[发明专利]一种基于图卷积神经网络的脑网络分类方法

说明书

本发明公开了一种基于图卷积神经网络的脑网络分类方法，包括以下步骤：首先，从大脑功能核磁共振图像中提取各个脑区的血氧合度依赖信号；其次，构建能够反映大脑分区之间功能性连接拓扑结构特征的脑图；再次，将构建的脑图以及实际诊断标签输入到图卷积神经网络中进行特征学习以及模型训练。本发明用于脑网络分类。

技术领域

本发明涉及一种基于图卷积神经网络的脑网络分类方法，属于数字图像技术领域。

背景技术

随着社会和科技的进一步发展，已经有越来越多的曾被认为不可医治的疾病被发现病因并随之提出相应的治疗方法。随着人们对自己的身体健康状况更加重视，对医疗技术方面也有了更高的要求，尤其现阶段，人们越来越关注脑疾病的医疗手段。因为人脑具有极其复杂的结构和功能，人们希望通过理解大脑的运转机制了解脑疾病的病理特征以及诊断方法，世界各国投入了大量的人力和物力进行研究，例如美国和欧盟分别投入38亿美元和10亿欧元，启动大脑研究计划。脑科学研究成果一方面将为人类更好地了解大脑、保护大脑、开发大脑潜能等做出重要贡献，同时也有助于加深对抑郁症(Major DepressiveDisorder，MDD)，阿尔茨海默病(Alzheimer's disease,AD) 及其早期阶段即轻度认知功能障碍(Mild cognitive impairment,MCI)，帕金森氏症 (Parkinson's disease,PD)等脑疾病的理解，并且为这一系列神经性疾病找到早期诊断和治疗的新方法。因此，研究如何进行脑网络分类，无论是对于临床神经学研究还是人的健康都具有非常重要的意义。

功能性磁共振成像(fMRI)是一种常见的无创的描述大脑结构以及连接特征的医学影像。fMRI可以用来探索大脑在静息状态下的工作机理和规律，其主要反映的是大脑神经网络的功能性连接特征。其成像原理是通过磁振造影来捕捉神经元活动下的血液动力变化，获取并记录大脑各个体素点的血氧合度依赖信号(BOLD信号)，用以间接反映活体静息状态下的神经元活动情况。于是，可以通过fMRI获取脑功能网络连接矩阵来观察分析、研究常人与患者脑内各个区域之间是否存在显著的功能连接性差异，以此来辅助诊断。

目前临床上的诊断方式易受医生经验和水平等因素的影响，诊断结果较为主观且可能发生误诊的情况。近年来，已有大量的研究从大脑医学影像的角度寻找疾病的生物学诊断指标。目前常用的方法是直接采用不同脑区的功能连接权值作为特征来进行学习与分析，但这一特征忽略了脑网络的拓扑结构信息导致诊断精度不高。

发明内容

近年来，已有大量的研究从大脑医学影像的角度寻找疾病的生物学诊断指标。目前常用的方法是直接采用不同脑区的功能连接权值作为特征来进行学习与分析，但这一特征忽略了脑网络的拓扑结构信息导致诊断精度不高。本发明为脑网络分类，提供一种从fMRI中提取出脑网络的拓扑结构(脑图)作为输入特征，并基于图卷积神经网络的脑网络分类方法。

本发明为解决上述技术问题采用以下技术方案：

本发明提供一种基于图卷积神经网络的脑网络分类方法，包括以下步骤：

步骤1，获取大脑功能核磁共振图像(fMRI)并对其进行预处理，从中提取各个脑区的血氧合度依赖(BOLD)信号，具体包括：

1-1，所有的fMRI数据都使用静息态功能性数据处理辅助工具(DPARSF)2.3 进阶版工具包进行预处理，对于每一个受试者，所拍摄的fMRI的前十帧都会被丢弃以达到磁饱和的稳定状态。

1-2，将预处理后的fMRI与大脑图谱进行映射可以得到各个大脑分区(L个ROIs)的fMRI，即L个大脑分区的血氧合度依赖信号(BOLD信号)的变化情况；

步骤2，构建能够反映大脑分区之间功能性连接拓扑结构特征的脑图，该数据结构可以用节点标签和二值化的邻接矩阵完全表示，并以邻接矩阵张量的方式进行存储。具体包括：