[发明专利]一种基于卷积神经网络的静态脑网络特征提取方法和系统

权利要求书

1.一种基于卷积神经网络的静态脑网络特征提取方法，其特征在于，所述提取方法包括以下步骤：

S1，根据自动解剖标记模板将每个样本的大脑空间划分为116个感兴趣区域，通过计算每个脑区之间的皮尔逊系数来构成静态脑网络；

S2，采用参数大小为[32,32,64,32]的卷积神经网络对静态脑网络进行处理以提取相应的脑区特征，通过卷积和全连接之后分别提取得到脑区空间特征以及脑区边缘化特征；其中，卷积神经网络的通道数为[32,32]，全连接层参数为[64,32]，卷积核为116；

S3，在卷积神经网络后连接两层卷积层，两个卷积层的卷积核的大小分别是32和16，步长为116，第一层卷积层的参数为1x116x32，第二层卷积层的参数为1x1x32；这两层卷积层对步骤S2中提取得到的脑区空间不同位置的相近特征继续进行卷积操作进行深度提取；

S4，将步骤S3中经过卷积层处理之后维度大小为1*1*32的脑区空间特征送入两层大小分别为64和32的全连接层继续提取脑区边缘化特征，传递至全连接层的脑区边缘化特征图包含与学习目标相同的特征，再采用SoftMax逻辑回归函数来进行脑疾病的诊断和分类。

2.根据权利要求1所述的基于卷积神经网络的静态脑网络特征提取方法，其特征在于，步骤S1中，根据下述公式计算每个脑区之间的皮尔逊系数：

F(i,j)＝pcc(x_i,x_j)

其中，pcc表示两个脑区之间的相关性，x_i和x_j分别表示脑区i和脑区j的血氧信号，F(i,j)描述脑区i和脑区j之间的相互作用。

3.根据权利要求1所述的基于卷积神经网络的静态脑网络特征提取方法，其特征在于，所述采用SoftMax逻辑回归函数来进行脑疾病的诊断和分类的过程包括以下步骤：

执行3个分类任务：2个二分类HCvs.eMCI、NCvs.lMCI，和一个4分类HCvs.eMCIvs.lMCIvs.AD；

对于每个分类采用5折交叉验证策略，并使用SoftMax分类器进行分类；

取每一折的精确度求取平均值作为最后的精确度。

4.根据权利要求1或者3所述的基于卷积神经网络的静态脑网络特征提取方法，其特征在于，步骤S4中，所述SoftMax逻辑回归函数为：

S_a＝e^a/∑_be^b

其中，S_a表示第a个类别在所有的b种类中所占的概率，a代表第a个类别，b代表一共有b种类别。

5.根据权利要求1所述的基于卷积神经网络的静态脑网络特征提取方法，其特征在于，所述样本采用静息态功能性核磁共振成像数据集。

6.一种基于卷积神经网络的静态脑网络特征提取系统，其特征在于，所述提取系统包括：

静态脑网络生成模块，用于根据自动解剖标记模板将每个样本的大脑空间划分为116个感兴趣区域，通过计算每个脑区之间的皮尔逊系数来构成静态脑网络；

参数大小为[32,32,64,32]的卷积神经网络，用于对静态脑网络进行处理以提取相应的脑区特征；其中，卷积神经网络的通道数为[32,32]，全连接层参数为[64,32]，卷积核为116；

两层卷积层，连接在卷积神经网络之后，这两个卷积层的卷积核的大小分别是32和16，步长为116，第一层卷积层的参数为1x116x32，第二层卷积层的参数为1x1x32；通过卷积之后分别提取为脑区空间特征，该特征用于识别脑区位于空间不同位置的相近特征；这两层卷积层对提取得到的脑区空间不同位置的相近特征继续进行卷积操作；

两层大小分别为64和32的全连接层，用于对经过卷积层处理之后维度大小为1*1*32的特性继续提取脑区边缘特征；

SoftMax分类器，采用SoftMax逻辑回归函数来进行脑疾病的诊断和分类。