基于扩散MRI图像的脑网络分析方法技术

本发明专利技术提出一种基于扩散MRI图像的脑网络分析方法，同时采用双任务的模型训练方法，实现脑网络的综合性分析。解决脑网络在非欧空间进行表示学习的问题。同时采用双任务的模型训练方法，实现临床数据的充分利用，得到脑网络的定性和定量分析结果。其采用可在非欧空间上感知不规则结构数据特征的图神经网络（GNNs）模型对脑网络进行表示学习，以提高模型对于脑网络表示的准确度。此外，采用双任务的训练策略调节网络参数，以增加分析结果的实用性。以增加分析结果的实用性。以增加分析结果的实用性。

【技术实现步骤摘要】
基于扩散MRI图像的脑网络分析方法


[0001]本专利技术属于计算机视觉、医学图像处理
，尤其涉及一种基于扩散MRI图像的脑网络分析方法。

技术介绍

[0002]基于医学影像的脑网络分析是近年来计算机视觉领域的研究热点。图像特征提取和脑网络表示是脑影像分析的两个关键步骤。脑网络表示的方法指导着图像特征提取的结果，提取特征的质量关系到脑网络表示学习的质量，最终影响着训练出的网络模型的性能，所以脑网络表示方法是脑影像分析技术最核心的部分。根据提取脑网络表示的分析方法，脑网络的研究主要分为两个方向：基于统计学的分析、基于机器学习的分析。其中基于机器学习的分析方法是最新、也最具有前景的脑网络分析方法。
[0003]目前基于机器学习方法中，基于深度学习的分析方法是实用性较好的一种。但是大部分采用的深度学习方法都是针对卷积神经网络的，即输入的是由预处理的图像转化成2维或是3维的矩阵，然后在矩阵上寻找局部范围的显著特征点，将特征点融合用于最终的任务。由于矩阵网格的特性，只能在欧式空间上对特征的相似度进行匹配，忽略了脑网络在非欧空间上的丰富的关系信息。
[0004]此外，大多基于深度学习的脑网络表示方法都专注于脑网络的分类任务，提取群组级特征，而忽略将结构化图像数据与非结构化数据(即图结构数据)的综合应用的其他任务(如分数回归任务)，不能充分利用临床应用中的有效数据，提高脑网络分析的实用性。
[0005]如上所述，目前常用的深度学习方法都是针对具有规则网格结构的数据，而将脑网络表示成结构数据进行欧式空间上的特征学习，会损失其在非欧式空间上丰富的关系信息，因此结果具有局限性，不能充分利用脑网络分析在临床应用中的优势。
[0006]此外，大多基于深度学习的脑网络表示方法都专注于脑网络的分类任务，不利于将结构化图像数据与非结构化数据(比如临床分数、电子病历等)的综合应用(如分数回归任务)，不能充分利用临床数据，进行更全面有效的脑网络分析。

