基于磁共振和孪生图神经网络的脑图谱个体化方法及系统技术方案

本发明专利技术公开了一种基于磁共振和孪生图神经网络的脑图谱个体化方法及系统；首先，对静息态功能磁共振数据（rs

【技术实现步骤摘要】
基于磁共振和孪生图神经网络的脑图谱个体化方法及系统


[0001]本专利技术涉及医学影像领域和深度学习领域，尤其涉及一种基于磁共振和孪生图神经网络的脑图谱个体化方法及系统。

技术介绍

[0002]大脑皮层为人体感知，运动和其他认知功能提供了重要基础。神经科学中，脑分区对于大脑功能的认知，定位和分析具有十分重要的意义。
[0003]大脑皮层区域展现出不同功能、构造、连接关系和拓扑结构，因而可以通过聚类的手段进行脑分区。目前已经有相当多的非侵入方法来获取大脑皮层中的相关信息，如磁共振（MRI）、脑磁图（MEG）等等。其中，MRI由于具有相对较高的时空分辨率，无辐射等优点，已经成为广泛使用的成像技术。静息态功能磁共振成像（rs
‑
fMRI）,能够反应受试者在无任务状态下大脑血氧信号的变化情况，这些变化的相关关系能够为大脑皮层分区提供充足的依据，因而是研究脑分区的主要手段之一。进一步地，由rs
‑
fMRI计算获得的静息态功能连接（RSFC）能够反应脑区fMRI信号的同步性，因而能可靠的反应皮层顶点间的相关关系。不仅如此，RSFC是可遗传的，与皮层的基因表达相关，能够预测个体间的行为差异。因此许多脑图谱的构建都是利用RSFC信号对脑区进行聚类分割，并在受试者中进行平均的结果。这种基于大量受试者平均的脑图，即组图谱（参考文献：Schaefer,A.,Kong,R.,Gordon,E.M.,Laumann,T.O.,Zuo,X.,andHolmes,A.J.,etal.(2018).Local
‑
globalparcellationofthehumancerebralcortexfromintrinsicfunctionalconnectivityMRI.Cereb.Cortex.28(9),3095
‑
3114.）可以为人体大脑宏观的组织结构提供重要的观测指标和统计数据。然而，这种脑图往往缺乏对个体间差异的体现，尤其是在脑区尺寸，空间位置与排列方式等有显著变化的区域。因此，如果行为预测或疾病诊断与这些差异相关，就难以被准确检测出来。这样的组图谱在构建生物指纹特征的过程中具有比较大的局限性。因此，个体化脑图在神经科学领域与临床研究中占据越来越重要的地位，它不仅可以预测人的认知，行为，情感等，而且能捕获人体大脑拓扑结构的个体差异性，并能对这些差异进行基因分析。更重要的是的，它能生成个体大脑的生物指纹特征，在脑退行性疾病（如阿尔兹海默症，帕金森症）预测和诊断方面有着重要作用。
[0004]传统的个体化脑图算法往往依赖于欧氏空间或皮层空间中结构成像的线性的或非线性的配准。一些机器学习算法为这些配准提供了部分分析工具，如通过功能区域，解剖结构，功能连接等对齐皮层区域。比如Wang等人（参考文献：WangD,BucknerRL,FoxMD,etal.Parcellatingcorticalfunctionalnetworksinindividuals[J].Natureneuroscience,2015,18(12):1853
‑
1860.）引入
‘
核心信号
’
的概念，并通过功能连接，信噪比来不断更新核心信号的脑区标签，以重建个体化图谱；Chong等人（参考文献：ChongM,BhushanC,JoshiAA,etal.IndividualparcellationofrestingfMRIwithagroupfunctionalconnectivityprior[J].NeuroImage,2017,156:87
‑
100.）利用贝叶斯模型和稀疏约束的方案来迭代优化个体化图谱。然而这两种方法仅仅利用了脑皮层
rs
‑
fMRI信号的部分先验知识，没有将个体间一致性（个体间部分脑分区呈现高度相似）和差异性（个体间部分脑分区呈现较大差异）这两个先验知识显示地引入到算法中。而Kong等人（参考文献1：Kong R, Li J, Orban C, et al. Spatial topography of individual
‑
specific cortical networks predicts human cognition, personality, and emotion[J]. Cerebral cortex, 2019,29(6):2533
‑
2551.参考文献2：Kong R, Yang Q, Gordon E, et al. Individual
‑
Specific Areal
‑
Level parcellations improve functional connectivity prediction of behavior[J]. bioRxiv, 2021.）通过建立概率图模型，显式地引入组图谱，受试者间差异性，受试者内一致性等先验知识来重建个体化图谱，进一步的提升了个体脑图的重建效果并证明了其合理性。以上方案仍然有一些缺点，比如仅考虑到fMRI单个数据节点或其一阶领域节点的特征，并且其迭代方案收敛比较缓慢，重建时间较长。

