本發(fā)明屬于醫(yī)學(xué)影像和神經(jīng)網(wǎng)絡(luò)交叉，具體涉及一種基于多尺度圖譜融合分層圖卷積方法的大腦皮層褶皺分類系統(tǒng)。

背景技術(shù)：

1、大腦是人類最重要的器官，理解大腦的結(jié)構(gòu)與功能是21世紀(jì)最具挑戰(zhàn)性的前沿科學(xué)問(wèn)題之一，大腦皮層的褶皺結(jié)構(gòu)是功能復(fù)雜性的重要體現(xiàn)，腦溝和腦回是大腦皮層的兩個(gè)重要解剖結(jié)構(gòu)。通過(guò)對(duì)皮層褶皺的功能和結(jié)構(gòu)進(jìn)行分析，可以更好地理解腦溝和腦回的功能。

2、隨著神經(jīng)影像技術(shù)的發(fā)展，功能磁共振成像(fmri)和擴(kuò)散張量成像(dti)，能夠更詳細(xì)地觀察腦溝和腦回的結(jié)構(gòu)及其功能連接。通過(guò)這些技術(shù)，可以繪制出更精確的大腦連接圖譜，進(jìn)一步揭示大腦皮層褶皺的結(jié)構(gòu)與功能之間的復(fù)雜關(guān)系。

3、在之前的方法中，對(duì)于皮層褶皺的功能映射分析，常使用快速傅里葉變換計(jì)算腦回和腦溝信號(hào)的功率譜，從而直接對(duì)皮層褶皺進(jìn)行分類。隨著深度學(xué)習(xí)技術(shù)在醫(yī)學(xué)圖像中的快速發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)也被用于分類，基于一維卷積神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)了一個(gè)分類器，來(lái)區(qū)分每個(gè)大腦區(qū)域內(nèi)的腦回和腦溝的fmri信號(hào)。

4、但是，目前的皮層褶皺的分類方法大都直接利用功能信號(hào)分類腦溝和腦回。在這些研究中，雖然時(shí)空?qǐng)D卷積網(wǎng)絡(luò)提供了一種強(qiáng)有力的工具來(lái)揭示大腦皮層的復(fù)雜連接模式，但仍然存在問(wèn)題。例如，缺乏對(duì)全腦范圍內(nèi)復(fù)雜拓?fù)潢P(guān)系和功能差異的全面了解。具體來(lái)說(shuō)，現(xiàn)有研究主要集中在特定區(qū)域和任務(wù)上的分析，對(duì)于全腦功能連接的關(guān)注較少。而且，目前在皮層褶皺的研究大多采用單尺度的方法，該方法忽略了皮層褶皺功能映射在不同的空間分辨率的差異。對(duì)于皮層褶皺的功能映射，單純依靠功能信號(hào)對(duì)腦皮層褶皺進(jìn)行分類并不能完全準(zhǔn)確。因此，這方面的研究就產(chǎn)生了新視角，使得我們能夠更深入地理解皮層褶皺的功能映射的復(fù)雜性和多樣性。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于提供一種基于多尺度圖譜融合分層圖卷積方法的大腦皮層褶皺分類系統(tǒng)，用以解決現(xiàn)有技術(shù)中的忽略皮層褶皺功能映射在不同的空間分辨率的差異的問(wèn)題，以及單純依靠功能信號(hào)對(duì)腦皮層褶皺進(jìn)行分類并不能完全準(zhǔn)確。

2、為了實(shí)現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案是：

3、一種基于多尺度圖譜融合分層圖卷積方法的大腦皮層褶皺分類系統(tǒng)，具體步驟如下：

4、步驟1：獲取靜息狀態(tài)的fmri數(shù)據(jù)并進(jìn)行預(yù)處理得到四維fmri體素圖像，將四維fmri體素圖像轉(zhuǎn)換為一維fmri向量；

5、步驟2：獲取彌散mri數(shù)據(jù)并進(jìn)行預(yù)處理得到dti數(shù)據(jù)，獲取結(jié)構(gòu)mri(t1加權(quán))數(shù)據(jù)并計(jì)算每個(gè)體素的曲率；

6、步驟3：多尺度圖譜的劃分，采用步驟2中的dti數(shù)據(jù)，將重建的皮層表面進(jìn)行劃分，對(duì)大腦表面上所有的體素點(diǎn)進(jìn)行譜聚類，劃分大腦圖譜，將大腦劃分成442個(gè)區(qū)域(rois)、364個(gè)區(qū)域(rois)、274個(gè)區(qū)域(rois)、189個(gè)區(qū)域(rois)；

7、步驟4：采用步驟2中的結(jié)構(gòu)mri數(shù)據(jù)所計(jì)算出的每個(gè)體素點(diǎn)的曲率，根據(jù)所設(shè)置閾值，高曲率值定義為腦溝，低曲率值定義為腦回，一個(gè)區(qū)域內(nèi)如果超過(guò)一半的點(diǎn)位于腦溝，那么這個(gè)區(qū)域就被標(biāo)記為腦溝區(qū)域，剩下的區(qū)域都是腦回區(qū)域，作為感興趣區(qū)域(rois)的標(biāo)簽；

8、步驟5：將步驟1中的一維fmri向量匹配到步驟3所劃分的四種模板，利用計(jì)算出兩個(gè)感興趣區(qū)域(rois)的bold時(shí)間序列之間的皮爾森相關(guān)系數(shù)，作為感興趣區(qū)域間的功能連接；其中，vi和uj分別代表體素點(diǎn)i與體素點(diǎn)j在樣本集中的觀測(cè)值，corr(vi，vj)為體素點(diǎn)vi與體素點(diǎn)vj之間的相關(guān)性，cov(vi，vj)為體素點(diǎn)vi與體素點(diǎn)vj之間協(xié)方差，σi和σj分別代表體素點(diǎn)vi與體素點(diǎn)uj的標(biāo)準(zhǔn)差；

9、步驟6：采用步驟3的多尺度圖譜，通過(guò)將細(xì)尺度分割的感興趣區(qū)域(rois)合并成一個(gè)粗尺度分割的較大的感興趣區(qū)域(roi)，即構(gòu)建從細(xì)尺度分割的圖譜(具有r個(gè)rois)到粗尺度分割的圖譜(具有p個(gè)rois)的映射矩陣mr-→p，且r>p；

10、步驟7：構(gòu)建一個(gè)四層的多尺度圖譜的分層圖卷積網(wǎng)絡(luò)，具體來(lái)說(shuō)，多尺度圖譜的分層圖卷積網(wǎng)絡(luò)從最細(xì)分割(即442-roi圖譜)中的節(jié)點(diǎn)特征與fcn之間進(jìn)行圖卷積，直到處理到最粗尺度圖譜中的fcn(即189-roi圖譜)，采用步驟3劃分的多尺度圖譜和步驟5計(jì)算的功能連接矩陣；

11、步驟8：采用步驟7的189-roi圖譜下的功能連接矩陣，對(duì)其進(jìn)行降維操作從而進(jìn)行分類，再采用交叉熵?fù)p失函數(shù)來(lái)優(yōu)化模型。

12、進(jìn)一步，步驟6具體步驟如下：

13、步驟a：計(jì)算重疊的體素?cái)?shù)，對(duì)于細(xì)尺度圖譜中的每個(gè)roii，計(jì)算其與粗尺度圖譜中的每個(gè)roij的空間重疊體素?cái)?shù)量，統(tǒng)計(jì)roii和roij的共同存在的體素?cái)?shù)；

14、步驟b：計(jì)算重疊比例，進(jìn)一步計(jì)算重疊比例反應(yīng)細(xì)尺度roi在粗尺度roi中的覆蓋程度；

15、步驟c：設(shè)定重疊比例ρij＞0，則在映射矩陣mr→p中標(biāo)記1，即mr→p[i，j]＝1。

16、進(jìn)一步，步驟7的具體步驟如下：

17、步驟a：通過(guò)鄰接矩陣a和度矩陣d可以有效地表示圖的結(jié)構(gòu)，鄰接矩陣a為步驟5計(jì)算的功能連接矩陣，度矩陣d使用了一種獨(dú)熱編碼特征，即單位矩陣，利用譜卷積思想進(jìn)行圖卷積操作；其中是歸一化的鄰接矩陣，h(l)是第l層的節(jié)點(diǎn)特征矩陣，w(l)是可學(xué)習(xí)的權(quán)重矩陣，σ是激活函數(shù)；

18、步驟b：利用步驟6中的映射矩陣，作為“圖譜引導(dǎo)池化”來(lái)連接不同尺度的圖卷積網(wǎng)絡(luò)，輸出的特征向量hgc442(一個(gè)442×1的向量)hap364(一個(gè)364×1的向量)，并在下一層的圖卷積中與fcn一起使用；

19、步驟c：分層圖卷積與圖譜引導(dǎo)池化持續(xù)進(jìn)行，直到處理到最粗尺度圖譜中的fcn(即189-roi圖譜)。

20、本發(fā)明與現(xiàn)有技術(shù)相比具有以下技術(shù)特點(diǎn)：

21、第一，采用功能連接矩陣對(duì)大腦皮層褶皺進(jìn)行分類，不同于現(xiàn)有技術(shù)依靠功能信號(hào)對(duì)大腦皮層褶皺進(jìn)行分類不能完全準(zhǔn)確；第二，多尺度圖譜分層的思想通過(guò)不同的尺度和層次來(lái)捕捉和分析空間特征，考慮了皮層褶皺的功能映射在不同的空間分辨率的差異的問(wèn)題；第三，引入分層圖卷積捕捉圖中不同層次的特征。與傳統(tǒng)方法相比，分層圖卷積通過(guò)分層的方法來(lái)處理復(fù)雜的圖結(jié)構(gòu)，增強(qiáng)模型的表達(dá)能力和靈活性。

技術(shù)特征：

1.一種基于多尺度圖譜融合分層圖卷積方法的大腦皮層褶皺分類系統(tǒng)，其特征在于，具體步驟如下：

2.根據(jù)權(quán)利要求1所述的一種基于多尺度圖譜融合分層圖卷積方法的大腦皮層褶皺分類系統(tǒng)，其特征在于，步驟6具體步驟如下：

3.根據(jù)權(quán)利要求1所述的一種基于多尺度圖譜融合分層圖卷積方法的大腦皮層褶皺分類系統(tǒng)，其特征在于，步驟7的具體步驟如下：

技術(shù)總結(jié)
一種基于多尺度圖譜融合分層圖卷積方法的大腦皮層褶皺分類系統(tǒng)，首先利用一組定義良好的多尺度圖譜來(lái)計(jì)算多尺度功能連接網(wǎng)絡(luò)。然后，基于多尺度圖譜中各區(qū)域之間的生物學(xué)層次關(guān)系，在多個(gè)空間尺度上實(shí)施節(jié)點(diǎn)池操作，建立“圖譜引導(dǎo)池化”。通過(guò)結(jié)合分層圖卷積技術(shù)與“圖譜引導(dǎo)池化”方法，從多尺度功能連接網(wǎng)絡(luò)中全面提取大腦皮層褶皺的特征，從而實(shí)現(xiàn)對(duì)大腦皮層褶皺的有效分類。

技術(shù)研發(fā)人員：孫可心,任玉丹,劉啟心,丁振卿,侯榆青
受保護(hù)的技術(shù)使用者：西北大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/4/24