[发明专利]一种基于流行学习算法的fMRI数据二维可视化方法

摘要

该发明公开了一种基于流行学习算法的fMRI数据二维可视化方法,该方法属于生物医学图像模式识别技术领域，具体涉及功能磁共振图像数据的降维可视化方法。本发明利用流行学习算法对fMRI数据进行降维处理并实现了大脑体素的二维可视化，具有高效性以及高稳定性。并且t‑SNE算法本身的降维机制也决定了二维可视化的结果可以保持数据原有的空间拓扑关系。本发明对于功能磁共振数据的二维可视化方面提出了新的有效的方法，首次将流行学习算法应用于大脑fMRI数据的二维可视化，可以作为传统皮层展开图、膨胀图的一种补充手段。

主权项

一种基于流行学习算法的fMRI数据二维可视化方法，该方法包括：步骤1.获取脑部的功能性磁共振图像fMRI，并将其与脑功能区模板进行匹配，确定每个体素点所处的脑功能区，所述的脑功能区模板为已有的标准大脑功能分区模板；步骤2.提取所有体素点的空间坐标及其所处脑功能区编号，将这些信息组成的四维向量组X＝{x1，x2，x3，…，xn}，xi(i＝1.2.3…n)表示功能性磁共振图像中的第i个体素点；其中xi＝(ri,pi,qi,ni),(ri,pi,qi)表示第i个体素点的三维空间坐标，ni表示第i个体素点所处脑区编号；步骤3.确定降维结果与原始结果的损失函数C的复杂度Perp以及最优化参数，优化参数包括：迭代次数T，学习率η，冲量α(t)；其中复杂度选取的范围为5≤Perp≤50，迭代次数T，学习率η，冲量α(t)结合实际计算量与降维效果的需求来选取合适的参数；步骤4.利用步骤3中确定的复杂度Perp采用如下公式(1)计算不同体素点间的条件相似性pj|i；pj|i=exp(-||xi-xj||22σi2)Σk≠iexp(-||xi-xk||22σi2)---(1)]]>Perp(pi)=2H(pi)---(2)]]>H(pi)＝‑∑jpj|ilog2pj|i(3)其中xj表示第j个体素点，xk表示第k个体素点，σi表示以第i个体素点为中心的正态分布的方差，pi表示第i个体素点与其他体素点的条件相似性分布，Perp(pi)表示pi的复杂度，H(pi)表示pi的香农熵，它随着σi的增加而增加；通过步骤3中选取的Perp值确定体素点i处的方差σi；方法为计算出一个合适的σi值，使该σi值通过(1)、(3)式算出的H(pi)值满足(2)式；令并随机设定迭代初始值使之服从均值为0，方差为10‑4的正态分布，其中yi(i＝1.2.3…n)表示低维数据点，pij表示体素点i与体素点j在高维空间中的对间相似性；步骤5.使用梯度下降法对初始值进行迭代降维，以找出最优降维结果；步骤6.通过以上迭代过程得到的低维数据结果即为最终的最佳降维结果；步骤7.将得到的低维数据在平面内显示出来，并将不同脑功能区的体素点以不同的形式显示来加以区分。