CN110522448B - 一种基于图卷积神经网络的脑网络分类方法 - Google Patents

一种基于图卷积神经网络的脑网络分类方法 Download PDF

Info

Publication number
CN110522448B
CN110522448B CN201910631316.3A CN201910631316A CN110522448B CN 110522448 B CN110522448 B CN 110522448B CN 201910631316 A CN201910631316 A CN 201910631316A CN 110522448 B CN110522448 B CN 110522448B
Authority
CN
China
Prior art keywords
brain
graph
atlas
neural network
network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910631316.3A
Other languages
English (en)
Other versions
CN110522448A (zh
Inventor
舒华忠
高舒雯
吴颖真
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN201910631316.3A priority Critical patent/CN110522448B/zh
Publication of CN110522448A publication Critical patent/CN110522448A/zh
Application granted granted Critical
Publication of CN110522448B publication Critical patent/CN110522448B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
    • A61B5/4082—Diagnosing or monitoring movement diseases, e.g. Parkinson, Huntington or Tourette
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
    • A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Neurology (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Psychiatry (AREA)
  • Artificial Intelligence (AREA)
  • Neurosurgery (AREA)
  • Developmental Disabilities (AREA)
  • Physiology (AREA)
  • Child & Adolescent Psychology (AREA)
  • Hospice & Palliative Care (AREA)
  • Psychology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Educational Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Social Psychology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于图卷积神经网络的脑网络分类方法，包括以下步骤：首先，从大脑功能核磁共振图像中提取各个脑区的血氧合度依赖信号；其次，构建能够反映大脑分区之间功能性连接拓扑结构特征的脑图；再次，将构建的脑图以及实际诊断标签输入到图卷积神经网络中进行特征学习以及模型训练。本发明用于脑网络分类。

