罚参数等)并采用交叉验证的方法来调整模型参数以优化模型性能，最终得到所述脑功能连接异常检测模型。
需要说明的是，本发明实施例中，模型训练过程的具体内容可以参考现有技术，本发明实施例在此不再赘述。
可以理解，通过使用足够的健康人的脑功能连接数据样本来训练得到脑功能连接异常检测模型，无需病人的脑功能连接数据，能够避免由于病人的数据获取困难、数据量少导致的模型检测性能问题，因而能够有效提高训练得到的模型对脑功能连接异常检测的准确性，提高模型的检测性能。
在一些可能的实施例中，在所述训练样本数据集中还包括多个病人脑部组织的静息态fMRI影像样本的情况下，在训练时，可以将正常脑部组织的静息态fMRI影像样本作为训练集，将病人脑部组织的静息态fMRI影像样本作为测试集。或者，也可以将部分正常脑部组织的静息态fMRI影像样本作为训练集，将剩余正常脑部组织的静息态fMRI影像样本和病人脑部组织的静息态fMRI影像样本作为测试集。
在训练时，可以使用训练集对预先构建的初始检测模型进行无监督学习训练，以调整模型参数，使其能够检测脑功能连接的异常，得到脑功能连接异常检测模型。使用测试集对训练好的脑功能连接异常检测模型进行测试，评估其对脑功能连接异常的检测性能。在测试时，模型会计算测试集中的静息态fMRI影像样本对应的脑功能连接特征数据样本与超平面之间的距离，根据设定的距离阈值来判断其是否属于异常数据。其中，所述距离阈值可以根据实际需要进行预先设置，本发明实施例对此不做具体限制。
具体地，当模型的检测性能满足要求时，结束训练，得到最终的脑功能连接异常检测模型；当模型的检测性能不满足要求时，可以对模型进行优化，如调整模型结构、改变数据预处理方式等，以提高模型的检测性能。其中，测试时评价模型的检测性能的评价指标可以包括但不限于平均精度(map)和召回率(recall)等。
需要说明的是，在使用部分正常脑部组织的静息态fMRI影像样本作为训练集的情况下，在训练时，还可以采用交叉验证的方法来调整模型参数，最终得到所述脑功能连接异常检测模型。在需要的情况下，还可以手动对模型参数进行进一步调优，以获得更好的异常检测性能。
可以理解，通过基于正常脑部组织和病人脑部组织的脑功能连接数据来训练得到脑功能连接异常检测模型，能够提高训练得到的模型在病人这个类别下的泛化能力，避免出现过拟合的情况，使其更加适用于病人数据较少的实际情况。另外，利用训练得到的脑功能连接异常检测模型能够快速准确地检测出脑功能连接的异常，并且提高异常检测结果的准确性和可靠性。
需要说明的是，本发明实施例中的其他内容可以参考图3至图5所示实施例所提供的异常检测方法的具体内容，本发明实施例在此也不再赘述。
参考说明书附图7，其示出了本发明一个实施例提供的一种异常检测装置700的结构。如图7所示，所述装置700可以包括：
影像获取模块710，用于获取待检测对象脑部的静息态功能磁共振影像；
特征提取模块720，用于对所述静息态功能磁共振影像进行特征提取，得到对应的脑功能连接特征数据；
模型获取模块730，用于获取预先建立的脑功能连接异常检测模型，所述脑功能连接异常检测模型是通过利用多个正常脑部组织的静息态功能磁共振影像样本，对预先构建的初始检测模型进行无监督学习训练得到的；
异常检测模块740，用于利用所述脑功能连接异常检测模型对所述脑功能连接特征数据进行处理，得到所述待检测对象脑部的异常检测结果。
在一个可能的实施例中，所述装置700还可以包括：
预处理模块，用于对所述静息态功能磁共振影像进行预处理，得到预处理后的静息态功能磁共振影像；
所述特征提取模块720可以用于对预处理后的静息态功能磁共振影像进行特征提取，得到对应的脑功能连接特征数据。
在一个可能的实施例中，所述装置700还可以包括模型训练模块，用于预先训练所述脑功能连接异常检测模型；
所述模型训练模块可以包括：
样本数据获取单元，用于获取训练样本数据集，所述训练样本数据集包括多个正常脑部组织的静息态功能磁共振影像样本；
特征提取单元，用于分别对各个所述静息态功能磁共振影像样本进行特征提取，得到对应的脑功能连接特征数据样本；
模型构建单元，用于构建初始检测模型；
模型训练单元，用于以各个所述静息态功能磁共振影像样本对应的脑功能连接特征数据样本为输入数据，对所述初始检测模型进行无监督学习训练，得到所述脑功能连接异常检测模型。
需要说明的是，上述实施例提供的装置，在实现其功能时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的装置与相应方法实施例属于同一构思，其具体实现过程详见对应方法实施例，这里不再赘述。
本发明一个实施例还提供了一种电子设备，该电子设备包括处理器和存储器，该存储器中存储有至少一条指令或至少一段程序，该至少一条指令或该至少一段程序由该处理器加载并执行以实现如上述方法实施例所提供的异常检测方法。
图存储器可用于存储软件程序以及模块，处理器通过运行存储在存储器的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、功能所需的应用程序等；存储数据区可存储根据所述设备的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器还可以包括存储器控制器，以提供处理器对存储器的访问。
