【技术实现步骤摘要】
本专利技术属于计算机图数据，更具体地，本专利技术涉及一种基于transformer的脑部磁共振图像的特征提取方法。
技术介绍
1、脑部功能磁共振图像(fmri)是通过核磁共振成像(mri)技术获得的医学图像数据，展现了大脑不同区域的血氧含量变化。这些数据在神经科学研究和脑部疾病诊断中具有重要价值。为了深入理解和分析脑部功能磁共振图像数据，需要开发高效的特征提取方法，以从图像中获取关于不同脑区之间关系和特征的信息。
2、传统上，脑部功能磁共振图像的特征提取依赖于手工设计的特征提取器，受限于对脑部结构的先验知识。然而，随着深度学习技术的发展，计算机视觉方法取得了显著进展，尤其是在脑部功能磁共振图像的视觉特征提取方面取得了令人鼓舞的成果。尽管计算机视觉方法在特征提取方面取得了良好效果，但是处理四维图像的数据需要大量计算资源，不利于技术的推广并且很难学习到脑部的拓扑结构信息。随着研究的深入，通过脑区模板对脑部功能磁共振图像进行映射并通过计算获取图像的功能连接强度图的方法逐渐崭露头角。这种方法能够通过计算每个脑区的血氧水平依赖信号序列的皮尔逊相关系数建立功能连接强度图，形成反映脑部变化信息的图结构数据。而使用计算机图数据学习技术去提取这些图结构数据特征的方法与计算机视觉方法相比仅需使用计算资源的百分之一并且能够学习到脑部的拓扑结构信息，因此备受关注。
3、计算机图数据学习技术能够使用较少的计算资源处理功能连接强度图建立的图结构数据，并通过图结构数据使模型能够理解不同脑区之间的连接、交互和功能。借助这些信息，计算机图
技术实现思路
1、本专利技术提供一种基于transformer的脑部磁共振图像的特征提取方法，旨在改善上述问题。
2、本专利技术是这样实现的，通过一次非线性变化将不同脑区所在节点之间的连接信息和位置信息变化为脑区的结构信息，再由损失函数loss3控制模型收敛从而进一步强化节点特征中脑区的结构信息，所述方法具体如下：
3、(1)构建每个站点用于脑部磁共振图像特征提取的特征提取模型；
4、(2)采集到脑部磁共振图像输入对应特征对应站点的特征提取模型，特征提取模型输出脑部静态血氧信号及其对应的性别。
5、进一步的，通过各个站点的训练样本集中的样本分别对t-gnn模型进行训练，直至损失loss收敛，形成各个站点的特征提取模型；
6、其中，t-gnn模型包括：特征提取器、自注意力编码器模块及性别分类器组成。
7、进一步的，损失loss由两部分组成，分别为性别分类损失loss2及脑区结构信息损失loss3，即loss＝loss2+loss3
8、进一步的，别分类损失loss2的计算公式具体如下：
9、
10、其中，表示性别分类结果y2中的第i个分类结果，li表示代表第i个分类结果y2i的值，n为性别分类结果y2中分类结果个数。
11、进一步的，脑区结构信息损失loss3的计算公式具体如下：
12、
13、
14、其中，f2ki表示f2数据中的第k个样本的第i个节点的节点特征，n为f2数据中的样本个数，s为f2数据中每个样本的节点个数，f2kj表示f2数据中与第k个样本中的第i个节点相邻的第j个相邻节点，m表示第i个节点的相邻节点总数，b5为常数。
15、进一步的，t-gnn模型中特征提取器、自注意力编码器模块的初始权重参数获取过程具体如下：
16、通过预训练样本集中的样本对预训练模型进行训练，直至损失loss1收敛，预训练完成后，特征提取模块的权重参数w1及自注意力编码器模块的权重参数w2即为t-gnn模型中特征提取器、自注意力编码器模块的初始权重参数；
17、其中，预训练模型包括：掩码器模块、特征提取器、自注意力编码器模块及自注意力解码器模块组成。
18、进一步的，将各个站点采集到的样本放入预训练集中，样本构建过程具体如下：
19、(1)采集脑部的静态核磁共振四维图像；
20、(2)选定各个站点的脑区模板，并计算不同脑区之间的连接强度图，形成脑区连接强度图；