Description

一种基于图卷积神经网络的脑网络分类方法
技术领域
本发明涉及一种基于图卷积神经网络的脑网络分类方法，属于数字图像技术领域。
背景技术
随着社会和科技的进一步发展，已经有越来越多的曾被认为不可医治的疾病被发现病因并随之提出相应的治疗方法。随着人们对自己的身体健康状况更加重视，对医疗技术方面也有了更高的要求，尤其现阶段，人们越来越关注脑疾病的医疗手段。因为人脑具有极其复杂的结构和功能，人们希望通过理解大脑的运转机制了解脑疾病的病理特征以及诊断方法，世界各国投入了大量的人力和物力进行研究，例如美国和欧盟分别投入38亿美元和10亿欧元，启动大脑研究计划。脑科学研究成果一方面将为人类更好地了解大脑、保护大脑、开发大脑潜能等做出重要贡献，同时也有助于加深对抑郁症(Major DepressiveDisorder，MDD)，阿尔茨海默病(Alzheimer's disease,AD) 及其早期阶段即轻度认知功能障碍(Mild cognitive impairment,MCI)，帕金森氏症 (Parkinson's disease,PD)等脑疾病的理解，并且为这一系列神经性疾病找到早期诊断和治疗的新方法。因此，研究如何进行脑网络分类，无论是对于临床神经学研究还是人的健康都具有非常重要的意义。
功能性磁共振成像(fMRI)是一种常见的无创的描述大脑结构以及连接特征的医学影像。fMRI可以用来探索大脑在静息状态下的工作机理和规律，其主要反映的是大脑神经网络的功能性连接特征。其成像原理是通过磁振造影来捕捉神经元活动下的血液动力变化，获取并记录大脑各个体素点的血氧合度依赖信号(BOLD信号)，用以间接反映活体静息状态下的神经元活动情况。于是，可以通过fMRI获取脑功能网络连接矩阵来观察分析、研究常人与患者脑内各个区域之间是否存在显著的功能连接性差异，以此来辅助诊断。
目前临床上的诊断方式易受医生经验和水平等因素的影响，诊断结果较为主观且可能发生误诊的情况。近年来，已有大量的研究从大脑医学影像的角度寻找疾病的生物学诊断指标。目前常用的方法是直接采用不同脑区的功能连接权值作为特征来进行学习与分析，但这一特征忽略了脑网络的拓扑结构信息导致诊断精度不高。
发明内容
近年来，已有大量的研究从大脑医学影像的角度寻找疾病的生物学诊断指标。目前常用的方法是直接采用不同脑区的功能连接权值作为特征来进行学习与分析，但这一特征忽略了脑网络的拓扑结构信息导致诊断精度不高。本发明为脑网络分类，提供一种从fMRI中提取出脑网络的拓扑结构(脑图)作为输入特征，并基于图卷积神经网络的脑网络分类方法。
本发明为解决上述技术问题采用以下技术方案：
本发明提供一种基于图卷积神经网络的脑网络分类方法，包括以下步骤：
步骤1，获取大脑功能核磁共振图像(fMRI)并对其进行预处理，从中提取各个脑区的血氧合度依赖(BOLD)信号，具体包括：
1-1，所有的fMRI数据都使用静息态功能性数据处理辅助工具(DPARSF)2.3 进阶版工具包进行预处理，对于每一个受试者，所拍摄的fMRI的前十帧都会被丢弃以达到磁饱和的稳定状态。
1-2，将预处理后的fMRI与大脑图谱进行映射可以得到各个大脑分区(L个ROIs)的fMRI，即L个大脑分区的血氧合度依赖信号(BOLD信号)的变化情况；
步骤2，构建能够反映大脑分区之间功能性连接拓扑结构特征的脑图，该数据结构可以用节点标签和二值化的邻接矩阵
Figure RE-GDA0002248424170000021
完全表示，并以邻接矩阵张量
Figure RE-GDA0002248424170000022
的方式进行存储。具体包括：
2-1，将步骤1-2中L个大脑分区的BOLD信号两两进行皮尔森相关性分析，得到一个L×L皮尔森相关性邻接矩阵，即生成脑网络连接矩阵，矩阵上元素表示各个分区之间的血氧浓度相关性系数：
Figure RE-GDA0002248424170000023
