CN117350352A - 结构脑网络到功能连通性网络的学习方法、系统和设备 - Google Patents
结构脑网络到功能连通性网络的学习方法、系统和设备 Download PDFInfo
- Publication number
- CN117350352A CN117350352A CN202311657308.9A CN202311657308A CN117350352A CN 117350352 A CN117350352 A CN 117350352A CN 202311657308 A CN202311657308 A CN 202311657308A CN 117350352 A CN117350352 A CN 117350352A
- Authority
- CN
- China
- Prior art keywords
- network
- connectivity network
- connectivity
- initial
- brain
- 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.)
- Granted
Links
- 210000004556 brain Anatomy 0.000 title claims abstract description 147
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 86
- 238000003384 imaging method Methods 0.000 claims abstract description 26
- 238000002599 functional magnetic resonance imaging Methods 0.000 claims abstract description 18
- 230000000284 resting effect Effects 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 53
- 230000004927 fusion Effects 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000007499 fusion processing Methods 0.000 claims description 9
- 230000008485 antagonism Effects 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 230000002776 aggregation Effects 0.000 abstract description 6
- 238000004220 aggregation Methods 0.000 abstract description 6
- 238000004458 analytical method Methods 0.000 description 10
- 208000014644 Brain disease Diseases 0.000 description 7
- 238000012937 correction Methods 0.000 description 6
- 230000000877 morphologic effect Effects 0.000 description 6
- 210000004884 grey matter Anatomy 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 230000001537 neural effect Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000004886 head movement Effects 0.000 description 2
- 238000002610 neuroimaging Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 208000024827 Alzheimer disease Diseases 0.000 description 1
- 208000012902 Nervous system disease Diseases 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 208000010877 cognitive disease Diseases 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- 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
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明涉及图像数据处理技术领域，具体为结构脑网络到功能连通性网络的学习方法、系统和设备，将T1加权成像的结构脑网络中影像组学特征和脑区间连通性拓扑结构进行不同空间不同通道维度的信息聚合，可有效捕捉到高维度的脑区图像特征，得到初始连通性网络；同时，在不扫描标准静息态功能磁共振成像的情况下，获得标准功能连通性网络；并通过控制初始连通性网络与标准功能连通性网络的特征差异，以及初始连通性网络经多空间尺度特征处理后得到的优化初始连通性网络，与结构脑网络的特征差异，让初始连通性网络中的影像结构表达与标准功能连通性网络更接近，提升T1加权成像的结构脑网络的关键信息表达性能。
