【技术实现步骤摘要】
本专利技术涉及功能脑网络构建，特别涉及一种功能脑网络构建方法、装置、介质和设备。
技术介绍
1、目前，自闭症谱系障碍是一种常见的儿童神经发育疾病，主要特征包括社交能力受损、语言交流障碍、狭隘的兴趣范围以及重复刻板的行为。目前，自闭症的诊断大多依赖于临床症状的观察和医生的主观经验，这可能导致较高的误诊率，进而延误了治疗。因此，如何通过脑科学辅助医生对自闭症进行诊断，尤其是在疾病的早期阶段，成为脑科学领域的研究重点。
2、静息态功能磁共振成像(resting-state functionalmagnetic resonanceimaging，rs-fmri)作为一种无创技术，已在脑类疾病早期诊断中得到了广泛应用。以自闭症为例，由于自闭症谱系障碍通常会影响大脑不同区域的神经连接，因此构建高质量的脑网络成为辅助识别自闭症患者脑区异常的重要手段。
3、但是，传统方法基于潜在脑类病症患者的静息态脑功能磁共振成像构建脑网络时，通常基于各传统脑区进行构建，而传统的脑区分类过于死板，数量较多的细粒度脑区之间的关系错综复杂，不利于医生直接观察判断，因此，如何构建更相关能够更直接地表征潜在脑类病症的脑网络是亟需解决的问题。
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种功能脑网络构建方法、装置、介质和设备。
2、本专利技术采用下述技术方案：
3、本专利技术提供了一种功能脑网络构建方法，包括：
4、基于潜在脑类病症患者的静息态脑功能磁
5、根据初始功能脑网络中各节点之间的空间关系对各脑区的时间序列特征进行空间卷积，使空间卷积后的每个脑区的时间序列特征融合其相邻节点的信息；
6、对空间卷积后的各脑区的时间序列特征进行聚类，以剔除与潜在脑类病症无关的脑区并聚合空间卷积后时间序列特征相似的脑区，确定聚类映射矩阵；
7、根据聚类映射矩阵对空间卷积后的各脑区的时间序列特征进行聚类映射，确定聚类映射后的各脑区的时间序列特征以构造脑区聚类后的功能脑网络。
8、可选地，所述根据初始功能脑网络中各节点之间的空间关系对各脑区的时间序列特征进行空间卷积，具体包括：
9、将各脑区的时间序列特征和初始功能脑网络输入图同构网络，通过下式根据初始功能脑网络中各节点之间的空间关系对各脑区的时间序列特征进行空间卷积：
10、
11、h0＝ax,
12、
13、其中，z为空间卷积后的各脑区的时间序列特征，a为初始功能脑网络，x为各脑区的时间序列特征，gin_c( )为图同构网络表达式，为图同构网络第k层输入节点的特征信息，ni为初始功能脑网络中第i个节点相邻的节点，conv2d( )为卷积函数，l为图同构网络的预设最大迭代次数，∈k是可学习的参数。
14、可选地，所述对空间卷积后的各脑区的时间序列特征进行聚类，具体包括：
15、s＝softmax(gin_cp(a,z))，
16、
17、其中，s为聚类映射矩阵，gin_cp( )为读出函数为池化层的图同构网络，pool( )为池化层函数。
18、可选地，所述方法还包括：
19、通过下式采用时间卷积网络对脑区聚类后的各脑区的时间序列特征进行时间卷积：
20、tconv(z')＝relu(bn(conv2d'(z')))；
21、通过下式对时间卷积后的各脑区的时间序列特征进行时空间卷积：
22、stgconv(z')＝tconv(gin_c(a',z'))+bn(tconv(z'))；
23、通过下式采用transformer模型根据时间卷积后的各脑区的时间序列特征和时空间卷积后的各脑区的时间序列特征，整合单个脑区在时间维度上的特征信息，得到时空聚合后粗粒度的各脑区的时间序列特征：
24、q＝wq(tconv(z't))，
25、k＝wk(stgconv(z't))，
26、v＝wv(tconv(z't))，
27、
