[发明专利]基于深度学习的静息态fMRI数据分类方法和装置

说明书

本发明公开了一种基于深度学习的静息态fMRI数据分类方法和装置，包括：1)获取静息态fMRI试验数据，进行预处理并获取标签；2)对静息态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)提取全脑体素点特征；4)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；6)将用于模型训练部分的数据进行处理，作为输入数据进行混合神经网络的训练，得到的参数用于静息态fMRI数据分类的混合神经网络模型；7)对静息态fMRI数据进行处理，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混合神经网络模型中进行分类。本发明能保留各项特征的数据形式，综合考虑各项特征的信息，有效提高分类准确率。

技术领域

本发明涉及数据分类的技术领域，尤其是指一种基于深度学习的静息态fMRI数据分类方法和装置。

背景技术

功能性磁共振成像技术(fMRI)是一种无创的脑功能活动测量手段，fMRI数据反映了人类大脑的血氧含量情况。目前fMRI已被广泛应用于认知科学、发育科学、精神疾病等领域。其中静息态fMRI数据是fMRI数据的一种，测量了人类处于清醒、闭眼、无干扰、放松状态下的fMRI数据，反映了人类最真实的大脑活动状态，可以检测大脑在物理结构或活动行为的异常，常用于研究人类大脑疾病的诊断与治疗。

深度学习是机器学习中一种对数据进行表征学习的方法，深度神经网络(DNN)、卷积神经网络(CNN)等深度学习模型已成功应用于计算机视觉、语音识别、自然语言处理等领域。深度学习模型已被用于对静息态fMRI数据的分类，但由于静息态fMRI数据结构的复杂性以及特征的多样性，如何充分利用各项特征的信息，有效地进行组合特征的学习，仍然是亟待解决的问题。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提出了一种基于深度学习的静息态fMRI数据分类方法和装置，能够综合考虑静息态fMRI的多种特征的信息，并对不同形式的特征进行合理、有效的组合，实现更好的分类效果。

为实现上述目的，本发明所提供的技术方案如下：

基于深度学习的静息态fMRI数据分类方法，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(Convolutional andDeep Neural Networks)；

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。

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。

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；