Description
技术领域
本发明涉及图像数据处理技术领域，具体为结构脑网络到功能连通性网络的学习方法、系统和设备。
背景技术
如何理解人脑结构和功能连接之间的关系是神经科学领域的一个基本问题，由于大脑结构和功能网络在不同的角度描述大脑的拓扑结构，因此结合跨模态信息探索不同的脑网络表示具有重要的临床意义。通过研究功能脑网络，我们可以更好的理解大脑的功能组织和信息传递机制，对认知和神经系统疾病的发展有重要的启示。功能脑网络的形成与功能磁共振成像息息相关，功能磁共振成像作为一种非侵入性的神经影像技术，通过测量血氧水平的变化来间接的反映大脑的神经活动，随着神经影像技术的不断发展，功能磁共振成像已经成为研究大脑功能连通性网络的重要工具。
然而，由于功能磁共振成像数据在采集时较为困难，需要考虑头部运动、噪声干扰等多因素的影响，导致功能磁共振成像在脑疾病临床应用分析的推广一直受阻，需要去寻找其他能够代替功能磁共振成像的数据，去进行大脑功能连通性网络的研究分析，推动图像处理技术在脑疾病临床研究的进步。
相比于扩散核磁共振成像，结构磁共振成像，尤其是T1加权成像（T1-WeightedImage,T1WI）作为一种常规的临床采集序列，提供了一种能够有效表征大脑结构网络的图像，使得在个体水平上基于T1加权成像的形态脑网络预测学习功能连通性网络成为可能。T1加权成像的形态脑网络中含有丰富的脑区强度和纹理等属性复杂的特征，可用于关键信息的提取和利用，但是形态脑网络中存在大量的冗余和无效连接，以及仅考虑个体水平上成对大脑区域之间的相互作用，而不考虑多个脑区域之间的高阶关系，这些阻碍了脑部关键信息的表达，导致形态脑网络直接用于脑疾病临床分析的效率和准确度均较低。
发明内容
本发明的目的是提供结构脑网络到功能连通性网络的学习方法、系统和设备。
本发明技术方案如下：
一种结构脑网络到功能连通性网络的学习方法，包括如下操作：
S1、基于获取的待检者的T1加权成像，得到结构脑网络；基于获取的标准静息态功能磁共振成像，得到标准功能连通性网络；
S2、所述结构脑网络经第一多空间尺度特征处理，得到初始连通性网络；所述初始连通性网络经第二多空间尺度特征处理，得到优化初始连通性网络；
获取所述初始连通性网络与标准功能连通性网络的损失熵，以及优化初始连通性网络与标准功能连通性网络的损失熵，经求和处理，得到特征损失熵；
当所述特征损失熵小于第一阈值时，输出初始连通性网络作为学习连通性网络。
作为一种优选的实施方式，所述初始连通性网络、优化初始连通性网络和标准功能连通性网络，分别依次经第一多通道特征提取处理、多层融合处理、卷积处理和全连接处理，分别得到初始增强连通性网络、优化增强初始连通性网络和增强标准功能连通性网络；获取所述初始连通性网络与标准功能连通性网络的均方方差损失熵，所述优化初始连通性网络与结构脑网络的均方方差损失熵，所述初始增强连通性网络和增强标准功能连通性网络的生成对抗损失熵，所述优化增强初始连通性网络与增强标准功能连通性网络的生成对抗损失熵，分别作为第一均方方差损失熵、第二均方方差损失熵、第一生成对抗损失熵、第二生成对抗损失熵后，与所述初始连通性网络与标准功能连通性网络的整体脑区域损失熵和局部脑区域损失熵，经求和处理，得到网络相似性损失熵；当所述网络相似性损失熵小于第二阈值时，输出初始连通性网络作为所述学习连通性网络。
所述第一多通道特征提取处理的操作具体为：将输入特征图经图像多通道转化处理，得到多个不同通道大小的通道初始连通性网络；所有通道初始连通性网络分别依次进行卷积处理、归一化处理和非线性处理，得到的所有通道中级连通性网络，经拼接处理，得到第一多通道特征图；所述第一多通道特征图用于执行所述多层融合处理的操作。
所述多层融合处理的操作具体为：将所述第一多通道特征图中，任意两个通道中级连通性网络，进行点乘处理后，与所述第一多通道特征图进行点乘处理，得到融合多通道特征图；所述融合多通道特征图与第一多通道特征图经逐元素相加处理，得到多层融合特征图；所述多层融合特征图用于执行所述卷积处理的操作。
所述第一均方方差损失熵可由如下公式得到：
，为所述第一均方方差损
失熵，fcn i-i,j 为初始增强连通性网络中第i个脑区域与第j个脑区域的连通性，FCNi,j为标
准功能连通性网络中第i个脑区域与第j个脑区域的连通性，N为脑区域总数。
所述S2中第一多空间尺度特征处理的操作具体为：所述结构脑网络经图像多空间转化处理，得到多个不同空间大小的空间结构脑网络；所有空间结构脑网络分别经第二多通道特征提取处理，得到的所有第二多通道特征图经加权处理，得到所述初始连通性网络。
所述S2中特征损失熵可通过如下公式得到：
，
，
，
Loss 1 为所述特征损失熵，L cyc_tar 为所述初始连通性网络与标准功能连通性网络的损失熵，L cyc_org 为所述优化初始连通性网络与标准功能连通性网络的损失熵，FCN为所述标准功能连通性网络，fcn 1 为所述初始连通性网络，fcn 2 为优化初始连通性网络，radMBN为结构脑网络，E()为期望函数，为L1范式函数。
一种结构脑网络到功能连通性网络的学习系统，包括：
结构脑网络和标准功能连通性网络生成模块，用于基于获取的待检者的T1加权成像，得到结构脑网络；基于获取的标准静息态功能磁共振成像，得到标准功能连通性网络；
优化初始连通性网络生成及特征损失熵判断模块，用于所述结构脑网络经第一多空间尺度特征处理，得到初始连通性网络；所述初始连通性网络经第二多空间尺度特征处理，得到优化初始连通性网络；获取所述初始连通性网络与标准功能连通性网络的损失熵，以及优化初始连通性网络与标准功能连通性网络的损失熵，经求和处理，得到特征损失熵；当所述特征损失熵小于第一阈值时，输出初始连通性网络作为学习连通性网络。