其中，x＝[x1,x2,…,xn]与y＝[y1,y2,…,yn]表示要进行皮尔森相关性分析的两组信号，即任意两个脑区的BOLD信号。皮尔森相关分析得到的相关系数分布在 [-1,+1]的区间内，负数表示负相关而正数表示正相关。越接近于1表示越相关，越接近于0表示越不相关；
2-2，对相关系数采取平方操作，将相关系数映射到[0,1]区间内，再进行阈值二值化处理，得到二值化的相关性邻接矩阵A(L×L)。阈值二值化是指将步骤2-1中的相关性邻接矩阵中元素rij大于阈值T的对应位置aij赋值为1，否则赋值为0，二值化方式表示如下：
Figure RE-GDA0002248424170000031
其中，aij表示A上的元素，i,j＝1,2,…,L，T表示量化阈值。
2-3，依据步骤2-2中求得的二值化的邻接矩阵A计算节点标签。这里的节点标签采用节点入度信息Di(i＝1,2,…,L)进行表征，即将A中第i行的所有元素叠加：
Figure RE-GDA0002248424170000032
2-4，以步骤2-3中计算到的节点标签为划分依据，对步骤2-2中求得的二值化的邻接矩阵A进行张量化操作得到邻接矩阵张量
Figure RE-GDA0002248424170000033
(N表示节点标签的特征数)，其中每一个切片An只编码脑图在一个邻接矩阵中的某一特定节点标签数值的特征。
步骤3，将步骤2中构建的脑图及其实际分类标签送入到图卷积神经网络 (Graph-CNN)中进行特征学习以及分类诊断。图卷积神经网络由图卷积层、图嵌入池化层以及全连接层构成。
3-1，采用图卷积对当前节点特征以及其相近节点特征的加权相加，目的是初步聚类相似节点，图卷积定义一个线性滤波器，用于对各个邻接矩阵做凸组合 H≈h1A1+h2A2+…+hNAN，对于每个提取特征(共C种)都有一个对应的滤波器参数
Figure RE-GDA0002248424170000034
则有图卷积如下：
Figure RE-GDA0002248424170000035
其中，Vin和Vout为图卷积层的输入与输出，b为偏置；
3-2，采用图嵌入池化在每类顶点中选举出能够有效表征当前类别特征的代表顶点。通过池化操作缩减节点数为N′，输出为嵌入矩阵Vemb表达式如下：
Figure RE-GDA0002248424170000036
3-3，经过几次图卷积和图嵌入池化操作，提取出高度总结的特征数据。再通过全连接层将这些高维数据以平铺的形式输入并进行特征的转化。经过一系列全连接层 (输出层也是全连接层)完成最终的决策分类。即多个图卷积和图嵌入池化操作连接多个全连接层构成了网络结构。
作为本发明的进一步技术方案，步骤1-2中所使用的大脑图谱为自动解剖标签(AAL)图谱，该图谱总计90个大脑分区(另有26个小脑分区暂不纳入研究范围)，则有L＝90。
作为本发明的进一步技术方案，步骤2-2中量化阈值T取值为0.8。
作为本发明的进一步技术方案，步骤3-3中所使用的网络结构设置为 CNN(32)-CNN(32)-GEP(16)-CNN(16)-GEP(4)-FC(16)-FC(2)，其中CNN表示图卷积层、GEP表示图嵌入池化、FC表示全连接层，括号内的数值表示通道数，末尾的FC 层的通道数表示分类诊断的类别数目为2。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：本发明公开了一种基于图卷积神经网络的脑网络分类方法，实现了模型方法和脑网络分类上的两点创新，本文创新性地从fMRI中提取出脑网络的拓扑结构(脑图)作为输入特征，基于图卷积神经网络进行特征提取和脑网络分类，本发明能较好地应用于脑网络分类，具有参数相对较少，学习数据特征损失更小、诊断结果准确率更高、灵敏度更高、特异性更高，且本发明能够较好的区分不同类别的样本特性，指明不同类别样本间差异较大的部分，有助于解释病理机制。
附图说明
图1为本发明的方法流程图。
图2为本发明的实施流程示意图。
图3为脑图的邻接矩阵张量存储方式示意。
图4为脑图
Figure RE-GDA0002248424170000041
数据卷积池化过程示意。
