[发明专利]基于深度学习的静息态fMRI数据分类方法和装置

权利要求书

1.基于深度学习的静息态fMRI数据分类方法，其特征在于，包括以下步骤：

1)获取试验参与者的静息态fMRI数据，对静息态fMRI数据进行预处理，同时获取对应的试验参与者的标签；

2)对每个试验参与者的静息态fMRI数据，进行大脑区域划分，提取功能连接特征和脑区综合特征；

3)对每个试验参与者的静息态fMRI数据，提取全脑体素点特征；

4)对每个试验参与者，提取个人属性特征；

5)构建用于静息态fMRI数据分类的混合神经网络模型CDNN；

6)将用于模型训练部分的参与者的静息态fMRI数据经过步骤1)至步骤4)的处理，将得到的功能连接特征、脑区综合特征、全脑体素点特征和个人属性特征及其分类标签作为输入数据，输入至CDNN模型中进行模型训练，得到模型参数，用于静息态fMRI数据分类的CDNN模型；

7)对获得的静息态fMRI数据依次进行步骤1)至步骤4)的处理，将得到的功能连接特征、脑区综合特征、全脑体素点特征和个人属性特征输入到训练后的CDNN模型中进行分类。

2.根据权利要求1所述的基于深度学习的静息态fMRI数据分类方法，其特征在于：在步骤1)中，预处理包括时间片校正、头动校正、结构图像与功能图像配准、全局归一化、空间平滑和空间标准化操作；所述标签是试验参与者的属性。

3.根据权利要求1所述的基于深度学习的静息态fMRI数据分类方法，其特征在于：在步骤2)中，采用脑图谱对每个体素点根据规则映射至相应区域，将大脑划分为一系列的脑区，得到每个脑区的时间序列数据；

通过脑区时间序列计算脑区两两之间的相关关系，组成脑区相关系数矩阵，亦称为功能连接矩阵；提取功能连接矩阵的上三角特征作为功能连接特征；

根据脑区时间序列数据计算每个脑区的平均值和标准差特征；拼接所有脑区的平均值和标准差特征得到脑区综合特征。

4.根据权利要求1所述的基于深度学习的静息态fMRI数据分类方法，其特征在于：在步骤3)中，将静息态fMRI数据通过统计方法对整体时间计算其三维衍生数据，包括大脑低频波动振幅数据或局部一致性数据，作为全脑体素点特征。

5.根据权利要求1所述的基于深度学习的静息态fMRI数据分类方法，其特征在于：在步骤4)中，提取试验参与者的个人属性信息，包括年龄、性别，作为个人属性特征。

6.根据权利要求1所述的基于深度学习的静息态fMRI数据分类方法，其特征在于：在步骤5)中，混合神经网络模型CDNN由一个三维卷积神经网络和一个全连接神经网络组合搭建而成，其中三维卷积神经网络的输入对应全脑体素点特征，其输出与功能连接特征、脑区综合特征和个人属性特征以串联形式拼接成一维特征，输入至全连接神经网络，最后输出预测分类标签为正例的概率值。

7.根据权利要求6所述的基于深度学习的静息态fMRI数据分类方法，其特征在于：所述三维卷积神经网络依次包含输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、展平层以及全连接层；其中两层卷积层的卷积核数量均为16，卷积核大小为3×3×3；两层池化层均采用最大池化操作，池化窗口大小为2×2×2，每个池化层连接一个批量标准化层；展平层将上一层传递过来的结果展平成一维结果；全连接层的神经元数量为128，连接一个Dropout层以0.5的概率保留上一层传递过来的结果；所述卷积层和全连接层均采用LeakyReLU函数作为激活函数；将所述全连接层的结果作为三维卷积神经网络的输出。