在一个具体的实施例中，图8示出了一种用于实现本发明实施例所提供的异常检测方法的电子设备的硬件结构示意图，所述电子设备可以为计算机终端、移动终端或其它设备，所述电子设备还可以参与构成或包含本发明实施例所提供的异常检测装置。如图8所示，所述电子设备800可以包括一个或一个以上计算机可读存储介质的存储器810、一个或者一个以上处理核心的处理器820、输入单元830、显示单元840、射频(Radio Frequency，RF)电路850、无线保真(wireless fidelity，WiFi)模块860以及电源870等部件。本领域技术人员可以理解，图8中示出的电子设备结构并不构成对电子设备800的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
其中：
所述存储器810可用于存储软件程序以及模块，所述处理器820通过运行或执行存储在所述存储器810的软件程序以及模块，以及调用存储在存储器810内的数据，从而执行各种功能应用以及数据处理。所述存储器810可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据所述电子设备的使用所创建的数据等。此外，存储器810可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器810还可以包括存储器控制器，以提供处理器820对存储器810的访问。
所述处理器820是电子设备800的控制中心，利用各种接口和线路连接整个电子设备的各个部分，通过运行或执行存储在存储器810内的软件程序和/或模块，以及调用存储在存储器810内的数据，执行电子设备800的各种功能和处理数据，从而对电子设备800进行整体监控。所述处理器820可以是中央处理器，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific IntegratedCircuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述输入单元830可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。具体地，输入单元830可包括触敏表面831以及其他输入设备832。具体地，触敏表面831可以包括但不限于触感板或者触摸屏，其他输入设备832可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。
所述显示单元840可用于显示由用户输入的信息或提供给用户的信息以及电子设备的各种图形用户接口，这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。显示单元840可包括显示面板841，可选的，可以采用液晶显示器(Liquid CrystalDisplay，LCD)、有机发光二极管(Organic Light-Emitting Diode，OLED)等形式来配置显示面板841。
所述RF电路850可用于收发信息或通话过程中，信号的接收和发送，特别地，将基站的下行信息接收后，交由一个或者一个以上处理器820处理；另外，将涉及上行的数据发送给基站。通常，RF电路850包括但不限于天线、至少一个放大器、调谐器、一个或多个振荡器、用户身份模块(SIM)卡、收发信机、耦合器、低噪声放大器(Low Noise Amplifier，LNA)、双工器等。此外，RF电路850还可以通过无线通信与网络和其他设备通信。所述无线通信可以使用任一通信标准或协议，包括但不限于全球移动通讯系统(Global System of Mobilecommunication，GSM)、通用分组无线服务(General Packet Radio Service，GPRS)、码分多址(Code Division Multiple Access，CDMA)、宽带码分多址(Wideband Code DivisionMultiple Access，WCDMA)、长期演进(Long Term Evolution，LTE)、电子邮件、短消息服务(Short Messaging Service，SMS)等。
WiFi属于短距离无线传输技术，电子设备800通过WiFi模块860可以帮助用户收发电子邮件、浏览网页和访问流式媒体等，它为用户提供了无线的宽带互联网访问。虽然图8示出了WiFi模块860，但是可以理解的是，其并不属于电子设备800的必须构成，完全可以根据需要在不改变发明的本质的范围内而省略。
所述电子设备800还包括给各个部件供电的电源870(比如电池)，优选的，电源可以通过电源管理系统与处理器820逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源870还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
需要说明的是，尽管未示出，所述电子设备800还可以包括蓝牙模块等，在此不再赘述。
本发明一个实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质可设置于电子设备之中以保存用于实现一种异常检测方法相关的至少一条指令或至少一段程序，该至少一条指令或该至少一段程序由该处理器加载并执行以实现上述方法实施例提供的异常检测方法。
可选地，在本发明实施例中，上述存储介质可以包括但不限于：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本发明一个实施例还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各种可选实现例中提供的异常检测方法。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种异常检测方法，其特征在于，包括：
获取待检测对象脑部的静息态功能磁共振影像；
对所述静息态功能磁共振影像进行特征提取，得到对应的脑功能连接特征数据；
获取预先建立的脑功能连接异常检测模型，所述脑功能连接异常检测模型是通过利用多个正常脑部组织的静息态功能磁共振影像样本，对预先构建的初始检测模型进行无监督学习训练得到的；
利用所述脑功能连接异常检测模型对所述脑功能连接特征数据进行处理，得到所述待检测对象脑部的异常检测结果。
2.根据权利要求1所述的方法，其特征在于，所述对所述静息态功能磁共振影像进行特征提取，得到对应的脑功能连接特征数据，包括：
对所述静息态功能磁共振影像进行皮尔逊相关分析，得到对应的全脑功能连接矩阵；
基于所述全脑功能连接矩阵生成所述脑功能连接特征数据。
3.根据权利要求2所述的方法，其特征在于，所述基于所述全脑功能连接矩阵生成所述脑功能连接特征数据，包括：
对所述全脑功能连接矩阵进行降维处理，得到低维度的脑连接对特征；
获取所述待检测对象的第一属性特征和/或所述静息态功能磁共振影像的第二属性特征；
根据所述脑连接对特征，以及所述第一属性特征和/或所述第二属性特征生成所述脑功能连接特征数据。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
对所述静息态功能磁共振影像进行预处理，得到预处理后的静息态功能磁共振影像；
其中，所述对所述静息态功能磁共振影像进行特征提取，得到对应的脑功能连接特征数据，包括：
对预处理后的静息态功能磁共振影像进行特征提取，得到对应的脑功能连接特征数据。
5.根据权利要求4所述的方法，其特征在于，所述对所述静息态功能磁共振影像进行预处理，包括：
对所述静息态功能磁共振影像进行头骨去除、图像畸变校正、运动校正、空间标准化、强度归一化、平滑处理、图像重采样和脑组织分割中的一种或多种处理。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括预先训练所述脑功能连接异常检测模型，所述脑功能连接异常检测模型的训练过程包括：
获取训练样本数据集，所述训练样本数据集包括多个正常脑部组织的静息态功能磁共振影像样本；
分别对各个所述静息态功能磁共振影像样本进行特征提取，得到对应的脑功能连接特征数据样本；
构建初始检测模型；
以各个所述静息态功能磁共振影像样本对应的脑功能连接特征数据样本为输入数据，对所述初始检测模型进行无监督学习训练，得到所述脑功能连接异常检测模型。
7.根据权利要求1或6所述的方法，其特征在于，所述初始检测模型包括单类支持向量机模型。
8.一种异常检测装置，其特征在于，包括：
影像获取模块，用于获取待检测对象脑部的静息态功能磁共振影像；
特征提取模块，用于对所述静息态功能磁共振影像进行特征提取，得到对应的脑功能连接特征数据；
模型获取模块，用于获取预先建立的脑功能连接异常检测模型，所述脑功能连接异常检测模型是通过利用多个正常脑部组织的静息态功能磁共振影像样本，对预先构建的初始检测模型进行无监督学习训练得到的；
异常检测模块，用于利用所述脑功能连接异常检测模型对所述脑功能连接特征数据进行处理，得到所述待检测对象脑部的异常检测结果。
9.一种电子设备，其特征在于，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由所述处理器加载并执行以实现如权利要求1-7任意一项所述的异常检测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有至少一条指令或至少一段程序，所述至少一条指令或至少一段程序由处理器加载并执行以实现如权利要求1-7任意一项所述的异常检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311226331.2A CN117218096A (zh) | 2023-09-21 | 2023-09-21 | 一种异常检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311226331.2A CN117218096A (zh) | 2023-09-21 | 2023-09-21 | 一种异常检测方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117218096A true CN117218096A (zh) | 2023-12-12 |
Family
ID=89047854
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311226331.2A Pending CN117218096A (zh) | 2023-09-21 | 2023-09-21 | 一种异常检测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117218096A (zh) |
-
2023