图5为本发明与常用分类诊断方法的准确率、灵敏度、特异性比较，实验采用5 折交叉验证方式。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明：
本发明提供一种基于图卷积神经网络的脑网络分类方法，如图1和2所示，首先获取fMRI数据、完成脑区BOLD信号提取；然后构建能够反映大脑分区之间功能性连接拓扑结构特征的脑图；最后将构建的脑图以及实际诊断标签输入到Graph-CNN 中进行特征学习以及模型训练。
首先，本发明提供一种基于图卷积神经网络的脑网络分类方法，包括以下步骤：
步骤1，获取大脑功能核磁共振图像(fMRI)并对其进行预处理，从中提取各个脑区的血氧合度依赖(BOLD)信号，具体包括：
(1-1)所有的fMRI数据都使用静息态功能性数据处理辅助工具(DPARSF)2.3 进阶版工具包进行预处理，对于每一个受试者，所拍摄的fMRI的前十帧都会被丢弃以达到磁饱和的稳定状态；
(1-2)将预处理后的fMRI与大脑图谱进行映射可以得到各个大脑分区(L个 ROIs)的fMRI，即L个大脑分区的血氧合度依赖信号(BOLD信号)的变化情况，所使用的大脑图谱为自动解剖标签(AAL)图谱，该图谱总计90个大脑分区(另有 26个小脑分区暂不纳入研究范围)，则有L＝90；
步骤2，构建能够反映大脑分区之间功能性连接拓扑结构特征的脑图，该数据结构可以用节点标签和二值化的邻接矩阵
Figure RE-GDA0002248424170000051
完全表示，并以邻接矩阵张量
Figure RE-GDA0002248424170000052
的方式进行存储。具体包括：
(2-1)对步骤(1-2)中L个脑区的BOLD信号进行皮尔森相关性分析生成L×L皮尔森相关性邻接矩阵，即脑功能网络连接矩阵，矩阵上元素表示各个分区之间的血氧浓度相关性系数：
Figure RE-GDA0002248424170000053
其中，x＝[x1,x2,…,xn]与y＝[y1,y2,…,yn]表示要进行皮尔森相关性分析的两组信号，即任意两个脑区的BOLD信号。皮尔森相关分析得到的相关系数分布在 [-1,+1]的区间内，负数表示负相关而正数表示正相关。越接近于1表示越相关，越接近于0表示越不相关；
(2-2)采用阈值量化实现对脑功能网络连接矩阵的二值化处理。对相关系数采取平方操作，将相关系数映射到[0,1]区间内，再进行阈值二值化处理，得到二值化的相关性邻接矩阵
Figure RE-GDA0002248424170000054
阈值二值化是指将步骤2-1中的相关性邻接矩阵中元素rij大于阈值T的对应位置aij赋值为1，否则赋值为0，二值化方式表示如下：
Figure RE-GDA0002248424170000055
其中，aij表示二值化的邻接矩阵A上的元素，i,j＝1,2,…,L。量化阈值T取值为0.8。
(2-3)设置节点标签。依据步骤2-2中求得的二值化的邻接矩阵A计算节点标签。这里的节点标签采用节点入度信息Di(i＝1,2,…,L)进行表征，即将A中第i行的所有元素叠加：
Figure RE-GDA0002248424170000061
(2-4)按照步骤完成对放映脑图拓扑结构的邻接矩阵张量的存储。以步骤2-3 中计算到的节点标签为划分依据，对步骤2-2中求得的二值化的邻接矩阵A进行张量化操作得到邻接矩阵张量
Figure RE-GDA0002248424170000062
(N表示节点标签的特征数)，其中每一个切片An只编码脑图在一个邻接矩阵中的某一特定节点标签数值的特征。以图3为例，假设当前脑图中包含有6个大脑分区节点。量化处理操作中若是节点与其余节点之间存在连接，节点间的边缘标签则会被赋值为1，无连接则赋值为0。如编号为2的节点与编号为4,5,6的节点直接都存在连接，于是2号节点的节点标签则被赋值为3，即表示当前节点存在三个节点与之存在连接。于是在脑图中节点标签存在三种取值的可能{1,2,3}，此时C＝3该脑图的存储矩阵(邻接矩阵张量)的维度为3×6×6。
