基于时序自编码器和CNN的脑结构类不平衡分类方法

本发明属于医学影像和神经网络交叉，具体涉及一种基于时序自编码器和cnn的脑结构类不平衡分类方法。

背景技术：

1、大脑皮层是大脑最外层的神经组织，它是人类感知、思考和行为控制的关键部位。大脑皮层可以分解为脑回、脑沟等更细颗粒的基本形态。脑回更有可能是功能连接中心，因此研究脑回对理解大脑的结构和功能非常重要。但在研究大脑功能和结构时，仅仅研究脑回存在一些不足，一些特殊的脑回内在的功能角色很少被注意到及研究过。因此，三铰链被引入和识别。三铰链是一个三条不同的脑回脊相遇的大脑皮层脑回区域。许多研究揭示了三铰链的显著特征和潜在价值。但是目前对于三铰链的研究还存在一些问题。从脑回层面上来讲，三铰链相较于脑回，数量很少，两者数据集数量差距过大，在同一个个体中可以识别出上万个脑回单元，而三铰链单元只有几百个。很难在同一个数量级上对两者进行区分和分析。为了研究三铰链的结构以及功能特性，需要设计一个合适的方法去解决三铰链和脑回的样本数量不平衡的问题，以使两者能在同一数量级上进行区分和分析。

2、先前的一些研究中，通常只分别关注了三铰链和脑回各自的功能以及结构特性。例如，三铰链拥有更厚的皮质，通过检查dmri图像，它具有更强的纤维连接模式，并且更明显的结构连接多样性，这些特征与普通的旋回区形成了鲜明的对比。例如，癫痫病人的三铰链比正常人更窄，这可能与这些病人的癫痫发作有关。现有的研究中没有针对两者分类以及相关信号特性差异研究的方法。

技术实现思路

1、本发明的目的在于，提供一种基于时序自编码器和cnn的脑结构类不平衡分类方法，用以解决三铰链和脑回的类不平衡数据的分类，现有技术中类不平衡数据的分类效率较低以及简单网络分类的可靠性较差等问题。

2、为了实现上述任务，本发明采用以下技术方案：

3、一种基于时序自编码器和cnn的脑结构类不平衡分类方法，包括以下步骤：

4、步骤1：获得任务态fmri以及静息态fmri数据并预处理，得到fmri体素图像；将fmri体素图像转换为一维fmri向量，将所有一维fmri向量的时间点连接成二维fmri矩阵；

5、步骤2：通过hcp皮层fmri数据提供的大脑结构信息对三铰链和脑回分别进行标注，得到相应的三铰链fmri二维时序矩阵和脑回二维时序矩阵；

6、步骤3：将三铰链和脑回的fmri二维时序矩阵分别输入到时序自编码器中，通过时序自编码器将三铰链和脑回的fmri二维时序矩阵降至同一数量级，获得相同数量级的三铰链和脑回的二维时序嵌入矩阵；

7、步骤4：步骤4：将三铰链二维时序嵌入矩阵和脑回二维时序嵌入矩阵分别打上标签，混合输入到卷积神经网络中进行分类，得到分类结果。

8、进一步的，步骤1包括以下子步骤：

9、步骤1.1：获得任务态fmri以及静息态fmri数据；

10、步骤1.2：对任务态fmri以及静息态fmri数据进行预处理。预处理包括去头骨、头动校正、切片时间校正、空间平滑、去除线性趋势和带通滤波，获得fmri体素图像；