技术实现思路

[0007]为了弥补现有技术的空白和不足，本专利技术提出一种基于扩散MRI图像的脑网络分析方法。以解决脑网络在非欧空间进行表示学习的问题，同时采用双任务的模型训练方法，实现脑网络的综合性分析。
[0008]考虑目前常用的脑网络分析的深度学习方法，是输入脑网络的网格数据，在欧式空间上进行特征提取，导致结果损失了脑网络在非欧空间上丰富的关系信息。虽然在脑影像分析上表现出了优越的性能，然而他们仍然存在着以下限制：一、大多方法都是针对具有规则网格结构的数据，而将脑网络表示成结构数据进行欧式空间上的特征学习，会损失其在非欧式空间上丰富的关系信息，因此结果具有局限性，不能充分利用脑网络分析在临床应用中的优势；二、大多基于深度学习的脑网络表示方法都专注于脑网络的分类任务，不利
于将结构化图像数据与非结构化数据(比如临床分数、电子病历等)的综合应用(如分数回归任务)，不能充分利用临床数据，进行更全面有效的脑网络分析，以提高分析结果的实用性。
[0009]因此，本专利技术针对以上问题，同时采用双任务的模型训练方法，实现脑网络的综合性分析。解决脑网络在非欧空间进行表示学习的问题。同时采用双任务的模型训练方法，实现临床数据的充分利用，得到脑网络的定性和定量分析结果。其采用可在非欧空间上感知不规则结构数据特征的图神经网络(GNNs)模型对脑网络进行表示学习，以提高模型对于脑网络表示的准确度。此外，采用双任务的训练策略调节网络参数，以增加分析结果的实用性。
[0010]本专利技术具体采用以下技术方案：
[0011]一种基于扩散MRI图像的脑网络分析方法，其特征在于，包括以下步骤：
[0012]步骤S1：从临床数据中提取脑网络特征；
[0013]步骤S2：对提取的特征进行描述，构建大脑网络连接图；
[0014]步骤S3：用GNNs对构建的图进行表示学习；
[0015]步骤S4：利用学习到脑网络表示进行分类任务和回归任务的双任务预测。
[0016]进一步地，在步骤S1中，首先将样本的影像数据和临床分数进行预处理，对不同的临床分数根据其各自评价总分进行归一化处理，组成M*S大小法分数矩阵，其中，M为样本个数，S为矩阵分数类型个数；对扩散MRI图像进行扩散张量拟合DTI和纤维束重建处理，最后结合结构MRI图像进行脑网络构建，得到大小为90*90的大脑连接矩阵；其中矩阵第i行和第j列代表着第i个大脑感兴趣区域ROI与第j个ROI之间的纤维束连接数，即这两个脑区在白质纤维束结构上连接性。
[0017]进一步地，在步骤S1中，采用PANDA工具包进行MRI图像自动预处理，事先将数据格式从DCOM转成NIFT，放入对应文件夹；根据目标任务的需求，使用不同ROI划分的脑模板，从而获得合适的大脑网络信息。
[0018]进一步地，在步骤S2中，获取大脑连接矩阵后，首先对其进行正则化处理，将所有元素的值都标准化到[0,1]；根据经验值对矩阵进行阈值处理，小于95％的元素置零，减少矩阵构建过程中的噪声影响；
[0019]接下来进一步确定特征的相关信息，即对提取的特征进行描述；特征向量包括两个部分内容：一是在大脑生理机构层次上的ROI间的白质纤维连接矩阵；二是大脑几何空间下，ROI间的相对位置矩阵；
[0020]ROI的相对位置矩阵通过以下步骤获得：1)通过将脑模板配准个体空间的结构MRI上，将大脑分为90个ROI；2)计算每个ROI所有体素的坐标作为ROI平均坐标；3)计算每对ROI平均坐标之间的欧式距离，构成空间矩阵；4)矩阵进行归一化处理；
[0021]将脑网络的特征向量描述完成后，则开始构建大脑网络连接图：设构建的大脑无向图定义为G＝(V,A,X)，其中V是90个ROI节点v
i
的集合，E是图的邻接矩阵，表示ROI之间的结构连接性，定义如下所示：其中，N
i
是节点v
i
在大脑结合空间上距离最近的的前10个邻居ROI节点集合；X是节点特征矩阵。
[0022]进一步地，使用节点v
i
与其他节点v
j
的连接性做为节点特征，节点与自己的连接性
设为0。
[0023]进一步地，在步骤S3中，采用基于节点聚类的记忆图神经网络进行图表示学习，通过能够同时进行图表示学习和节点聚类的记忆层代替邻居节点聚合过程，其记忆层由多组multi
‑
head记忆键k和卷积运算组成；记忆键被视为节点聚类中心，而卷积运算用来聚合多组结果。
[0024]进一步地，所述基于节点聚类的记忆图神经网络进行图表示学习具体实现过程为：
[0025]其输入是一个样本的一个大脑结构图；由图的节点表示构建初始Q矩阵，初始化的Q0＝σ(σ(SW0)||X]W1)，其中σ是激活函数，S是初始邻接矩阵A，X是初始节点特征矩阵，而W0和W1是网络第1，2的权重矩阵；接着，通过无监督的方式计算节点的K个聚类中心，作为记忆键k<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于扩散MRI图像的脑网络分析方法，其特征在于，包括以下步骤：步骤S1：从临床数据中提取脑网络特征；步骤S2：对提取的特征进行描述，构建大脑网络连接图；步骤S3：用GNNs对构建的图进行表示学习；步骤S4：利用学习到脑网络表示进行分类任务和回归任务的双任务预测。2.根据权利要求1所述的基于扩散MRI图像的脑网络分析方法，其特征在于：在步骤S1中，首先将样本的影像数据和临床分数进行预处理，对不同的临床分数根据其各自评价总分进行归一化处理，组成M*S大小法分数矩阵，其中，M为样本个数，S为矩阵分数类型个数；对扩散MRI图像进行扩散张量拟合DTI和纤维束重建处理，最后结合结构MRI图像进行脑网络构建，得到大小为90*90的大脑连接矩阵；其中矩阵第i行和第j列代表着第i个大脑感兴趣区域ROI与第j个ROI之间的纤维束连接数，即这两个脑区在白质纤维束结构上连接性。3.根据权利要求2所述的基于扩散MRI图像的脑网络分析方法，其特征在于：在步骤S1中，采用PANDA工具包进行MRI图像自动预处理，事先将数据格式从DCOM转成NIFT，放入对应文件夹；根据目标任务的需求，使用不同ROI划分的脑模板，从而获得合适的大脑网络信息。4.根据权利要求2所述的基于扩散MRI图像的脑网络分析方法，其特征在于：在步骤S2中，获取大脑连接矩阵后，首先对其进行正则化处理，将所有元素的值都标准化到[0,1]；根据经验值对矩阵进行阈值处理，小于95％的元素置零，减少矩阵构建过程中的噪声影响；接下来进一步确定特征的相关信息，即对提取的特征进行描述；特征向量包括两个部分内容：一是在大脑生理机构层次上的ROI间的白质纤维连接矩阵；二是大脑几何空间下，ROI间的相对位置矩阵；ROI的相对位置矩阵通过以下步骤获得：1)通过将脑模板配准个体空间的结构MRI上，将大脑分为90个ROI；2)计算每个ROI所有体素的坐标作为ROI平均坐标；3)计算每对ROI平均坐标之间的欧式距离，构成空间矩阵；4)矩阵进行归一化处理；将脑网络的特征向量描述完成后，则开始构建大脑网络连接图：设构建的大脑无向图定义为G＝(V,A,X)，其中V是90个ROI节点v
i
的集合，E是图的邻接矩...

【专利技术属性】
技术研发人员：黄立勤，叶小芳，潘林，杨明静，
申请(专利权)人：福州大学，
类型：发明
国别省市：