步骤3：最后，将步骤2中构建的脑图及其实际分类标签送入到图卷积神经网络(Graph-CNN)中进行特征学习以及分类诊断。图卷积神经网络由图卷积层、图嵌入池化层以及全连接层构成。本发明的网络结构设置为CNN(32)-CNN(32)-GEP(16)- CNN(16)-GEP(4)-FC(16)-FC(2)，其中CNN表示图卷积层、GEP表示图嵌入池化、 FC表示全连接层，括号内的数值表示通道数，末尾的FC层的通道数表示分类诊断的类别数目为2。
(3-1)采用图卷积对当前节点特征以及其相近节点特征的加权相加，目的是初步聚类相似节点。图卷积定义一个线性滤波器，用于对各个邻接矩阵做凸组合 H≈h1A1+h2A2+…+hNAN。对于每个提取特征(共C种)都有一个对应的滤波器参数
Figure RE-GDA0002248424170000063
则有图卷积如下：
Figure RE-GDA0002248424170000064
其中，Vin和Vout为图卷积层的输入与输出，b为偏置。
(3-2)采用图嵌入池化在每类顶点中选举出能够有效表征当前类别特征的代表顶点。通过池化操作缩减节点数为N′，输出为嵌入矩阵Vemb表达式如下：
Figure RE-GDA0002248424170000065
(3-3)经过几次图卷积和图嵌入池化操作，提取出高度总结的特征数据。再通过全连接层将这些高维数据以平铺的形式输入并进行特征的转化。经过一系列全连接层(输出层也是全连接层)完成最终的决策分类。
本发明实现了模型方法和脑网络分类上的两点创新。在模型方法上，本文创新性地从大脑功能性核磁共振图像(fMRI)中提取出脑网络的拓扑结构(脑图)作为输入特征，基于图卷积神经网络(Graph-CNN)进行特征提取和脑网络分类。
应用实施例：
下面以东南大学附属中大医院提供的132例数据为例，来说明本发明的基于图卷积神经网络的抑郁症分类诊断方法。数据集包含50例正常对照(HC)与82例抑郁症患者(MDD)。抑郁症患者又可以细分为两类：(1)药物有效(RD)，共42例；(2) 药物无效(NRD)，共40例。所有受试者均在该医院接受西门子3T高分辨MRI扫描 (均匀鸟笼式线圈)。受试者平躺、头部紧贴地用皮带和泡沫垫固定尽可能减少头部运动。在扫描过程中，所有的受试者都被要求闭上眼睛、放松保持清醒不去想任何事情。高分辨率三维T1加权图像通过磁化准备快速梯度回波序列获得，采用的参数具体如下：重复时间(TR)＝1900毫秒(ms)，回波时间(TE)＝2.48ms，翻转角度 (FA)＝9°，采集矩阵＝256×256,视野(FOV)＝250×250平方毫米(mm2)，厚度＝1.0毫米(mm)，间隙＝0mm，176片。八分钟静息态功能磁共振成像(rs-fMRI)的采集参数设置如下：TR＝2000ms，TE＝25ms，FA＝90°，采集矩阵＝64×64， FOV＝240×240mm2；厚度＝3mm，间隙＝0mm，36个轴向切片，240卷，3.75×3.75 mm2平行于前后连合线的平面分辨率。
实验条件：现选取一台计算机进行实验，该计算机的配置有英特尔处理器(3.4GHz)和16GB随机存取存储器，64位操作***。本发明基于图卷积神经网络的抑郁症分类诊断模型由脑区信号提取、脑拓扑图构建与图卷积神经网络三大模块构成。脑区信号提取模块依据大脑图谱映射实现全脑fMRI到各分区BOLD信号的转换，使用m语言编写、MATLAB编译；脑拓扑图构建模块用以构建脑图数据，实现量化的相关性邻接矩阵以及节点标签求解，使用m语言编写、MATLAB编译；图卷积神经网络模块采用图卷积、先验池化方式对脑图进行特征分析，并通过全连接层实现模式判别，使用Python编写、Pycharm编译。
图5为本方法与目前常用的疾病分类算法的对比实验结果，具体包括准确率、灵敏度、特异性分析。从表中可以看出，在相同比例的交叉检验方式(5-fold)下，本文提出的基于图卷积神经网络的方法无论是是在疾病诊断还是疗效预测方面都具有更优的灵敏度和特异性，即样本预测类别与实际类别的重合率最高。
以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (5)