28、其中，tconv( )表示时间卷积，conv2d'( )为卷积函数且卷积核大小为(1,kernal_size)，kernal_size为时间维度卷积核的大小，z'为脑区聚类后的各脑区的时间序列特征，bn( )为批量归一化函数，relu( )为激活函数，stgconv( )表示时空间卷积，a'为脑区聚类后的功能脑网络，q为transformer模型构造的查询，wq( )为transformer模型的查询构造函数，k为transformer模型构造的键，wk( )为transformer模型的键构造函数，v为transformer模型构造的值，wv( )为transformer模型的值构造函数，vout为时空聚合后粗粒度的各脑区的时间序列特征，n'为脑区聚类后脑区的数量。
29、可选地，所述基于潜在脑类病症患者的静息态脑功能磁共振成像，根据自动解剖标记图谱的脑区划分确定各脑区的时间序列特征，并构建初始功能脑网络，具体包括：
30、对用户的静息态脑功能磁共振图像进行切片时间校正和头动校正，并去除校正后的静息态脑功能磁共振图像中心室、白质信号和头动高阶效应产生的影响，得到初步预处理后的静息态脑功能磁共振图像；
31、将初步预处理后的静息态脑功能磁共振图像配准到标准空间，并对配准后的静息态脑功能磁共振图像通过0.01～0.1hz时间带通滤波减少心跳和呼吸的影响，得到最终预处理后的静息态脑功能磁共振图像；
32、根据自动解剖标记图谱，将大脑划分为多个脑区，并根据最终预处理后的静息态脑功能磁共振图像提取每个脑区的平均时间序列特征，作为各脑区的时间序列特征。
33、本专利技术提供了一种功能脑网络构建装置，包括：
34、获取模块，用于基于潜在脑类病症患者的静息态脑功能磁共振成像，根据自动解剖标记图谱的脑区划分确定各脑区的时间序列特征，并构建初始功能脑网络；
35、空间卷积模块，用于根据初始功能脑网络中各节点之间的空间关系对各脑区的时间序列特征进行空间卷积，使空间卷积后的每个脑区的时间序列特征融合其相邻节点的信息；
36、聚类模块，用于对空间卷积后的各脑区的时间序列特征进行聚类，以剔除与潜在脑类病症无关的脑区并聚合空间卷积后时间序列特征相似的脑区，确定聚类映射矩阵；
37、构造模块，用于根据聚类映射矩阵对空间卷积后的各脑区的时间序列特征进行聚类映射，确定聚类映射后的各脑区的时间序列特征以构造脑区聚类后的功能脑网络。
38、本专利技术提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述功能脑网络构建方法。
39、本专利技术提供了一种计本文档来自技高网...
【技术保护点】
1.一种功能脑网络构建方法，其特征在于，包括：
2.如权利要求1所述的功能脑网络构建方法，其特征在于，所述根据初始功能脑网络中各脑区之间的空间关系对各脑区的时间序列特征进行空间卷积，使空间卷积后的每个脑区的时间序列特征融合其相邻脑区的信息，具体包括：
3.如权利要求2所述的功能脑网络构建方法，其特征在于，所述对空间卷积后的各脑区的时间序列特征进行聚类，具体包括：
4.如权利要求1所述的功能脑网络构建方法，其特征在于，所述方法还包括：
5.如权利要求1所述的功能脑网络构建方法，其特征在于，所述基于潜在脑类病症患者的静息态脑功能磁共振成像，根据自动解剖标记图谱的脑区划分确定各脑区的时间序列特征，具体包括：
6.一种功能脑网络构建装置，其特征在于，包括：
7.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1～5任一项所述的方法。
8.一种计算机设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所
...【技术特征摘要】
1.一种功能脑网络构建方法，其特征在于，包括：
2.如权利要求1所述的功能脑网络构建方法，其特征在于，所述根据初始功能脑网络中各脑区之间的空间关系对各脑区的时间序列特征进行空间卷积，使空间卷积后的每个脑区的时间序列特征融合其相邻脑区的信息，具体包括：
3.如权利要求2所述的功能脑网络构建方法，其特征在于，所述对空间卷积后的各脑区的时间序列特征进行聚类，具体包括：
4.如权利要求1所述的功能脑网络构建方法，其特征在于，所述方法还包括：
5.如权利要求1所述的功能脑网络构...
【专利技术属性】
技术研发人员：张丽梅，王俊泽，乔立山，杨俊，李雅茹，王晨，王广玉，
申请(专利权)人：山东建筑大学，
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。