21、(3)将静态核磁共振四维图像的脑区连接强度图作为样本特征，静态核磁共振四维图像中被采集者的性别作为样本标签，完成样本的构建。
22、进一步的，特征提取模块由两个激活函数的线性层组成，用于提取各脑区所在节点的节点特征，提取过程具体如下：
23、
24、
25、
26、其中，xi表示向第i个样本的脑区连接强度图，权重w11和权重w12构成了特征权重w1，relu表示激活函数，pe(i)表示第i个样本的所有节点通过transformer中的位置编码函数(position embedding)获取到的节点位置信息，表示第i个样本中脑区所在节点与其他脑区所在节点的连接强度，表示第i个样本中脑区所在节点之间的连接强度和位置信息，fij表示第i个样本中第j个脑区所在节点的节点特征，fj＝{f1j,f2j,...,fij}，fj表示第j个脑区所在节点的节点特征，b1、b2均为偏置参数。
27、进一步的，损失loss1的计算公式具体如下：
28、
29、其中，xi为预训练集中的第i个样本图像，yi表示样本图像xi的复原样本图像，n表示预训练集中样本个数。
30、本专利技术提高了脑部磁共振图像特征提取的性能，并为今后通过脑部磁共振图像诊断脑部疾病提供更加有效的特征提取方法。
本文档来自技高网...【技术保护点】
1.一种基于Transformer的脑部磁共振图像的特征提取方法，其特征在于，所述方法具体如下：
2.如权利要求1所述基于Transformer的脑部磁共振图像的特征提取方法，其特征在于，通过各个站点的训练样本集中的样本分别对T-GNN模型进行训练，直至损失Loss收敛，形成各个站点的特征提取模型；
3.如权利要求2所述基于Transformer的脑部磁共振图像的特征提取方法，其特征在于，损失Loss由两部分组成，分别为性别分类损失Loss2及节点结构信息损失Loss3，即Loss＝Loss2+Loss3。
4.如权利要求3所述基于Transformer的脑部磁共振图像的特征提取方法，其特征在于，别分类损失Loss2的计算公式具体如下：
5.如权利要求3所述基于Transformer的脑部磁共振图像的特征提取方法，其特征在于，节点结构信息损失Loss3的计算公式具体如下：
6.如权利要求3所述基于Transformer的脑部磁共振图像的特征提取方法，其特征在于，T-GNN模型中特征提取器、自注意力编码器模块的初始权重参数
7.如权利要求6所述基于Transformer的脑部磁共振图像的特征提取方法，其特征在于，将各个站点采集到的样本放入预训练集中，样本构建过程具体如下：
8.如权利要求6所述基于Transformer的脑部磁共振图像的特征提取方法，其特征在于，特征提取模块由两个激活函数的线性层组成，用于提取各脑区所在节点的节点特征，提取过程具体如下：
9.如权利要求6所述基于Transformer的脑部磁共振图像的特征提取方法，其特征在于，损失Loss1的计算公式具体如下：
...【技术特征摘要】
1.一种基于transformer的脑部磁共振图像的特征提取方法，其特征在于，所述方法具体如下：
2.如权利要求1所述基于transformer的脑部磁共振图像的特征提取方法，其特征在于，通过各个站点的训练样本集中的样本分别对t-gnn模型进行训练，直至损失loss收敛，形成各个站点的特征提取模型；
3.如权利要求2所述基于transformer的脑部磁共振图像的特征提取方法，其特征在于，损失loss由两部分组成，分别为性别分类损失loss2及节点结构信息损失loss3，即loss＝loss2+loss3。
4.如权利要求3所述基于transformer的脑部磁共振图像的特征提取方法，其特征在于，别分类损失loss2的计算公式具体如下：
5.如权利要求3所述基于transformer的脑部磁共振图像...
【专利技术属性】
技术研发人员：刘子凡，孙道清，赵善辉，朱赛赛，陈付龙，
申请(专利权)人：安徽师范大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。