1.一种基于图卷积神经网络的脑网络分类方法，其特征在于，包括以下步骤：
步骤1，获取大脑功能核磁共振图像(fMRI)并对其进行预处理，从中提取各个脑区的血氧合度依赖(BOLD)信号，
步骤2，构建能够反映大脑分区之间功能性连接拓扑结构特征的脑图，该数据结构用节点标签和二值化的邻接矩阵
Figure FDA0004042142590000011
完全表示，并以邻接矩阵张量
Figure FDA0004042142590000012
的方式进行存储；
步骤3，将步骤2中构建的脑图及其实际分类标签送入到图卷积神经网络(Graph-CNN)中进行特征学习以及分类诊断，图卷积神经网络由图卷积层、图嵌入池化层以及全连接层构成；
所述步骤1，获取大脑功能核磁共振图像(fMRI)并对其进行预处理，从中提取各个脑区的血氧合度依赖(BOLD)信号，具体包括：
1-1，所有的fMRI数据都使用静息态功能性数据处理辅助工具DPARSF 2.3进阶版工具包进行预处理，对于每一个受试者，所拍摄的fMRI的前十帧都会被丢弃以达到磁饱和的稳定状态；
1-2，将预处理后的fMRI与大脑图谱进行映射得到各个大脑分区的fMRI，即L个大脑分区的血氧合度依赖信号(BOLD信号)的变化情况；
步骤2，构建能够反映大脑分区之间功能性连接拓扑结构特征的脑图，具体包括：
2-1，将步骤1-2中L个大脑分区的BOLD信号两两进行皮尔森相关性分析，得到一个L×L皮尔森相关性邻接矩阵，即生成脑网络连接矩阵，矩阵上元素表示各个分区之间的血氧浓度相关性系数：
Figure FDA0004042142590000013
其中，x＝[x1,x2,…,xn]与y＝[y1,y2,…,yn]表示要进行皮尔森相关性分析的两组信号，即任意两个脑区的BOLD信号，皮尔森相关分析得到的相关系数分布在[-1,+1]的区间内，负数表示负相关而正数表示正相关，越接近于1表示越相关，越接近于0表示越不相关；
2-2，对相关系数采取平方操作，将相关系数映射到[0,1]区间内，再进行阈值二值化处理，得到二值化的相关性邻接矩阵A(L×L)，阈值二值化是指将步骤2-1中的相关性邻接矩阵中元素
Figure FDA0004042142590000014
大于阈值T的对应位置aij赋值为1，否则赋值为0，二值化方式表示如下：
Figure FDA0004042142590000015
其中，aij表示A上的元素，i,j＝1,2,…,L，T表示量化阈值，
2-3，依据步骤2-2中求得的二值化的邻接矩阵A计算节点标签，这里的节点标签采用节点入度信息Di(i＝1,2,…,L)进行表征，即将A中第i行的所有元素叠加：
Figure FDA0004042142590000021
2-4，以步骤2-3中计算到的节点标签为划分依据，对步骤2-2中求得的二值化的邻接矩阵A进行张量化操作得到邻接矩阵张量
Figure FDA0004042142590000022
N表示节点标签的特征数，其中每一个切片An只编码脑图在一个邻接矩阵中的某一特定节点标签数值的特征。
2.根据权利要求1所述的一种基于图卷积神经网络的脑网络分类方法，其特征在于，步骤3，将步骤2中构建的脑图及其实际分类标签送入到图卷积神经网络(Graph-CNN)中进行特征学习以及分类诊断，具体如下：
3-1，采用图卷积对当前节点特征以及其相近节点特征的加权相加，目的是初步聚类相似节点，图卷积定义一个线性滤波器，用于对各个邻接矩阵做凸组合H≈h1A1+h2A2+…+hNAN，对于每个提取特征共C种都有一个对应的滤波器参数
Figure FDA0004042142590000023
则有图卷积如下：
Figure FDA0004042142590000024
其中，Vin和Vout为图卷积层的输入与输出，b为偏置；
3-2，采用图嵌入池化在每类顶点中选举出能够有效表征当前类别特征的代表顶点，通过池化操作缩减节点数为N′，输出为嵌入矩阵Vemb表达式如下：
Figure FDA0004042142590000025
3-3，经过几次图卷积和图嵌入池化操作，提取出高度总结的特征数据，再通过全连接层将这些高维数据以平铺的形式输入并进行特征的转化，经过一系列全连接层完成最终的决策分类，即多个图卷积和图嵌入池化操作连接多个全连接层构成了网络结构。
3.根据权利要求2所述的一种基于图卷积神经网络的脑网络分类方法，其特征在于，
所述步骤1-2中所使用的大脑图谱为自动解剖标签(AAL)图谱，该图谱总计90个大脑分区，另有26个小脑分区暂不纳入研究范围，则有L＝90。
4.根据权利要求3所述的一种基于图卷积神经网络的脑网络分类方法，其特征在于，步骤2-2中量化阈值T取值为0.8。
5.根据权利要求4所述的一种基于图卷积神经网络的脑网络分类方法，其特征在于，步骤3-3中所使用的网络结构设置为CNN(32)-CNN(32)-GEP(16)-CNN(16)-GEP(4)-FC(16)-FC(2)，其中CNN表示图卷积层、GEP表示图嵌入池化、FC表示全连接层，括号内的数值表示通道数，末尾的FC层的通道数表示分类诊断的类别数目为2。
CN201910631316.3A 2019-07-12 2019-07-12 一种基于图卷积神经网络的脑网络分类方法 Active CN110522448B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910631316.3A CN110522448B (zh) 2019-07-12 2019-07-12 一种基于图卷积神经网络的脑网络分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910631316.3A CN110522448B (zh) 2019-07-12 2019-07-12 一种基于图卷积神经网络的脑网络分类方法

