[发明专利]一种基于最优传输映射的脑影像二维卷积深度学习方法

说明书

本发明公开了一种基于最优传输映射的脑影像二维平面图像映射方法，包括获取待映射的脑影像数据；将脑影像数据重建脑皮层三维网格表面，并获取三维网格顶点的形态学测量值；将脑皮层三维网格表面映射为二维平面并进行网格化；将三维网格顶点的形态学测量值映射到二维平面，得到二维平面图像；对生成的二维平面图像进行深度学习或深度迁移学习。本发明实现了成熟的二维卷积神经网络模型在三维/四维脑影像数据上的运用，克服了三维/四维脑影像数据缺乏性能优良的深度学习模型的瓶颈，可利用二维卷积神经网络模型进行迁移学习，解决了脑影像样本小而模型训练难的问题。

技术领域

本发明涉及脑影像深度学习技术，具体涉及一种基于最优传输映射的脑影像二维平面图像映射方法。

背景技术

脑影像的模式识别是脑科学与信息科学交叉学科领域的重点研究方向之一。发育、老化、长期训练和脑疾病等都伴随有大脑结构或功能的变化。磁共振成像作为一种非侵入式的脑成像手段，可以对脑结构或功能进行测量，构建脑影像的模式分类模型，将为构建个体的脑影像指纹提供方法学支撑。

深度学习是近年兴起的模式识别方法，成功应用于计算机视觉、自然语言处理等领域。卷积神经网络是目前深度学习技术领域中非常具有代表性的神经网络之一，在图像处理领域有出色表现。它是一种前馈神经网络，通常由多个卷积层组成，并通过反向传播算法进行网络权值更新。深度学习在脑影像模式识别领域得到了持续的关注，但是有限的脑影像样本和深度学习所要求的大规模训练样本之间存在巨大的鸿沟，限制了深度学习在脑影像模式识别领域的应用。由于脑影像采集成本高昂，有限时间内无法采集到如计算机视觉与图像识别领域的样本规模，所以亟待从方法学角度为这一鸿沟搭建桥梁。迁移学习很有可能是最优方案之一。一种常用的迁移学习方案是在大型数据集(如2D自然图像数据集ImageNet)上预训练模型，然后在新的数据集上微调模型。但是，脑影像通常是3维或4维体积图像，而当前3维或4维深度学习模型还不成熟。因此，亟需发展一种深度/迁移学习方法框架，将成熟的二维深度卷积神经网络模型应用于3维或4维脑影像的模式识别，从而提高脑影像模式识别的性能。

最优传输映射是一种网格曲面保面元映射方法，能够将任意3维曲面映射到平面上，并保持每个网格的面元基本不变。最优传输映射从本质上来讲是一种保拓扑关系，保面积的曲面映射方法。其实现可以分为两个部分，首先依据黎曼映射定理，存在唯一的保角映射，将3维曲面映射到2维平面，并且保持角度不变，但会带来较大的面积畸变；然后根据最优传输理论将得到的保角网格映射到保面积网格，从而得到从3维曲面到2维平面的保面元映射。

发明内容

本发明要解决的技术问题：针对现有技术的上述问题，提供一种基于最优传输映射的脑影像二维平面图像映射方法，本发明实现了成熟的二维卷积神经网络模型在三维/四维脑影像数据上的运用，克服了三维/四维脑影像数据缺乏性能优良的深度学习模型的瓶颈，可利用二维卷积神经网络模型进行迁移学习，解决了脑影像样本小而模型训练难的问题。

为了解决上述技术问题，本发明采用的技术方案为：

一种基于最优传输映射的脑影像二维卷积深度学习方法，包括：

1)获取待映射的脑影像数据；

2)将脑影像数据重建脑皮层三维网格表面，并获取三维网格顶点的形态学测量值；

3)将脑皮层三维网格表面映射为二维平面并进行网格化；

4)将三维网格顶点的形态学测量值映射到二维平面，得到二维平面图像；

5)对生成的二维平面图像进行深度学习或深度迁移学习。

可选地，步骤1)中的待映射的脑影像数据为脑结构磁共振成像数据或脑功能磁共振成像数据。

可选地，步骤2)中将脑影像数据重建脑皮层三维网格表面具体是采用FreeSurfer软件将待映射的脑影像数据重建脑皮层三维网格表面。