一种结构脑网络到功能连通性网络的学习设备，包括处理器和存储器，其中，所述处理器执行所述存储器中保存的计算机程序时实现上述的结构脑网络到功能连通性网络的学习方法。
一种计算机可读存储介质，用于存储计算机程序，其中，所述计算机程序被处理器执行时实现上述的结构脑网络到功能连通性网络的学习方法。
本发明的有益效果在于：
本发明提供的一种结构脑网络到功能连通性网络的学习方法，将T1加权成像的结构脑网络中影像组学特征和脑区间连通性拓扑结构进行不同空间不同通道维度的信息聚合，可有效捕捉到高维度的脑区图像特征，得到初始连通性网络；同时，在不扫描标准静息态功能磁共振成像的情况下，获得标准功能连通性网络；并通过控制初始连通性网络与标准功能连通性网络的特征差异，以及初始连通性网络经多空间尺度特征处理后得到的优化初始连通性网络，与结构脑网络的特征差异，让初始连通性网络中的影像结构表达与标准功能连通性网络更接近，从而提升T1加权成像的结构脑网络的关键信息表达性能，进而提升其在脑疾病临床分析的效率和准确度。
具体实施方式
本实施例提供一种结构脑网络到功能连通性网络的学习方法，包括如下操作：
S1、基于获取的待检者的T1加权成像，得到结构脑网络；基于获取的标准静息态功能磁共振成像，得到标准功能连通性网络；
S2、所述结构脑网络经第一多空间尺度特征处理，得到初始连通性网络；所述初始连通性网络经第二多空间尺度特征处理，得到优化初始连通性网络；获取所述初始连通性网络与标准功能连通性网络的损失熵，以及优化初始连通性网络与标准功能连通性网络的损失熵，经求和处理，得到特征损失熵；当所述特征损失熵小于第一阈值时，输出初始连通性网络作为学习连通性网络。
S1、基于获取的待检者的T1加权成像，得到结构脑网络；基于获取的标准静息态功能磁共振成像，得到标准功能连通性网络；
获取T1加权成像。首先，采集格式为医学数字成像和通信（Digital Imaging andCommunications in Medicine，DICOM）的待检者脑部T1加权成像（T1-weighted image，T1WI），接着将DICOM格式的T1加权成像转化为神经影像信息学技术倡议（NeuroimagingInformatics Technology Initiative，NIFTI）格式的三维图像，并删除了患者隐私数据，用于后续处理分析。
得到结构脑网络的操作为：T1加权成像经灰质分割处理后，提取不同脑区的纹理特征和强度特征，得到影像组学特征；影像组学特征经过皮尔逊相关性处理和L2,1范式处理，得到形态学脑网络。灰质分割处理的操作之前还包括对T1加权成像依次进行逆行N4偏差矫正、线性配准和非线性配准处理。
具体为，将T1加权成像进行逆行N4偏差矫正后，进行线性配准和非线性配准到MNI152标准空间中，使用CAT12工具箱进行灰质分割处理，计算整个大脑的灰质体积，得到灰质图像；接着，利用AAL图谱中的脑区位置信息，提取灰质图像中对应的90个脑区、每个脑区25维的纹理特征和强度特征，得到影像组学特征；接着，对影像组学特征进行皮尔逊相关性处理和L2,1范式处理后，得到形态学脑网络。
得到标准功能连通性网络的操作为：将标准静息态功能磁共振成像进行时间层矫正、头动矫正、归一化、平滑和空间配准处理，提取不同脑区的时间序列特征后，进行皮尔逊相关性处理和L2,1范式处理，得到标准功能连通性网络。
具体为，利用spm12工具将采集的标准静息态功能磁共振成像进行时间层矫正、头动矫正、归一化、平滑和空间配准后，利用AAL图谱的脑区位置，提取配准后标准静息态功能磁共振成像对应90个脑区位置的时间序列特征，再进行皮尔逊相关性处理和L2,1范式函数计算处理，得到标准功能连通性网络。
S2、结构脑网络经第一多空间尺度特征处理，得到初始连通性网络；初始连通性网络经第二多空间尺度特征处理，得到优化初始连通性网络；获取初始连通性网络与标准功能连通性网络的损失熵，以及优化初始连通性网络与标准功能连通性网络的损失熵，经求和处理，得到特征损失熵；当特征损失熵小于第一阈值时，输出初始连通性网络作为学习连通性网络。
第一多空间尺度特征处理的操作为：结构脑网络经图像多空间转化处理，得到多个不同空间大小的空间结构脑网络；所有空间结构脑网络分别经第二多通道特征提取处理，得到的所有第二多通道特征图经加权处理，得到初始连通性网络。第二多通道特征提取处理的操作为：将空间结构脑网络经图像多通道转化处理，得到多个不同通道大小的通道结构脑网络；所有通道结构脑网络分别依次进行卷积处理、归一化处理和非线性处理，得到的所有通道结构脑网络特征与各自对应的学习参数相乘后，再进行求和处理，得到第二多通道特征图。以单个通道结构脑网络为例，通道结构脑网络依次进行卷积处理、归一化处理和非线性处理，得到通道结构脑网络特征，以此类推，得到的所有通道结构脑网络特征，与各自对应的学习参数相乘后，再进行求和处理，得到第二多通道特征图。
第一多空间尺度特征处理可以实现结构脑网络中影像组学特征与脑区间连通性拓扑结构在不同空间上和不同通道上的信息聚合，得到信息丰富、信息表达效果好的初始连通性网络。
为进一步提升第一多空间尺度特征处理效果，所有通道结构脑网络分别依次进行卷积处理、归一化处理和非线性处理的次数可以为多次。
第二多空间尺度特征处理的操作与第一多空间尺度特征处理的操作相同，为节省篇幅，因此不在此过度叙述。
特征损失熵可通过如下公式得到：
，
，
，