Publications (2)

Publication Number Publication Date
CN110522448A CN110522448A (zh) 2019-12-03
CN110522448B true CN110522448B (zh) 2023-04-11

Family

ID=68659704

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910631316.3A Active CN110522448B (zh) 2019-07-12 2019-07-12 一种基于图卷积神经网络的脑网络分类方法

Country Status (1)

Country Link
CN (1) CN110522448B (zh)

Families Citing this family (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110974203B (zh) * 2019-12-10 2020-12-04 电子科技大学 一种基于等值排列网络的心率非平衡性分析方法
CN110934587A (zh) * 2019-12-13 2020-03-31 深圳龙岗智能视听研究院 一种基于图卷积神经网络的阿尔兹海默症辅助诊断方法
CN111127441B (zh) * 2019-12-25 2022-08-12 兰州大学 一种基于图节点嵌入的多模态脑影像抑郁识别方法和***
CN111419221A (zh) * 2020-02-14 2020-07-17 广东***职业学院 一种基于图卷积网络的脑电图信号分析方法
CN111466876B (zh) * 2020-03-24 2021-08-03 山东大学 一种基于fNIRS和图神经网络的阿尔兹海默症辅助诊断***
CN111339307A (zh) * 2020-04-07 2020-06-26 广西师范大学 基于词语逆频率加权的图残差网络文本分类方法
CN111563533B (zh) * 2020-04-08 2023-05-02 华南理工大学 基于图卷积神经网络融合多种人脑图谱的受试者分类方法
CN112294338A (zh) * 2020-09-29 2021-02-02 山东师范大学 基于图注意力网络的癫痫检测***、设备及介质
CN112862751B (zh) * 2020-12-30 2022-05-31 电子科技大学 一种用于自闭症的自动诊断装置
CN113040715B (zh) * 2021-03-09 2023-06-02 北京工业大学 一种基于卷积神经网络的人脑功能网络分类方法
CN113781385B (zh) * 2021-03-19 2024-03-08 南京航空航天大学 用于大脑医学影像自动分类的联合注意力图卷积方法
CN113288131B (zh) * 2021-05-06 2022-07-12 广东工业大学 基于图卷积网络的无创血糖检测方法、处理器及装置
CN113313232B (zh) * 2021-05-19 2023-02-14 华南理工大学 一种基于预训练和图神经网络的功能脑网络分类方法
CN113592836B (zh) * 2021-08-05 2022-11-18 东南大学 一种深度多模态图卷积的脑图分类方法
CN113729729B (zh) * 2021-08-13 2022-06-14 北京航空航天大学 基于图神经网络和脑网络的精神***症早期检测***
CN113786185B (zh) * 2021-09-18 2024-05-07 安徽师范大学 一种基于卷积神经网络的静态脑网络特征提取方法和***
CN113555091B (zh) * 2021-09-22 2022-02-08 中国科学院自动化研究所 基于帕金森sMRI影像的病情分类***、方法、装置
CN113920123B (zh) * 2021-12-16 2022-03-15 中国科学院深圳先进技术研究院 一种成瘾性脑网络分析方法及装置
CN114255228A (zh) * 2021-12-23 2022-03-29 福州大学 基于静息态功能磁共振图像的脑功能连接网络分析方法
CN114048848B (zh) * 2022-01-13 2022-05-10 深圳市永达电子信息股份有限公司 一种基于记忆机制的类脑计算方法和***
CN114376558B (zh) * 2022-03-24 2022-07-19 之江实验室 基于磁共振和孪生图神经网络的脑图谱个体化方法及***
CN114403812B (zh) * 2022-03-30 2022-07-08 慧创科仪(北京)科技有限公司 脑损伤状况的辅助分析方法、装置、***及存储介质
CN115081558B (zh) * 2022-08-22 2022-11-15 北京元亦科技有限公司 一种基于图神经网络的脑网络数据分类方法和***
CN115294413B (zh) * 2022-10-10 2023-01-24 齐鲁工业大学 一种基于时序脑电数据的脑疾病分类方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107909117B (zh) * 2017-09-26 2020-06-16 电子科技大学 基于脑功能网络特征对早晚期轻度认知障碍的分类装置
CN109376751B (zh) * 2018-08-21 2022-03-22 北京工业大学 一种基于卷积神经网络的人脑功能网络分类方法
CN109065128A (zh) * 2018-09-28 2018-12-21 郑州大学 一种加权图正则化稀疏脑网络构建方法

