技术新讯 > 计算推算,计数设备的制造及其应用技术 > 一种多层级静息态磁共振影像分析方法  >  正文

一种多层级静息态磁共振影像分析方法

  • 国知局
  • 2024-08-30 14:55:43

本发明涉及多层级静息态磁共振影像分析方法,具体涉及一种基于体素对比聚类与图神经网络的静息态功能核磁共振影像分析方法,实现对静息态功能磁共振影像数据进行体素级、脑区级和样本级的多层级分析。

背景技术:

1、磁共振成像(magnetic resonance imaging, mri)是一种先进的神经影像学技术,具有安全无创、无辐射、高时空分辨率和可重复多次成像的优点。mri技术已广泛应用于各种临床研究中,其成像模态主要包括结构磁共振成像(structural magnetic resonanceimaging, smri)和功能磁共振成像(functional magnetic resonance imaging, fmri)。smri用于研究人脑的形态学特征,如灰质和白质的体积、皮层的厚度和折叠度等,以便于临床医生快速定位病灶区域,并为医疗诊治提供可靠的影像学依据。fmri则利用基于血氧水平依赖(blood oxygenation level dependent, bold)生理现象的技术,测量由任务或感官等神经活动诱发的脑部血氧水平依赖信号变化,并间接对大脑神经活动进行成像。当大脑的局部神经开始活动时,会消耗氧气,而大脑中的血液会迅速运动,带来氧气的补给。随着氧气的消耗和补给,血液中的脱氧血红蛋白和含氧血红蛋白含量会动态变化。由于这两者的磁性不同,mri技术可以通过对它们的测量和对信号变化的分析,间接刻画脑神经活动。

2、近年来,深度学习技术被广泛应用到医学影像分析和疾病的辅助诊断中。其中,自监督学习在磁共振成像(mri)分析方面取得了显著进展,特别是,对比学习允许人们根据给定的假设在特征空间中区分异质对或聚合同质对。然而,现有的大脑分析对比学习方法只考虑脑区水平或以上的特征,而揭示基本功能变化的脑区内异质性尚未得到充分探索。

3、因此,本发明提出了一种多层级静息态磁共振影像分析方法,该方法在时空上保留了体素级功能连接特性,并同时结合多聚类脑区图神经网络实现脑区级功能关联关系的学习,通过对比学习实习样本级特征学习和识别分析。

技术实现思路

1、本发明的目的在于基于四维功能磁共振影像数据,构建基于体素级别对比聚类的多层级神经网络模型,实现对样本数据的特征提取和分析,并进一步完成疾病快速识别,提高医疗影像数据计算机辅助诊断的分类性能。

2、本发明是通过以下技术方案实现的,包括以下步骤:

3、第一步,对待处理的静息态fmri数据,采用通用医学影像预处理软件进行预处理操作,获得预处理后的功能磁共振数据. 具体如下:

4、使用静息态fmri数据处理助手(dparsf)软件对每个样本fmri数据进行处理,获得每个体素点的血氧水平依赖(blood oxygenation level dependent, bold)信号和每个脑区的平均bold信号。基于每个脑区的平均bold信号,计算两两脑区平均bold信号的皮尔森相关系数,得到脑区间功能连接矩阵。

5、第二步,在训练阶段,对预处理后的fmri数据,构建体素级对比聚类网络,提取体素级特征和对应的聚类标签。具体如下:

6、(1)对四维fmri数据,可以得到三维空间中每个体素位置处的bold信号,对每个bold信号在不同时间点分别进行相同时长时间窗的随机采样,并将其作为体素对比聚类网络的输入。其中,采样时间窗的随机采样方法具体为:

7、设为体素对比聚类网络中训练用的bold信号集,其中为集合中的体素数,为第i个体素的bold信号,为的第v个时间切片,,为切片总数,t为bold信号总时长。

8、(2)体素对比聚类网络采用一维resnet残差网络为主干共享网络,包含一个输入通道、17个卷积层和 1个全连接层;

9、(3)采用两个多层感知机(multilayer perceptron, mlp)分别对主干共享网络的输出进行体素级聚类标签提取和体素级特征提取,具体为:

10、信号的特征和聚类分配被同时学习,其中为特征维数,为假设聚类数。在形式上,可以表示为和是通过产生的,其中对应共享编码器,和分别对应特征提取器和聚类网络,结合bold信号的特性,选择一维残差网络,和选择轻量级多层感知机;

11、(4)在训练过程中,采用对比学习作为特征提取网络的训练框架,将同一体素不同时间窗采样的bold信号定义为正样本,不同体素的bold信号定义为负样本,采用infonce损失函数进行优化,对比学习损失具体设计如下:

12、体素对比聚类网络使用infonce损失函数来优化体素特征和聚类标签,使正样本对相似,负样本对不相似。对于特征提取器,定义对比损失,使用余弦相似度来度量这些体素级特征之间的距离。

13、

14、其中,为温度超参数,为的归一化形式,为指示性函数:

15、

16、对于聚类网络,引入了聚类分配损失,这确保来自齐次对的聚类结果被吸引到第类上。的具体形式如下:

17、

18、其中,为温度超参数,为本批次样本在类视角下的权值,为指示性函数:

19、

20、最后,体素级对比聚类网络的训练目标损失函数形式化如下:

21、

22、其中,是损失权重参数。

23、第三步,在训练阶段,对每个样本,利用得到的对应聚类标签,结合解剖学脑区模板,对上一步骤中的每个聚类分别构建单聚类脑区图神经网络。具体如下:

24、(1)对每个聚类,分别构建单聚类图卷积神经网络提取对应聚类特征,其输入为单聚类脑区图,输出为对应聚类特征,此图网络的结构为3层包含图卷积层-激活层-readout层的模块堆叠,并在最后将读出的特征进行拼接,得到此聚类的脑区图特征。具体构建方法为:

25、首先,对于体素对比聚类网络所提取到的体素特征,按照脑区模版进行划分,获得不同脑区的体素特征。

26、然后,对每个脑区的体素特征,分别按照k个聚类进行平均,得到不同聚类在不同脑区的平均特征, 为脑区的数量, 为特征维度。

27、最后,将不同脑区视作脑区图的不同节点,构建单聚类图卷积神经网络。对k个聚类可以构建k个脑区图,其中脑区图的节点特征为第k个聚类特征,为第k个聚类脑区图的邻接矩阵,可以通过计算节点间的相似度并保留其值的前30%得到。

28、其中,单聚类图卷积神经网络由3层包含图卷积层-激活函数层-readout层的模块堆叠构成,第h层的图卷积层为:

29、

30、其中,,为的度矩阵。第h层的readout层由两个线性层构成,具体为:

31、

32、其中flattten(·)表示拍平操作,将矩阵压成维向量。第k个单聚类图卷积神经网络的输出为:

33、

34、第四步,在训练阶段,分别对上一步骤中产生的不同单聚类脑区图神经网络进行性能验证,从k个单聚类脑区图神经网络中筛选出分类性能高的前k个单聚类脑区图。具体如下:

35、对于不同单聚类图神经网络分别进行二分类训练和测试,按照分类性能指标auc(area under curve)进行排序,选择排名靠前的k个聚类作为后续大脑层级多聚类图网络的输入。

36、第五步,在训练阶段,对每个样本,基于筛选出的前k个单聚类脑区图神经网络,采用多图融合策略构建大脑层级多聚类图网络,基于和大脑层级图神经网络提取的特征,实现样本级数据的学习分类,完成模型训练。具体如下:

37、对筛选出的前k个单聚类脑区图,将其分别通过k个单聚类图卷积神经网络进行特征提取,并将最后提取到的特征拼接后使用一个三层的多层感知机进行下游分类任务,即:

38、对于提取到的k个脑区图特征,进行拼接融合,表示为:

39、

40、其中,y为分类标签,为多层感知机。

41、第六步,在测试阶段,对测试集中每个样本数据分别进行预处理和体素级对比聚类,提取体素级特征和聚类标签,实现对测试样本体素级的功能连接变化分析。

42、第七步,在测试阶段,基于已提取体素级特征和聚类标签,构建大脑曾级的多聚类图网络,输入到已训练的图网络模型中完成测试。

43、与现有技术相比,本发明的有益效果是:

44、(1)提出了一种新的多层级静息态磁共振影像分析方法框架,包括体素对比聚类网络和脑区图神经网络,实现基于功能磁共振数据的多层级功能网络分析。

45、(2)在体素对比聚类网络中,可以以一种时空连续的方式学习体素级别的特征和聚类分配,从而在保留功能连接特征的同时实现体素级别的聚类。

46、(3)在脑区图神经网络中,可以分析不同功能聚类中敏感脑区的重要性,并在生成与疾病相关的样本级别特征时整合功能和结构分区的特征。

本文地址:https://www.jishuxx.com/zhuanli/20240830/284592.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。