- 2023-09-21 CN CN202311226331.2A patent/CN117218096A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111107783B (zh) | 用于计算机辅助分诊的方法和系统 | |
| US20190279363A1 (en) | Medical evaluation machine learning workflows and processes | |
| CN104424386A (zh) | 基于多参数磁共振影像的前列腺癌计算机辅助识别系统 | |
| Karthika et al. | Raspberry Pi-enabled Wearable Sensors for Personal Health Tracking and Analysis | |
| KR20180002234A (ko) | 치매 조기 진단을 위한 스마트 검사장치 및 그 방법 | |
| Han et al. | Application of an anomaly detection model to screen for ocular diseases using color retinal fundus images: design and evaluation study | |
| CN113628207B (zh) | 一种图像区域分割方法、装置、设备及存储介质 | |
| US11227684B2 (en) | Systems and methods for processing electronic images for health monitoring and forecasting | |
| Sethanan et al. | Double AMIS-ensemble deep learning for skin cancer classification | |
| US11721023B1 (en) | Distinguishing a disease state from a non-disease state in an image | |
| CN112334070A (zh) | 医用图像处理装置和方法、机器学习系统、程序以及存储介质 | |
| CN116863522A (zh) | 痤疮分级方法、装置、设备及介质 | |
| CN115579104A (zh) | 一种基于人工智能的肝癌全病程数字化管理方法及系统 | |
| US20130282396A1 (en) | System and method for deploying multiple clinical decision support models | |
| Pradhan et al. | A classification-based sensor data processing method for the internet of things assimilated wearable sensor technology | |
| Nisha et al. | A novel method to improve inter-clinician variation in the diagnosis of retinopathy of prematurity using machine learning | |
| Liu | A Bayesian deep learning network system based on edge computing | |
| Alshayeji et al. | Two-stage framework for diabetic retinopathy diagnosis and disease stage screening with ensemble learning | |
| CN117218096A (zh) | 一种异常检测方法、装置、设备及存储介质 | |
| Raza et al. | Enhancing brain tumor classification with transfer learning: Leveraging DenseNet121 for accurate and efficient detection | |
| Mishra et al. | Artificial intelligence changing the future of healthcare diagnostics | |
| CN115526882A (zh) | 一种医学图像的分类方法、装置、设备及存储介质 | |
| CN115019924A (zh) | 应用人工智能健康机器人的健康数据采集和分析方法 | |
| Rippon et al. | Artificial intelligence in wound care: diagnosis, assessment and treatment of hard-to-heal wounds: a narrative review | |
| CN113990514A (zh) | 医师诊疗行为的异常检测装置、计算机设备及存储介质 |
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 |