Also Published As

Publication number Publication date
CN110522448A (zh) 2019-12-03

Similar Documents

Publication Publication Date Title
CN110522448B (zh) 一种基于图卷积神经网络的脑网络分类方法
Liu et al. Weakly supervised deep learning for brain disease prognosis using MRI and incomplete clinical scores
CN113571195B (zh) 基于小脑功能连接特征的阿尔茨海默病早期的预测模型
WO2024083057A1 (zh) 基于多模态磁共振成像的图卷积神经网络疾病预测***
CN106023194B (zh) 基于静息态功能连接的杏仁核谱聚类分割方法
Yeo et al. The organization of the human cerebral cortex estimated by intrinsic functional connectivity
Stanley et al. Defining nodes in complex brain networks
CN109589092B (zh) 基于集成学习的阿尔茨海默症确定方法及***
CN110444277B (zh) 一种基于多生成多对抗的多模态脑部mri图像双向转换方法
CN113610808B (zh) 基于个体脑连接图的群体脑图谱个体化方法、***和设备
WO2022121100A1 (zh) 一种基于darts网络的多模态医学图像融合方法
AU2015332793A1 (en) Method of analysing the brain activity of a subject
Yang et al. Dissociable intrinsic functional networks support noun-object and verb-action processing
CN117218453B (zh) 一种不完备多模态医学影像学习方法
CN115484864A (zh) 脑功能连接相关值的聚类装置、脑功能连接相关值的聚类***、脑功能连接相关值的聚类方法、脑功能连接相关值的分类器程序、脑活动标记物分类***以及脑功能连接相关值的聚类分类器模型
CN116784820A (zh) 一种基于种子点连接的脑功能网络构建方法及***
CN115312198B (zh) 结合注意力机制和多尺度特征挖掘的深度学习脑肿瘤预后分析建模方法及***
Savaashe et al. A review on cardiac image segmentation
CN113077875A (zh) Ct影像的处理方法及装置
CN113786185A (zh) 一种基于卷积神经网络的静态脑网络特征提取方法和***
CN116051545B (zh) 一种双模态影像的脑龄预测方法
Pallawi et al. Study of Alzheimer’s disease brain impairment and methods for its early diagnosis: a comprehensive survey
Boppana et al. Deep Learning Approach for an early stage detection of Neurodevelopmental Disorders
Ebel et al. Classifying sex with volume-matched brain MRI
US11972564B2 (en) Recording medium, information processing device, information processing method, trained model generation method, and correlation image output device

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant