首页 / 专利库 / 门,大门和窗户 / 框架 / 一种动态脑结构的图卷积神经网络演化方法

一种动态脑结构的图卷积神经网络演化方法

阅读:303发布:2024-01-06

专利汇可以提供一种动态脑结构的图卷积神经网络演化方法专利检索,专利查询,专利分析的服务。并且本 发明 公开了一种动态脑结构的图 卷积神经网络 演化方法,采用图卷积神经网络来模拟正常人脑结构网络演变为 抑郁症 的演化过程。演化过程中引入了方向向量,该向量既包含了正常人的脑结构网络信息,又包含了抑郁症患者脑结构网络的信息,通过图卷积操作可以同时提取两者的特征,而且可以控制演化的方向以及演化的程度。本发明提出了脑结构网络演化的图卷积神经网络模型,利用基于tensorflow 框架 下的 深度学习 方法,通过计算第一次演化结果与真实的抑郁症患者脑网络的交叉熵,利用梯度下降的优化方法使网络的演化始终朝着抑郁症患者脑网络的方向进行。最终输出接近于真实抑郁症患者的脑结构网络,并得到更接近于真实的网络的演化模型。,下面是一种动态脑结构的图卷积神经网络演化方法专利的具体信息内容。

1.一种动态脑结构的图卷积神经网络演化方法,构建脑结构网络演化的图卷积神经网络模型,运用图卷积神经网络工具学习脑网络的动态演化过程,其特征在于:具体包括如下步骤:
A、数据预处理
使用西蒙1.5T磁共振扫描仪,8通道磁头线圈采集脑结构磁共振图像,然后利用矩阵实验室MATLAB中大脑影像数据序列分析工具SPM对脑结构磁共振图像进行预处理;
A1、标准化:将每一个个体的脑结构磁共振图像标准化到同一三维立体空间,使不同个体的同一脑区位于标准空间的同一位置
A2、分割:依据先验的概率分布模板,把脑结构磁共振图像分割为灰质、白质、脑脊液三部分,并生成代表此三种组织类型的图像,定量表示脑灰质和白质的体积;
A3、平滑:对分割产生的灰质图像进行空间平滑处理,减少在标准化和分割过程中产生的噪声和误差,提升信噪比,从而提高统计分析的效
B、构建脑结构网络
以脑结构磁共振图像为基础,选取自动解剖标签模板AAL中的90个脑区作为网络中的节点,将90个脑区之间的相互关系或者解剖连接定义为网络中的边;根据标定的90个脑区,提取脑区的灰质体积,然后使用皮尔逊相关分析来评估两个节点之间的相互关系,构建灰质脑网络,步骤如下:
B1、根据数据预处理分割出的灰质图像,提取每个被试的90个自动解剖标签模板脑区的灰质体积;
B2、使用皮尔逊相关分析来评估两个脑区之间的相互关系,通过计算皮尔逊相关系数得到两两脑区之间的相关系数r,从而得到一个90*90的关系矩阵A;皮尔逊相关系数也称皮尔逊积矩相关系数,是一种用于计算线性相关的方法,通过式(1)计算:
其中,rq,f表示脑区q和f之间的相关系数,xq(t)和 分别表示脑区q的时间序列值和时间序列均值,xf(t)和 分别表示脑区f的时间序列值和时间序列均值,n表示扫描的大脑皮层切片数目;
B3、确定连边;r的取值在-1~1之间,r的绝对值大小代表两两脑区之间相关性的强度,值越大表示相关程度越大:|r|>0.8表示两个脑区之间的相关性强;|r|<0.3表示两个脑区间存在微弱的相关性;r=0表示两个脑区不相关;r的正负则意味着脑区之间相关性的方向,即r>0表示两变量呈相互促进的关系,或正相关;r<0表示两变量呈相互抵制的关系,或负相关;
C、建立脑结构网络演化的图卷积神经网络模型
设脑结构网络演化的图卷积神经网络模型为:f(X,A)是一个两层的图卷积神经网络,其中A是脑结构网络的关系矩阵,X是一个方向向量、表示正常人和抑郁症患者大脑每个脑区的差异;
C1、通过数据预处理步骤分别提取出正常人和抑郁症患者90个脑区的灰质体积,分别构成90*1的列向量X1和X2,然后定义一个方向向量X=X1-X2,即正常人与抑郁症患者的脑结构的差异,并对其进行如下归一化处理,如公式(2)所示:
其中,a为方向向量X中元素的最小值,b为方向向量X中元素的最大值;
C2、对脑结构网络关系矩阵A进行如下归一化处理,如公式(3)所示:
其中, 是脑结构网络添加自连接的关系矩阵,IN是单位矩阵,
表示脑结构网络中每个节点的度;
C3、基于一个两层的图卷积神经网络来训练脑结构演化模型,前馈神经网络模型使用如下的形式:
其中,W(0)∈R90*90为输入层隐藏层的权重矩阵,W(1)∈R90*90是隐藏层和输出层之间的权重矩阵;softmax是激活函数,被定义为 其中Z=∑iexp
(xi);
C4、用所有的抑郁症患者的关系矩阵作为标签样本来评价交叉熵损失函数,如公式(5)所示:
其中,yi表示演化网络结果向量, 表示真实抑郁症患者的网络向量。

说明书全文

一种动态脑结构的图卷积神经网络演化方法

技术领域

[0001] 本发明涉及一种网络演化方法,特别是一种动态脑结构的图卷积神经网络演化方法。

背景技术

[0002] 重度抑郁症是仅次于精神分裂症的重病,患者会出现悲观厌世、绝望、幻觉妄想、功能减退、并伴有严重的自杀企图,甚至自杀行为,对人类健康构成严重威胁。目前,抑郁症的病理机制尚不明确,仍然缺乏定量的生物指标来明确地界定抑郁症。但是重度抑郁症的重要病征表现为,脑区域之间功能性连接的变化所引起的情绪障碍。因此,脑网络分析对研究重度抑郁症的病理机制和诊断方法有重要的意义。具体来说,通过构建脑结构网络和建立网络的动态演化模型,来仿真模拟大脑的病变过程。该方法为探索抑郁症的病理机制提供了新思路。
[0003] 目前,众多国内外研究人员通过结合复杂网络理论和脑科学知识,发现与正常人相比,重度抑郁症患者大脑的功能连接网络的静态拓扑特征(比如聚类系数、度分布等)发生显著的变化。但是这些变化只是揭示了患者处于某种特定的时刻较健康人群的差异,发现了疾病带来的后果却无法追溯疾病发生的整个过程。通过研究重度抑郁症患者脑网络的动态演化过程,能够一定程度上弥补这种缺陷