Loss 1 为特征损失熵，L cyc_tar 为初始连通性网络与标准功能连通性网络的损失熵，L cyc_org 为优化初始连通性网络与标准功能连通性网络的损失熵，FCN为标准功能连通性网络，fcn 1 为初始连通性网络，fcn 2 为优化初始连通性网络，radMBN为结构脑网络，E()为期望函数，为L1范式函数。
当特征损失熵大于第一阈值时，说明此时的初始连通性网络与标准功能连通性网络之间的相似度相差较大，此时初始连通性网络的信息表达能力较弱，因此需重新将结构脑网络进行第一多空间尺度特征处理，以获得信息表达能力和标准功能连通性网络的输出；当特征损失熵小于第一阈值时，证明此时初始连通性网络与标准功能连通性网络之间的相似度较高，表达效果好，输出此时的初始连通性网络，作为可用于脑疾病特征分析的学习连通性网络。
进一步的，为提高输出的初始连通性网络与标准功能连通性网络的相似性，初始连通性网络、优化初始连通性网络和标准功能连通性网络，分别依次经第一多通道特征提取处理、多层融合处理、卷积处理和全连接处理，分别得到初始增强连通性网络、优化增强初始连通性网络和增强标准功能连通性网络；获取初始连通性网络与标准功能连通性网络的均方方差损失熵，优化初始连通性网络与结构脑网络的均方方差损失熵，初始增强连通性网络和增强标准功能连通性网络的生成对抗损失熵，优化增强初始连通性网络与增强标准功能连通性网络的生成对抗损失熵，分别作为第一均方方差损失熵、第二均方方差损失熵、第一生成对抗损失熵、第二生成对抗损失熵，与初始连通性网络与标准功能连通性网络的整体脑区域损失熵和局部脑区域损失熵，经求和处理，得到网络相似性损失熵；当网络相似性损失熵小于相似阈值时，输出初始连通性网络作为学习连通性网络。
第一多通道特征提取处理的操作为：将输入特征图经图像多通道转化处理，得到多个不同通道大小的通道初始连通性网络；所有通道初始连通性网络分别依次进行卷积处理、归一化处理和非线性处理，得到的所有通道中级连通性网络，经拼接处理，得到第一多通道特征图；第一多通道特征图用于执行多层融合处理的操作。以单个通道初始连通性网络为例，通道初始连通性网络依次进行卷积处理、归一化处理和非线性处理，得到通道中级连通性网络，以此类推，得到的所通道中级连通性网络，接着将所有通道中级连通性网络，经拼接处理，得到第一多通道特征图。
具体为，将初始连通性网络或优化初始连通性网络或标准功能连通性网络转化为不同通道大小的图像，分别得到不同通道大小的第一通道初始连通性网络或第二通道初始连通性网络或第三通道初始连通性网络，接着，将所有第一通道初始连通性网络或第二通道初始连通性网络或第三通道初始连通性网络，依次进行卷积处理、归一化处理和非线性处理，进行网络中影像组学特征与脑区间连通性拓扑结构之间的信息聚合，最后将分别得到的不同通道大小的第一通道中级连通性网络或第二通道中级连通性网络或第三通道中级连通性网络，分别进行层级性的叠加拼接处理，最后将分别得到的初始第一多通道特征图或优化第一多通道特征图或功能第一多通道特征图进行下一步的多层融合处理。
多层融合处理的操作为：将第一多通道特征图中，任意两个通道中级连通性网络，进行点乘处理后，与中级多通道特征图进行点乘处理，得到融合多通道特征图；融合多通道特征图与第一多通道特征图经逐元素相加处理，得到多层融合特征图；多层融合特征图用于执行卷积处理的操作。
具体为，将初始第一多通道特征图或优化第一多通道特征图或功能第一多通道特征图中，最后两层的通道中级连通性网络，进行对应位置处的矩阵元素点乘处理后，再与第一通道中级连通性网络或第二通道中级连通性网络或第三通道中级连通性网络对应位置处的矩阵元素进行点乘处理，得到第一融合多通道特征图或第二融合多通道特征图或第三融合多通道特征图；接着，将第一融合多通道特征图或第二融合多通道特征图或第三融合多通道特征图，与原始的对应的初始第一多通道特征图或优化第一多通道特征图或功能第一多通道特征图，进行对应位置处的矩阵元素相加，最终得到的第一多层融合特征图或第二多层融合特征图或第二多层融合特征图用于执行卷积处理的操作。
网络相似性损失熵的可通过如下公式得到：
，
Loss 2 为网络相似性损失熵，为初始连通性网络与标准功能连通性网络的均方
方差损失熵，即第一均方方差损失熵，为优化初始连通性网络与结构脑网络的均方方
差损失熵，即第二均方方差损失熵，L P 为初始连通性网络与标准功能连通性网络的整体脑
区域损失熵，L C 为初始连通性网络与标准功能连通性网络的局部脑区域损失熵，为初始
增强连通性网络和增强标准功能连通性网络的生成对抗损失熵，即第一生成对抗损失熵，为优化增强初始连通性网络和增强标准功能连通性网络的生成对抗损失熵，即第二生
成对抗损失熵。
其中，第一均方方差损失熵，fcn i-i,j 为初始增强连通性网络中第i个脑区域与第j个脑区域的连通性，FCNi,j为标准功能连通性网络中第i个脑区域与第j个脑区域的连通性，N为脑区域总数；
第二均方方差损失熵，fcn 2-i,j 为优化初始连通性网络中第i个脑区域与第j个脑区域的连通性，radMBN i,j 为结构脑网络中第i个脑区域与第j个脑区域的连通性；
初始连通性网络与标准功能连通性网络的整体脑区域损失熵L P 的表达式为：
，cov(fcn 1 ，FCN)为初始连通性网络与标准功能连通性网络的协方差，std(fcn 1 )为初始连通性网络的标准差，std(FCN)为标准功能连通性网络的标准差；
初始连通性网络与标准功能连通性网络的局部脑区域损失熵L C 的表达式为：
，cov(fcn 1,p ，FCN p )为初始连通性网络与标准功能连通性网络在第p个脑区域连通性特征的协方差，std(fcn 1,p )为初始连通性网络中第p个脑区域连通性特征的标准差，std(FCN p )为中第p个脑区域连通性特征的标准差；
第一生成对抗损失熵，FCN 1 为所述增强标
准功能连通性网络，为所述初始增强连通性网络；
