[发明专利]一种用于功能核磁共振成像数据生成的生成对抗网络模型的实现方法

权利要求书

1.一种用于功能核磁共振成像数据生成的生成对抗网络模型的实现方法，其特征在于，包括数据生成的步骤、数据集扩充与分类的步骤；

所述数据生成的步骤：通过设计生成对抗网络实现，所述生成对抗网络包括生成器和判别器；生成器的作用是对fMRI图像进行生成，生成器通过训练一个映射函数，将网络输入的正态分布的噪声转化成生成的fMRI图像；判别器的作用是判别输入的图像是真实的fMRI图像还是生成的图像，并将判断得到的结果反馈到生成器中；

所述数据集扩充与分类的步骤：将生成得到的fMRI图像加入原始的fMRI数据集中，得到扩充的数据集，扩充后的数据集作为训练集训练深度神经网络；训练完成后的深度神经网络作为分类器，对fMRI图像进行分类。

2.根据权利要求1所述的一种用于功能核磁共振成像数据生成的生成对抗网络模型的实现方法，其特征在于，在数据集扩充与分类的步骤中，所述扩充的数据集中加入的生成图像比例需限制在一定范围内。

3.根据权利要求2所述的一种用于功能核磁共振成像数据生成的生成对抗网络模型的实现方法，其特征在于，所述比例设定为0.2：1，0.4：1，0.6：1，0.8：1，1：1。

4.根据权利要求1所述的一种用于功能核磁共振成像数据生成的生成对抗网络模型的实现方法，其特征在于，所述方法还包括fMRI图像预处理的步骤：把原始的DICOM数据转化为NIFTI格式；去除前若干个时间点；时间矫正；头动矫正；去除BOLD时间序列的线性趋势并且对时间序列进行滤波，保留更准确的时间序列；进行标准化和平滑操作。

5.根据权利要求1所述的一种用于功能核磁共振成像数据生成的生成对抗网络模型的实现方法，其特征在于，所述数据生成的步骤中还包括设计约束器；所述约束器是一个预先训练好的分类网络，其作用是使得生成器生成的数据在Wasserstein距离上远离另一个类别的数据；所述约束器的loss值设置为：

M()表示约束计算器的映射输出，x’表示第二个类别的数据分布,z是输入的噪声向量，G()表示生成器的映射过程；表示生成数据分布与第二个类别数据分布之间的Wasserstein距离，并求得期望值，通过该值可以表示生成的数据分布和第二个数据类别的数据分布之间的差异性，称之为类间距离；表示生成数据分布和第二个类别数据分布之间的类内距离，λ₁是一个加权参数，用于平衡两个距离；为了使约束器收敛，在训练约束计算器时将神经网络的权重参数范围限制在[-0.1,0.1]；加入对两个类别分布的距离约束函数后，生成网络更容易生成对分类效果有提升的数据；

最终的损失函数Loss：

L_wasserstein(D,G)是生成对抗网络进行极大极小值优化的损失函数，和是对判别器和生成器输出的Wasserstein距离的估计，是对梯度的惩罚，λ是梯度惩罚加权系数；这里的λ₂是一个加权参数，用于控制两个损失之间的权衡；推荐系数为λ＝0.1，λ₁＝10，λ₂＝0.01。

6.根据权利要求1所述的一种用于功能核磁共振成像数据生成的生成对抗网络模型的实现方法，其特征在于，所述生成器设计为5层，包含一层输入层，三层隐藏层，一层输出层；

所述输入层：利用一层全连接的神经网络将噪声向量转换为8*8*128的特征矩阵；

所述隐藏层：为3层反卷积，卷积核选择3*3的大小，每一层的后面使用relu激活函数；

所述输出层：对特征图进行加权挑选，将原本的16张特征图处理为一张并输出，即得到生成的fMRI图像。

7.根据权利要求5所述的一种用于功能核磁共振成像数据生成的生成对抗网络模型的实现方法，其特征在于，所述判别器和约束器的结构相同，采用多层的卷积进行堆叠提取特征，使用跳跃连接计算残差；每一次残差块包括3层卷积层，层与层之间使用Leaky_RELU激活函数，每个残差块后面使用下采样池化，输出采用全卷积的模式。

8.根据权利要求1所述的一种用于功能核磁共振成像数据生成的生成对抗网络模型的实现方法，其特征在于，所述数据生成的步骤还包括生成对抗网络训练的步骤：

A.将预处理完的数据分为训练集和验证集，人工制作好每个数据的类别标签，以one-hot的格式保存；

B.在训练生成对抗网络的过程中加入监督器，其作用是评价训练阶段的生成器生成的数据的质量；在训练过程中先训练n次的对抗网络，再开始训练监督器，直到监督器的准确率达到稳定，记录下此刻的局部最优准确率，如此反复；在每次开始训练监督器前，需要将监督器参数重新初始化，以确保训练结果与上一次训练无关；重复训练这个步骤直至100个epoch，将其中监督器准确率最高时的网络模型保存下来；

C.以交替的方式更新生成对抗网络的生成器和判别器，每更新1次生成器，更新5次判别器，其中，对于前25次迭代和第100次迭代，每更新1次生成器，更新100次判别器。