发明内容

[0004] 为解决现有技术存在的上述问题,本发明要提出一种能追溯疾病发生的整个过程的动态脑结构的图卷积神经网络演化方法。
[0005] 为了模拟重度抑郁症患者脑网络的动态演化过程,本发明的技术方案为:一种动态脑结构的图卷积神经网络演化方法,构建脑结构网络演化的图卷积神经网络模型,运用图卷积神经网络工具学习脑网络的动态演化过程,具体步骤如下所示:
[0006] A、数据预处理
[0007] 使用西蒙1.5T磁共振扫描仪,8通道磁头线圈采集脑结构磁共振图像,然后利用矩阵实验室(MATLAB)中大脑影像数据序列分析工具(SPM)对脑结构磁共振图像进行预处理。
[0008] A1、标准化:将每一个个体的脑结构磁共振图像标准化到同一三维立体空间,使不同个体的同一脑区位于标准空间的同一位置
[0009] A2、分割:依据先验的概率分布模板,把脑结构磁共振图像分割为灰质、白质、脑脊液三部分,并生成代表此三种组织类型的图像,定量表示脑灰质和白质的体积。
[0010] A3、平滑:对分割产生的灰质图像进行空间平滑处理,减少在标准化和分割过程中产生的噪声和误差,提升信噪比,从而提高统计分析的效
[0011] B、构建脑结构网络
[0012] 以脑结构磁共振图像为基础,选取自动解剖标签模板AAL中的90个脑区作为网络中的节点,将90个脑区之间的相互关系或者解剖连接定义为网络中的边。根据标定的90个脑区,提取脑区的灰质体积,然后使用皮尔逊相关分析来评估两个节点之间的相互关系,构建灰质脑网络,步骤如下:
[0013] B1、根据数据预处理分割出的灰质图像,提取每个被试的90个自动解剖标签模板脑区的灰质体积。
[0014] B2、使用皮尔逊相关分析来评估两个脑区之间的相互关系,通过计算皮尔逊相关系数得到两两脑区之间的相关系数r,从而得到一个90*90的关系矩阵A。皮尔逊相关系数也称皮尔逊积矩相关系数,是一种用于计算线性相关的方法,通过式(1)计算:
[0015]
[0016] 其中,rq,f表示脑区q和f之间的相关系数,xq(t)和 分别表示脑区q的时间序列值和时间序列均值,xf(t)和 分别表示脑区f的时间序列值和时间序列均值,n表示扫描的大脑皮层切片数目。
[0017] B3、确定连边。r的取值在-1~1之间,r的绝对值大小代表两两脑区之间相关性的强度,值越大表示相关程度越大:|r|>0.8表示两个脑区之间的相关性强;|r|<0.3表示两个脑区间存在微弱的相关性;r=0表示两个脑区不相关。r的正负则意味着脑区之间相关性的方向,即r>0表示两变量呈相互促进的关系,或正相关;r<0表示两变量呈相互抵制的关系,或负相关。
[0018] C、建立脑结构网络演化的图卷积神经网络模型
[0019] 设脑结构网络演化的图卷积神经网络模型为:f(X,A)是一个两层的图卷积神经网络,其中A是脑结构网络的关系矩阵,X是一个方向向量、表示正常人和抑郁症患者大脑每个脑区的差异。
[0020] C1、通过数据预处理步骤分别提取出正常人和抑郁症患者90个脑区的灰质体积,分别构成90*1的列向量X1和X2,然后定义一个方向向量X=X1-X2,即正常人与抑郁症患者的脑结构的差异,并对其进行如下归一化处理,如公式(2)所示:
[0021]
[0022] 其中,a为方向向量X中元素的最小值,b为方向向量X中元素的最大值。
[0023] C2、对脑结构网络关系矩阵A进行如下归一化处理,如公式(3)所示:
[0024]
[0025] 其中, 是脑结构网络添加自连接的关系矩阵,IN是单位矩阵,表示脑结构网络中每个节点的度。
[0026] C3、基于一个两层的图卷积神经网络来训练脑结构演化模型,前馈神经网络模型使用如下的形式:
[0027]
[0028] 其中,W(0)∈R90*90为输入层隐藏层的权重矩阵,W(1)∈R90*90是隐藏层和输出层之间的权重矩阵。softmax是激活函数,被定义为 其中Z=∑iexp(xi)。
[0029] C4、用所有的抑郁症患者的关系矩阵作为标签样本来评价交叉熵损失函数,如公式(5)所示:
[0030]
[0031] 其中,yi表示演化网络结果向量, 表示真实抑郁症患者的网络向量。
[0032] 与现有技术相比,本发明具有以下有益效果:
[0033] 1、本发明采用图卷积神经网络来模拟正常人脑结构网络演变为抑郁症的演化过程。演化过程中引入了方向向量,该向量既包含了正常人的脑结构网络信息,又包含了抑郁症患者脑结构网络的信息,通过图卷积操作可以同时提取两者的特征,而且可以控制演化的方向以及演化的程度。
[0034] 2、本发明提出了脑结构网络演化的图卷积神经网络模型,利用基于tensorflow框架下的深度学习方法,将正常人脑结构网络的相关矩阵和方向向量归一化处理后作为第一层神经网络的输入,通过一层图卷积得到中间矩阵,中间矩阵代表脑结构网络节点的一阶相邻节点信息,再经过激活函数Relu得到第一层卷积网络的输出。然后将第一层的输出作为第二层神经网络的输入,通过图卷积进一步获得当前节点的二阶邻居节点信息,并输出脑网络第一次演化结果。通过计算第一次演化结果与真实的抑郁症患者脑网络的交叉熵,利用梯度下降的优化方法使网络的演化始终朝着抑郁症患者脑网络的方向进行。每次演化后的脑网络都揭示了从正常人到抑郁症患者的病情走向,最后得到更接近于真实的网络的演化模型。在目前的相关方法中,实现较简单、数据获取和处理清晰、简洁,实用性强。附图说明
[0035] 本发明共有附图5张,其中:
[0036] 图1是脑结构网络构建的过程。
[0037] 图2是正常人脑结构网络图。
[0038] 图3是抑郁症患者脑结构网络图。
[0039] 图4是演化模型最终得到的脑结构网络图。
[0040] 图5是本发明的流程图

具体实施方式

[0041] 下面结合附图对本发明进行进一步地描述。
[0042] 本发明的脑结构网络演化模型由两层的图卷积神经网络构成。如图1所示,首先利用矩阵实验室(MATLAB)大脑影像数据序列分析工具(SPM)对脑结构磁共振图像进行预处理。以数据预处理得到的90个自动解剖标签模板脑区灰质体积为基础,计算两两之间皮尔逊相关系数获得脑结构网络关系矩阵A。根据正常人与抑郁症患者90个脑区的灰质体积,构造正常人和抑郁症患者的脑结构网络之间的方向向量X。其次,按照图5所示的流程得到脑结构网络演化的网络。将正常人脑结构网络(如图2)的相关矩阵和方向向量经过归一化处理后作为第一层图卷积神经网络的输入。通过一层图卷积得到中间矩阵,中间矩阵代表脑结构网络节点的一阶相邻节点信息,再经过激活函数Relu得到第一层卷积网络的输出。然后将第一层的输出作为第二层神经网络的输入,通过图卷积进一步获得当前节点的二阶邻居节点信息,并输出脑网络第一次演化结果。最后将模型结果与真实的抑郁患者脑网络(如图3)进行交叉熵验证,经过反向传播,不断的优化网络中参数W(0)和W(1),使网络的演化始终朝着抑郁症患者脑网络的方向进行,最终输出接近于真实抑郁症患者的脑结构网络(如图4),并得到更接近于真实的网络的演化模型。
[0043] 本发明不局限于本实施例,任何在本发明披露的技术范围内的等同构思或者改变,均列为本发明的保护范围。
高效检索全球专利

专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。

我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。

申请试用

分析报告

专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。

申请试用

QQ群二维码
意见反馈