11、步骤1.3：消除fmri体素图像中白质和脑脊液信号的影响后，将fmri体素图像非线性配准到标准mni空间上，得到一维fmri向量；

12、步骤1.4：将每个受试者的所有一维fmri向量的时间点进行连接获得二维fmri矩阵。

13、进一步的，步骤2包括以下子步骤：

14、步骤2.1：通过平均凸度划分皮层表面，将具有最高凸度值的30％顶点标注为脑回，然后定位标记三铰链中心的顶点；

15、步骤2.2：将三铰链中心顶点半径6mm范围内的所有顶点都标记为三铰链区域，剩下的顶点标记为常规的脑回区域；

16、步骤2.3：根据对应的标记分别提取两者的fmri信号，分别构建三铰链和脑回的fmri二维时序信号矩阵。

17、进一步的，步骤3包括以下子步骤：

18、步骤3.1：将时序特征提取器的随机参数矩阵大小控制在相同数量级；

19、步骤3.2：将三铰链或脑回的二维fmri时序信号矩阵分别输入时序自编码器，获得和随机参数矩阵相同大小的三铰链或脑回二维时序嵌入矩阵；

20、步骤3.3：计算编码器与解码器之间的均方误差。

21、进一步的，步骤4包括以下子步骤：

22、步骤4.1：将三铰链二维时序嵌入矩阵和脑回二维时序嵌入矩阵分别通过打上标签；

23、步骤4.2：将带标签的三铰链和脑回二维时序嵌入矩阵混合为一个带标签的新时序矩阵，即混合时序嵌入矩阵；

24、步骤4.3：将混合时序嵌入矩阵输入到卷积神经网络进行分类，得到分类结果。

25、进一步的，通过auc对分类方法效率进行评估。

26、本发明与现有技术相比具有以下技术特点：

27、本发明将时序自编码器得到的学习嵌入用于fmri数据降维，不需要手动定义特征，能自主学习到最优的表示，适用于复杂的fmri数据结构；通过自注意力机制，有助于理解降维后的数据特征对原始数据的影响；同时相较于传统的降维方式，在保持模型性能的同时减少计算资源的消耗。

28、综上，本发明的提出具有以下三方面的意义：

29、(1)解决了三铰链和脑回的类不平衡分类问题；

30、(2)为类似的类不平衡数据及分类提供了一种可行的方法，提高了分类效率；

31、(3)为后续三铰链和脑回的信号特异性差异研究奠定基础。

技术特征：

1.一种基于时序自编码器和cnn的脑结构类不平衡分类方法，其特征在于，包括以下步骤：

2.如权利要求1所述的基于时序自编码器和cnn的脑结构类不平衡分类方法，其特征在于，步骤1包括以下子步骤：

3.如权利要求2所述的基于时序自编码器和cnn的脑结构类不平衡分类方法，其特征在于，步骤1.2中，所述预处理包括去头骨、头动校正、切片时间校正、空间平滑、去除线性趋势和带通滤波。

4.如权利要求1所述的基于时序自编码器和cnn的脑结构类不平衡分类方法，其特征在于，步骤2包括以下子步骤：

5.如权利要求1所述的基于时序自编码器和cnn的脑结构类不平衡分类方法，其特征在于，步骤3包括以下子步骤：

6.如权利要求1所述的基于时序自编码器和cnn的脑结构类不平衡分类方法，其特征在于，步骤4包括以下子步骤：

技术总结本发明公开了一种基于时序自编码器和CNN的脑结构类不平衡分类方法：步骤1：获得任务态fMRI以及静息态fMRI数据并预处理；得到二维fMRI矩阵；步骤2：对三铰链和脑回分别进行标注，得到相应的三铰链fMRI二维时序矩阵和脑回二维时序矩阵；步骤3：将三铰链和脑回的fMRI二维时序矩阵分别输入时序自编码器，将三铰链和脑回的fMRI二维时序矩阵降至同一数量级，获得相同数量级的三铰链和脑回的二维时序嵌入矩阵；步骤4：将三铰链和脑回二维时序嵌入矩阵分别打上标签，混合输入卷积神经网络进行分类，得到分类结果。本发明的方法能够高效处理类不平衡数据集的分类问题，同时提高类不平衡分类数据的分类效率。技术研发人员：李晓,张晓晨,贺小伟受保护的技术使用者：西北大学技术研发日：技术公布日：2024/7/29