第二生成对抗损失熵，为所述优化增强
初始连通性网络。
当特征损失熵大于第一阈值，或网络相似性损失熵大于第二阈值时，说明此时初始连通性网络的信息表达能力较弱，结构脑网络需在第一多空间尺度特征处理中进行影像组学特征与脑区间拓扑连通性的信息聚合，以获得信息表达能力不低于标准功能连通性网络的输出；当特征损失熵小于第一阈值，且网络相似性损失熵大于第二阈值时，证明此时初始连通性网络与标准功能连通性网络之间的相似度高，表达效果好，输出此时的初始连通性网络，作为可用于脑疾病特征分析的学习连通性网络。
为证明本实施例提供的学习方法的准确性，进行如下实验。
实验设置。数据集以8：1：1的比例被随机划分为训练集、验证集和测试集。使用的实验开发环境是pytorch1.9.0，在NVIDIA RTX 2080图形处理器上，在本实施例提供的获取系统模型上训练时期共进行了250轮次，使用了Adam优化器，初始学习率为，单次训练样本数为12，学习率设置为0.001，提出的系统模型在NVIDIA RTX 2080 图形处理器，模型训练了约10个小时，实验环境和具体设置如表1所示。
表1 实验参数设置汇总表
。
将阿尔茨海默症患者的T1加权成像，经过本实施例提供的学习方法得到的学习连通性网络，应用于早期疫病诊断分析当中，实验参数参见表2，可见本实施例提供的学习方法得到的学习连通性网络，具有较高的阿尔茨海默症早期诊断准确性。
表2 早期疫病诊断分析准确性结果汇总表
。
本实施例还提供一种结构脑网络到功能连通性网络的学习系统，包括：
结构脑网络和标准功能连通性网络生成模块，用于基于获取的待检者的T1加权成像，得到结构脑网络；基于获取的标准静息态功能磁共振成像，得到标准功能连通性网络；
优化初始连通性网络生成及特征损失熵判断模块，用于结构脑网络经第一多空间尺度特征处理，得到初始连通性网络；初始连通性网络经第二多空间尺度特征处理，得到优化初始连通性网络；获取初始连通性网络与标准功能连通性网络的损失熵，以及优化初始连通性网络与标准功能连通性网络的损失熵，经求和处理，得到特征损失熵；当特征损失熵小于第一阈值时，输出初始连通性网络作为学习连通性网络。
优化初始连通性网络生成及特征损失熵判断模块中包括：
第一多空间尺度特征处理模块，用于结构脑网络经图像多空间转化处理，得到多个不同空间大小的空间结构脑网络；所有空间结构脑网络分别经第二多通道特征提取处理，得到的所有第二多通道特征图经加权处理，得到初始连通性网络。
本实施例还提供一种结构脑网络到功能连通性网络的学习设备，包括处理器和存储器，其中，处理器执行存储器中保存的计算机程序时实现上述的结构脑网络到功能连通性网络的学习方法。
本实施例还提供一种计算机可读存储介质，用于存储计算机程序，其中，计算机程序被处理器执行时实现上述的结构脑网络到功能连通性网络的学习方法。
本实施例提供的一种结构脑网络到功能连通性网络的学习方法，将T1加权成像的结构脑网络中影像组学特征和脑区间连通性拓扑结构进行不同空间不同通道维度的信息聚合，可有效捕捉到高维度的脑区图像特征，得到初始连通性网络；同时，在不扫描标准静息态功能磁共振成像的情况下，获得标准功能连通性网络；并通过控制初始连通性网络与标准功能连通性网络的特征差异，以及初始连通性网络经多空间尺度特征处理后得到的优化初始连通性网络，与结构脑网络的特征差异，让初始连通性网络中的影像结构表达与标准功能连通性网络更接近，从而提升T1加权成像的结构脑网络的关键信息表达性能，进而提升其在脑疾病临床分析的效率和准确度。
Claims (10)
1.一种结构脑网络到功能连通性网络的学习方法，其特征在于，包括如下操作：
S1、基于获取的待检者的T1加权成像，得到结构脑网络；基于获取的标准静息态功能磁共振成像，得到标准功能连通性网络；
S2、所述结构脑网络经第一多空间尺度特征处理，得到初始连通性网络；所述初始连通性网络经第二多空间尺度特征处理，得到优化初始连通性网络；
获取所述初始连通性网络与标准功能连通性网络的损失熵，以及优化初始连通性网络与标准功能连通性网络的损失熵，经求和处理，得到特征损失熵；
当所述特征损失熵小于第一阈值时，输出初始连通性网络作为学习连通性网络。
2.根据权利要求1所述的结构脑网络到功能连通性网络的学习方法，其特征在于，
所述初始连通性网络、优化初始连通性网络和标准功能连通性网络，分别依次经第一多通道特征提取处理、多层融合处理、卷积处理和全连接处理，分别得到初始增强连通性网络、优化增强初始连通性网络和增强标准功能连通性网络；
获取所述初始连通性网络与标准功能连通性网络的均方方差损失熵，所述优化初始连通性网络与结构脑网络的均方方差损失熵，所述初始增强连通性网络和增强标准功能连通性网络的生成对抗损失熵，所述优化增强初始连通性网络与增强标准功能连通性网络的生成对抗损失熵，分别作为第一均方方差损失熵、第二均方方差损失熵、第一生成对抗损失熵、第二生成对抗损失熵后，与所述初始连通性网络与标准功能连通性网络的整体脑区域损失熵和局部脑区域损失熵，经求和处理，得到网络相似性损失熵；
当所述网络相似性损失熵小于第二阈值时，输出初始连通性网络作为所述学习连通性网络。
3.根据权利要求2所述的结构脑网络到功能连通性网络的学习方法，其特征在于，所述第一多通道特征提取处理的操作具体为：
将输入特征图经图像多通道转化处理，得到多个不同通道大小的通道初始连通性网络；
所有通道初始连通性网络分别依次进行卷积处理、归一化处理和非线性处理，得到的所有通道中级连通性网络，经拼接处理，得到第一多通道特征图；
所述第一多通道特征图用于执行所述多层融合处理的操作。
4.根据权利要求3所述的结构脑网络到功能连通性网络的学习方法，其特征在于，所述多层融合处理的操作具体为：
