[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

说明书

本发明公开了一种基于卷积神经网络的静态脑网络特征提取方法，包括：通过计算每个脑区之间的皮尔逊系数来构成静态脑网络；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；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；将经过卷积层处理之后维度大小为1*1*32的脑区特征送入两层大小分别为64和32的全连接层继续提取特征，再采用SoftMax逻辑回归函数来进行脑疾病的诊断和分类。本发明能够学习出更具有判别力和解释性的特征，可以明显提高脑疾病分类的性能，对脑疾病诊断具有更好的分类性能。

技术领域

本发明涉及机器学习与医学影像处理技术领域，具体而言涉及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。

背景技术

随着现在生物技术的快速发展，脑影像技术，如现代核磁共振成像(magneticresonanceimaging，MRI)技术，包括功能性核磁共振成像(functionalMRI，fMRI)，提供了一种非侵入式的方式探索人体大脑，揭示了之前无法认知的脑结构和功能的机制。脑网络分析可以在连接层次上刻画大脑不同脑区间的交互，成为医学图像分析和神经影像学中一个新的研究热点。

最近，机器学习的传统方法已被用于脑网络的分析和分类中。例如，研究人员利用脑网络进行早期脑疾病的诊断和分类，获得了很好的性能。在这些研究中，典型的做法是从脑网络中提取大脑区域的局部测量(如聚类系数等)作为特征用于疾病的分类。而特征选择是在从数据中利用一定策略选择出原始特征集的一个最优子集，即依据某些准则和方法，在原始的d维的特征集合中选择能为我们提供更多信息的k维特征子集，实际上就是从高维数据中选择对特定任务有用的特征，丢弃数据中的冗余项，从而达到降低样本维度的目的，避免了“维数灾难”的发生，促进后续其他目标任务的学习，从而改进分类性能。例如，Chen等人使用边的权重作为特征用于AD(Alzheimer’sdisease)和MCI(mildcognitiveimpairment)的分类。如已有研究从DTI图像中利用白质构建了结构型连接网络，并提取6种生理参数构建了6种不同的结构型网络，用于MCI的分类，取得很好的效果。有些研究提出利用LASSO模型构建功能性连接网络，并用于儿童自闭症的研究。还有些研究提出利用GroupLASSO方法构建MCI和NC功能性连接网络，并用于分类。然而，先前等人的方法只在病人样本组中分析脑网络连接性，因此不适合用于分类。而之前一些研究的方法在MCI和NC上构建了具有相同拓扑结构的连接网络，因此在分类过程中，从而忽略病人网络和正常人网络在拓扑结构上的差异性。由于局部性测量仅仅网络局部结构的特征,从而可能会影响分类性能。

随着深度学习的方法逐渐火热，卷积神经网络的方法在图像领域异常火爆。随着ImageNet比赛，涌现出各种深度网络的改进典型代表，如AlexNet、VGG、GoogleNet、ResNet等。用这些模型在图像分类中展出比较优异的效果，分类精度一度超过人类判别精度。近来，相关人员结合医学影像数据特点，提出了一种基于深度学习静态脑网络特征提取方法，并把该方法用于医学影像当中。

虽然卷积神经网络多用于图片的分类，但是基于图片的特征，其本质也是由多个像素所构成的矩阵，在基于rs-fMRI数据对大脑的研究中，较为常见的方法是将图像型数据抽象为数值型数据并且构建大脑网络，这就和医学影像中所构成的功能性脑网络相似，此外传统的机器学习方法来进行提取特征可能会难以区别出正常人脑区和患者脑区之间特征，但是由于是局部测量，所以可能会影响分类性能。

发明内容

本发明针对现有技术中的不足，提供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，采用深度学习中的卷积神经网络来提取特征的方法，对于静态脑网络提取特征进一步分类处理。本发明克服了已有方法的不足，进而学习出更具有判别力和解释性的特征。通过深度学习的特征来进行预测和分类，这种方法可以用于医学影像的分析和研究,理论上还可以明显提高脑疾病分类的性能。最后在真实脑疾病数据集上进行了验证，实验结果表明，相比之前传统学习的方法，所提出的方法对脑疾病诊断具有更好的分类性能。