技术实现思路

[0005]针对现有技术的不足，本专利技术提出了一种基于磁共振和孪生图神经网络的脑图谱个体化方法及系统。通过在大量受试者数据上训练，利用训练好的孪生图神经网络对未知的静息态磁共振数据的个体化脑图进行推断，能够明显减少重建时间；利用组图谱和采样掩膜作为标签，引入孪生网络并采用半监督的学习方式，能够使个体化脑图保留较高的个体间一致性的同时，尽可能的体现个体间的差异性。不仅如此，由于所利用的孪生图神经网络采用切比雪夫多项式图卷积结构，能够充分利用高阶领域的信息，对各顶点的归属脑区定位更加准确。
[0006]本专利技术的技术方案是：首先根据受试者rs
‑
fMRI数据和T1加权MRI数据构建功能连接和邻接矩阵，将邻接矩阵转化为基于顶点的脑连接图，然后将功能连接嵌入到该脑图中，作为网络输入；然后使用高阶图卷积来整合上述脑图顶点间的局部特征，并在每个图卷积层中训练多个卷积核来编码皮层区域的差异性，不仅如此，还利用孪生网络的架构，显式的将受试者间的差异性引入到损失函数中，以此构建基于孪生图卷积网络模型来进行训练；最后，引入了高置信度点概念，利用弗洛伊德算法Floyd
–
Warshall计算组图谱中所有顶点的最短路径长度，并计算每个脑区中顶点的离心度，取部分离心度小的点作为高置信度点，生成这些点构成的采样掩膜，这样可以进一步的保留个体间的一致性，同时又能保证受试者间具有足够的差异性，以此设计了半监督的学习模式。
[0007]具体而言，所述方法包括以下几个步骤：（1）获取受试者磁共振数据，该数据是基于大脑皮层顶点的时间序列数据；（2）将受试者磁共振数据利用基于感兴趣区域的功能连接RSFC提取特征，同时对提取的特征进行费雪变换以使特征正态化，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于磁共振和孪生图神经网络的脑图谱个体化方法，其特征在于，该方法包括以下步骤；（1）获取受试者磁共振数据，该数据是基于大脑皮层顶点的时间序列数据；（2）将受试者磁共振数据利用基于感兴趣区域的功能连接RSFC提取特征，同时对提取的特征进行费雪变换以使特征正态化，并进行指数变换使特征稀疏化，将稀疏化后的数据作为孪生图神经网络的特征输入；（3）根据受试者磁共振数据，获取受试者大脑皮层表面的连接信息，根据连接信息描述的大脑皮层各顶点的连接关系，计算受试者的邻接矩阵，作为孪生图神经网络的图输入；（4）利用弗洛伊德算法Floyd
–
Warshall提取组图谱的中心点采样掩膜，作为孪生图神经网络损失函数的加权系数；（5）将受试者间差异性加入到网络损失函数中，以中心点采样掩膜和组图谱作为标签采用半监督学习的方式训练网络；（6）给定任意的磁共振数据，经过步骤（2）中相同的特征提取过程，输入到训练好的孪生图神经网络中，将孪生图神经网络输出的个体化分区的one
‑
hot编码矩阵沿着编码维度以最大值的位置映射为一维向量，得到受试者磁共振数据对应的个体化脑图谱。2.根据权利要求1所述的一种基于磁共振和孪生图神经网络的脑图谱个体化方法，其特征在于，获取的受试者磁共振数据包括静息态功能磁共振rs
‑
fMRI皮层数据和T1加权磁共振MRI数据；所述静息态功能磁共振rs
‑
fMRI皮层数据用于功能连接RSFC提取特征，所述T1加权磁共振MRI数据用于计算受试者的邻接矩阵。3.根据权利要求2所述的一种基于磁共振和孪生图神经网络的脑图谱个体化方法，其特征在于，功能连接RSFC特征提取中，每个受试者均选用相位编码从左到右的两个扫描序列的静息态功能磁共振rs
‑
fMRI数据，然后选取组图谱作为参考图谱，基于组图谱定义感兴趣区域ROI计算该区域的平均时间序列信号，然后与所有受试者的功能性磁共振成像fMRI皮层表面顶点的平均时间序列信号做皮尔逊相关，生成皮层表面顶点与ROI间的功能连接矩阵，矩阵中每一行代表顶点的特征向量，然后使用费雪变换和指数变换对提取到的特征进行数据转换，其中费雪变换和指数变换公式分别为：其中，r是功能连接矩阵，使用皮尔逊相关系数计算得到，范围为[
‑
1,1]，f是经过费雪变换的结果，d是指数变换之后的数据，其中sig控制缩放范围，取值范围为[0.1,1]。4.根据权利要求2所述的一种基于磁共振和孪生图神经网络的脑图谱个体化方法，其特征在于，计算邻接矩阵时，将T1加权磁共振数据投射到32k分辨率的大脑皮层上，获得对应的脑图连接数据，并据此数据计算邻接矩阵，作为孪生图神经网络的图输入。5.根据权利要求1所述的一种基于磁共振和孪生图神经网络的脑图谱个体化方法，其特征在于，构建的孪生图神经网络包括参数共享的两层图神经网络GCN层，第一层使用64个滤波器，第二层使用的滤波器数目等于所使用的组图谱脑区数目，其中滤波器使用切比雪夫Chebyshev卷积核，阶数使用6阶。
6.根据权利要求1所述的一种基于磁共振和孪生...

【专利技术属性】
技术研发人员：张瑜，邱文渊，李军，陈子洋，孙超良，李劲松，
申请(专利权)人：之江实验室，
类型：发明
国别省市：