将所述第一多通道特征图中，任意两个通道中级连通性网络，进行点乘处理后，与所述第一多通道特征图进行点乘处理，得到融合多通道特征图；
所述融合多通道特征图与第一多通道特征图经逐元素相加处理，得到多层融合特征图；
所述多层融合特征图用于执行所述卷积处理的操作。
5.根据权利要求2所述的结构脑网络到功能连通性网络的学习方法，其特征在于，
所述第一均方方差损失熵可由如下公式得到：
，/>为所述第一均方方差损失熵，fcn i-i,j 为初始增强连通性网络中第i个脑区域与第j个脑区域的连通性，FCNi,j为标准功能连通性网络中第i个脑区域与第j个脑区域的连通性，N为脑区域总数。
6.根据权利要求1所述的结构脑网络到功能连通性网络的学习方法，其特征在于，所述S2中第一多空间尺度特征处理的操作具体为：
所述结构脑网络经图像多空间转化处理，得到多个不同空间大小的空间结构脑网络；
所有空间结构脑网络分别经第二多通道特征提取处理，得到的所有第二多通道特征图经加权处理，得到所述初始连通性网络。
7.根据权利要求1所述的结构脑网络到功能连通性网络的学习方法，其特征在于，所述S2中特征损失熵可通过如下公式得到：
，
，
，
Loss 1 为所述特征损失熵，L cyc_tar 为所述初始连通性网络与标准功能连通性网络的损失熵，L cyc_org 为所述优化初始连通性网络与标准功能连通性网络的损失熵，FCN为所述标准功能连通性网络，fcn 1 为所述初始连通性网络，fcn 2 为优化初始连通性网络，radMBN为结构脑网络，E()为期望函数，为L1范式函数。
8.一种结构脑网络到功能连通性网络的学习系统，其特征在于，包括：
结构脑网络和标准功能连通性网络生成模块，用于基于获取的待检者的T1加权成像，得到结构脑网络；基于获取的标准静息态功能磁共振成像，得到标准功能连通性网络；
优化初始连通性网络生成及特征损失熵判断模块，用于所述结构脑网络经第一多空间尺度特征处理，得到初始连通性网络；所述初始连通性网络经第二多空间尺度特征处理，得到优化初始连通性网络；获取所述初始连通性网络与标准功能连通性网络的损失熵，以及优化初始连通性网络与标准功能连通性网络的损失熵，经求和处理，得到特征损失熵；当所述特征损失熵小于第一阈值时，输出初始连通性网络作为学习连通性网络。
9.一种结构脑网络到功能连通性网络的学习设备，其特征在于，包括处理器和存储器，其中，所述处理器执行所述存储器中保存的计算机程序时实现如权利要求1-7任一项所述的结构脑网络到功能连通性网络的学习方法。
10.一种计算机可读存储介质，其特征在于，用于存储计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的结构脑网络到功能连通性网络的学习方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311657308.9A CN117350352B (zh) | 2023-12-06 | 2023-12-06 | 结构脑网络到功能连通性网络的学习方法、系统和设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311657308.9A CN117350352B (zh) | 2023-12-06 | 2023-12-06 | 结构脑网络到功能连通性网络的学习方法、系统和设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117350352A true CN117350352A (zh) | 2024-01-05 |
| CN117350352B CN117350352B (zh) | 2024-02-23 |
Family
ID=89367124
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311657308.9A Active CN117350352B (zh) | 2023-12-06 | 2023-12-06 | 结构脑网络到功能连通性网络的学习方法、系统和设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117350352B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117934977A (zh) * | 2024-03-22 | 2024-04-26 | 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 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113786186A (zh) * | 2021-11-12 | 2021-12-14 | 北京智精灵科技有限公司 | 基于模块化动态重构的多尺度脑网络分析方法及系统 |
| CN114299006A (zh) * | 2021-12-24 | 2022-04-08 | 南京航空航天大学 | 一种联合图对比学习的自适应多通道图卷积网络 |
| US20220207354A1 (en) * | 2020-12-31 | 2022-06-30 | X Development Llc | Analog circuits for implementing brain emulation neural networks |
| WO2022215084A1 (en) * | 2021-04-05 | 2022-10-13 | Brainsight Technology Private Limited | System and method for determining networks of brain from resting state mri data using ml |
| US20220414433A1 (en) * | 2021-06-29 | 2022-12-29 | X Development Llc | Automatically determining neural network architectures based on synaptic connectivity |
| CN115841607A (zh) * | 2022-10-11 | 2023-03-24 | 重庆邮电大学 | 一种基于图注意力网络的脑网络结构和相似度的联合学习方法 |
| CN116089799A (zh) * | 2023-02-24 | 2023-05-09 | 厦门大学 | 一种基于多源信息的立体定向脑电图脑网络生成方法 |
| US20230196578A1 (en) * | 2021-12-16 | 2023-06-22 | Shenzhen Institutes Of Advanced Technology Chinese Academy Of Sciences | Brain network and brain addictive connectivity computing method and device |
| WO2023108712A1 (zh) * | 2021-12-18 | 2023-06-22 | 深圳先进技术研究院 | 结构-功能脑网络双向映射模型构建方法及脑网络双向映射模型 |
| CN117100247A (zh) * | 2023-05-17 | 2023-11-24 | 安徽师范大学 | 一种基于稀疏学习的高阶动态脑网络构建方法 |
| CN117122303A (zh) * | 2023-10-26 | 2023-11-28 | 烟台大学 | 一种脑网络的预测方法、系统、设备和存储介质 |
| CN117172294A (zh) * | 2023-11-02 | 2023-12-05 | 烟台大学 | 一种稀疏脑网络的构建方法、系统、设备和存储介质 |
-
2023
- 2023-12-06 CN CN202311657308.9A patent/CN117350352B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220207354A1 (en) * | 2020-12-31 | 2022-06-30 | X Development Llc | Analog circuits for implementing brain emulation neural networks |
| WO2022215084A1 (en) * | 2021-04-05 | 2022-10-13 | Brainsight Technology Private Limited | System and method for determining networks of brain from resting state mri data using ml |
| US20220414433A1 (en) * | 2021-06-29 | 2022-12-29 | X Development Llc | Automatically determining neural network architectures based on synaptic connectivity |
| CN113786186A (zh) * | 2021-11-12 | 2021-12-14 | 北京智精灵科技有限公司 | 基于模块化动态重构的多尺度脑网络分析方法及系统 |
| US20230196578A1 (en) * | 2021-12-16 | 2023-06-22 | Shenzhen Institutes Of Advanced Technology Chinese Academy Of Sciences | Brain network and brain addictive connectivity computing method and device |
| WO2023108712A1 (zh) * | 2021-12-18 | 2023-06-22 | 深圳先进技术研究院 | 结构-功能脑网络双向映射模型构建方法及脑网络双向映射模型 |
| CN114299006A (zh) * | 2021-12-24 | 2022-04-08 | 南京航空航天大学 | 一种联合图对比学习的自适应多通道图卷积网络 |
| CN115841607A (zh) * | 2022-10-11 | 2023-03-24 | 重庆邮电大学 | 一种基于图注意力网络的脑网络结构和相似度的联合学习方法 |
| CN116089799A (zh) * | 2023-02-24 | 2023-05-09 | 厦门大学 | 一种基于多源信息的立体定向脑电图脑网络生成方法 |
| CN117100247A (zh) * | 2023-05-17 | 2023-11-24 | 安徽师范大学 | 一种基于稀疏学习的高阶动态脑网络构建方法 |
| CN117122303A (zh) * | 2023-10-26 | 2023-11-28 | 烟台大学 | 一种脑网络的预测方法、系统、设备和存储介质 |
| CN117172294A (zh) * | 2023-11-02 | 2023-12-05 | 烟台大学 | 一种稀疏脑网络的构建方法、系统、设备和存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| VAN DER VOORT ET.AL: "DeepDicomSort: An Automatic Sorting Algorithm for Brain Magnetic Resonance Imaging Data", 《NEUROINFORMATICS》, vol. 19, no. 1, pages 159 - 184, XP037328207, DOI: 10.1007/s12021-020-09475-7 * |
| 何高奇;胡云奉;杨宇;魏文浩;: "基于rs-fMRI数据的脑功能网络构建与分析", 华东理工大学学报(自然科学版), no. 06, pages 99 - 105 * |
| 焦磊磊: "脑卒中认知障碍患者治疗前后的脑电信号研究", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》, pages 070 - 161 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117934977A (zh) * | 2024-03-22 | 2024-04-26 | 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 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117350352B (zh) | 2024-02-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2023077603A1 (zh) | 一种异常脑连接预测系统、方法、装置及可读存储介质 | |
| WO2023202508A1 (zh) | 一种基于认知图谱的全科患者个性化诊疗方案推荐系统 | |
| CN117350352B (zh) | 结构脑网络到功能连通性网络的学习方法、系统和设备 | |
| CN110598793B (zh) | 一种大脑功能网络特征分类方法 | |
| CN117122303B (zh) | 一种脑网络的预测方法、系统、设备和存储介质 | |
| CN107967686B (zh) | 一种联合动态脑网络和长短时记忆网络的癫痫识别装置 | |
| CN113113130A (zh) | 一种肿瘤个体化诊疗方案推荐方法 | |
| CN117172294B (zh) | 一种稀疏脑网络的构建方法、系统、设备和存储介质 | |
| CN114299006A (zh) | 一种联合图对比学习的自适应多通道图卷积网络 | |
| CN113191390A (zh) | 一种图像分类模型的构建方法、图像分类方法及存储介质 | |
| Chen et al. | Toward reliable signals decoding for electroencephalogram: A benchmark study to EEGNeX | |
| CN117100247A (zh) | 一种基于稀疏学习的高阶动态脑网络构建方法 | |
| CN113317804B (zh) | 一种康复效率预测方法、及其训练装置和计算机设备 | |
| CN114241240A (zh) | 脑部图像的分类方法、装置、电子设备及存储介质 | |
| CN111242038B (zh) | 一种基于帧预测网络的动态舌颤检测方法 | |
| Gong et al. | Smart urban planning: Intelligent cognitive analysis of healthcare data in cloud-based IoT | |
| CN115937129B (zh) | 基于多模态磁共振影像的左右半脑关系的处理方法及装置 | |
| Wang et al. | Pay attention and watch temporal correlation: a novel 1-D convolutional neural network for ECG record classification | |
| CN115965785A (zh) | 图像分割方法、装置、设备、程序产品及介质 | |
| Vijayakumar et al. | An Intelligent stacking Ensemble-Based Machine Learning Model for Heart abnormality | |
| CN117409978B (zh) | 一种疾病预测模型构建方法、系统、装置及可读存储介质 | |
| CN117934977B (zh) | 基于图连接和图节点的脑网络分类方法、系统和设备 | |
| Pradhan et al. | Cascaded PFLANN model for intelligent health informatics in detection of respiratory diseases from speech using bio-inspired computation | |
| CN116863013B (zh) | 基于人工智能的扫描图像处理方法及其系统 | |
| CN113344914B (zh) | 基于图像识别智能分析ppd皮试结果的方法及装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |